Sheria Zinazoshindana za KYC
Sheria za Jua Mteja Wako (KYC) zinaunda mvutano wa kweli kwa makampuni ya fintech. Wasimamizi wanataka ukaguzi kamili wa utambulisho. Wanaitaka makampuni kukusanya na kuthibitisha nyaraka za kibinafsi. Lakini sheria za data zinaelekeza upande mwingine. Zinahitaji makampuni kupunguza data hiyo mara tu itakapokusanywa.
Benki inayofungua akaunti mpya hukusanya nyaraka nyingi. Hizi ni pamoja na vitambulisho vya kitaifa, pasipoti, na leseni za udereva. Pia hukusanya uthibitisho wa anwani na karatasi za fedha. Faili hizi zina data nyingi za kibinafsi. GDPR, sheria za AML, na wasimamizi wa benki wote wanahitaji ushughulikiaji mkali.
Data hiyo inapohamia mifumo ya udanganyifu au uchambuzi, sheria za ziada zinatumika. Sheria za data za GDPR zinaanza kutumika. Data ya kibinafsi lazima ifichwe au kutoidhibitishwa kabla ya matumizi yoyote ya pili.
Tatizo la Foleni ya Ucheleweshaji wa Siku 2
Benki ya dijitali ilishughulikia maombi ya KYC 5,000 kila siku katika nchi 15 za EU. Hatua yao ya uchanganuzi wa PII ilisababisha tatizo kubwa. Kiwango cha matokeo ya uwongo kilikuwa juu sana. Foleni za ukaguzi ziliongezeka hadi kufikia ucheleweshaji wa siku 2.
Sababu ya msingi ilikuwa wazi. Zana yao ya msingi ya ML iliainisha karibu asilimia 8 ya maandishi yasiyo ya PII kama data ya kibinafsi. Kila faili ilikuwa na kurasa nyingi. Kiasi cha kila siku cha matokeo ya uwongo kilikuwa kikubwa sana kwa timu kukifuta katika siku moja. Waliendelea kuwa nyuma.
Matokeo ya uwongo yalianguka katika makundi matatu:
- Majina ya kampuni yaliyobainishwa kama majina ya watu (modeli ilichanganya nomino sahihi)
- Nambari za rejeleo zilizobainishwa kama nambari za vitambulisho (hakuna ukaguzi wa checksum uliotumika)
- Majina ya kawaida ya kwanza kama "Chase" katika majina ya benki yaliyobainishwa kama PII ya jina la mtu
Kila tokeo la uwongo lilihitaji ukaguzi wa binadamu. Kwa asilimia 8 katika faili 5,000 za kila siku, hii ilizalisha maelfu ya kazi za kila siku. Hakuna inayoweza kuotomatiwa.
Kinachooneshwa na Utafiti wa ACL
Utafiti wa ACL 2024 ulijaribu modeli za NLP za lugha nyingi kwa ugunduzi wa PII. Matokeo yalikuwa wazi. Ni asilimia 5 tu ya modeli za NLP za lugha nyingi zinafikia alama ya F1 bora kuliko asilimia 85 kwa PII zisizo za Kiingereza katika lugha zote 24 za EU.
Alama ya F1 inachanganya usahihi na kukumbuka. Usahihi mdogo unamaanisha matokeo mengi ya uwongo. Kukumbuka kidogo kunamaanisha vipengele vingi vilivyokoswa. Matokeo yote mawili yanakera vibaya. Kiwango cha kushindwa cha asilimia 95 kufikia F1 ya asilimia 85 kinaonyesha jinsi uchanganuzi wa PII wa lugha mbalimbali ni mgumu kwa vitendo.
Kwa kulinganisha, XLM-RoBERTa inafikia F1 ya lugha mbalimbali ya asilimia 91.4 kwa kazi za PII. Takwimu hii inatoka kwa vipimo vya HuggingFace 2024. Pengo kati ya asilimia 91.4 na modeli ya wastani linaelezea kwa nini zana za kawaida zinashindwa katika KYC ya lugha nyingi.
Muundo wa Mseto kwa KYC ya Kiwango Kikubwa
Tatizo la matokeo ya uwongo linaweza kutatuliwa. Chaguo tatu za muundo zinalitatua.
Regex na ukaguzi wa checksum: Nambari za vitambulisho vya kitaifa zina sheria zilizoandikwa. Steuer-ID ya Ujerumani, BSN ya Uholanzi, na PESEL ya Poland kila moja hutumia hisabati ya checksum. Nambari ikishindwa checksum, si kitambulisho cha kitaifa. Muundo pamoja na checksum huzalisha matokeo karibu na sifuri ya uwongo kwa vitambulisho hivi.
NLP inayofahamu muundo kwa majina: Majina ya watu katika faili za KYC yanaonekana katika sehemu zinazojulikana. Hizi ni pamoja na "Jina:", "Jina la ukoo:", na sehemu za kawaida za fomu. Kuhitaji neno la muundo kabla ya kubainisha jina kupunguza matokeo ya uwongo. Inazuia majina ya makampuni kuanzisha tahadhari za jina la mtu.
Urekebishaji wa kizingiti kwa aina ya faili: Faili za KYC zinatofautiana na barua pepe za msaada au kumbukumbu za matibabu. Kila aina ina mchanganyiko tofauti wa PII. Kuweka vizingiti kwa aina ya faili huruhusu timu kurekebishwa kwa mahitaji yao. KYC ya kiwango kikubwa hupata usahihi mkubwa zaidi. Kutoidhibitisha kwa matibabu hupata kukumbuka zaidi.
Foleni ya ucheleweshaji wa siku 2 si gharama isiyoweza kuepukika ya uchanganuzi wa PII. Ni gharama ya kutumia zana za jumla kwenye mtiririko wa kazi mahususi. Suluhisho ni usanidi, si timu kubwa zaidi.
Mwongozo wetu wa utiifu wa GDPR unafunika sheria za upunguzaji wa data. Muhtasari wetu wa usalama na utiifu unaelezea udhibiti wa kiufundi unaosaidia mifumo ya KYC inayotiifu.