Machine Translated by Google

Recebido em 20 de maio de 2021, aceito em 31 de maio de 2021, data de publicação em 4 de junho de 2021, data da versão atual em 15 de junho de 2021.

Identificador de Objeto Digital 10.1109/ ACCESS.2021.3086230

Aprendizado profundo e artificial explicável

Técnicas de Inteligência Aplicadas para Detecção
Lavagem de dinheiro – uma revisão crítica
DATATRAY VISHNU KUTE 1,
BISWAJEET PRADHAN 1,2,3, (Membro Sênior, IEEE),
1Centro de Modelagem 1, E ABDULLAH ALAMRI4 NAGESH SHUKLA
Avançada e Sistemas de Informação Geoespacial (CAMGIS), Faculdade de Engenharia e TI, Escola de Informação, Sistemas e Modelagem, Universidade de
Tecnologia Sydney, Sydney, NSW 2007, Austrália 2Departamento
de Engenharia de Energia e Recursos Minerais, Universidade Sejong, Seul 05006, Coreia do Sul 3Centro
de Observação da Terra, Instituto de Mudanças Climáticas, Universiti Kebangsaan Malásia, Bangi 43600,
Malásia 4Departamento de Geologia e Geofísica, Faculdade de Ciências, Universidade King Saud, Riyadh

11451, Arábia Saudita Autor correspondente: Biswajeet Pradhan ( biswajeet.pradhan@uts.edu.au)

Este trabalho foi financiado em parte pelo Centro de Modelagem Avançada e Sistemas de Informação Geoespacial (CAMGIS), Faculdade
de Engenharia e TI, Universidade de Tecnologia de Sydney (UTS), Sydney, NSW, Austrália, e em parte pelo Projeto de Apoio a Pesquisadores,
King Universidade Saud, Riad, Arábia Saudita, no âmbito do Projeto RSP-2020/14.

RESUMO O branqueamento de capitais é um problema global há décadas, constituindo uma das principais ameaças à economia
e à sociedade. As instituições governamentais, reguladoras e financeiras estão a combatê-lo em conjunto nas suas respectivas
capacidades, mas ainda assim milhares de milhões de dólares em multas aplicadas pelas autoridades chegam às manchetes
dos noticiários. Os serviços de Internet de alta velocidade permitiram que as instituições financeiras proporcionassem uma melhor
experiência ao cliente através de compromissos multicanais, o que levou a um crescimento exponencial nas transações e a
novos caminhos para o branqueamento de dinheiro para os fraudadores. A literatura mostra o uso de métodos estatísticos,
mineração de dados e técnicas de Machine Learning (ML) para detecção de lavagem de dinheiro, mas pesquisas limitadas sobre
técnicas de Deep Learning (DL), principalmente devido à falta de interpretabilidade do modelo e explicabilidade das decisões tomadas.
Vários estudos são realizados sobre a aplicação de ML para técnicas de Combate à Lavagem de Dinheiro (AML) e Inteligência
Artificial Explicável (XAI) em geral, mas falta o estudo sobre o uso de técnicas de DL em conjunto com XAI. Este artigo tem como
objetivo revisar a literatura atual sobre o estado da arte sobre EAD juntamente com XAI para identificar transações suspeitas de
lavagem de dinheiro e identificar futuras áreas de pesquisa. As principais conclusões da revisão são: os pesquisadores preferiram
variantes de Redes Neurais Convolucionais e AutoEncoder; a aprendizagem profunda de gráficos juntamente com o
processamento de linguagem natural está emergindo como uma tecnologia importante para AML; O uso de XAI não é visto no
domínio AML; 51% dos métodos de ML utilizados na LMA não são interpretáveis, 58% dos estudos utilizaram amostras de dados
reais antigos; Os principais desafios para os investigadores são o acesso a dados recentes de transações reais e a escassez de
dados de formação rotulados; e os dados são altamente desequilibrados. As direções de pesquisa futura são: aplicação de
técnicas XAI para trazer à tona a explicabilidade, aprendizagem profunda de gráficos usando processamento de linguagem
natural (PNL), aprendizagem não supervisionada e de reforço para lidar com a falta de dados rotulados; e programas de
investigação conjuntos entre a comunidade científica e a indústria para beneficiar do conhecimento do domínio e do acesso controlado aos dados.

TERMOS DE ÍNDICE Lavagem de dinheiro, aprendizado de máquina, aprendizado profundo, IA explicável, transação suspeita.

I. INTRODUÇÃO A lavagem O branqueamento anual representa aproximadamente 2 a 5% do PIB

de dinheiro e o financiamento do terrorismo têm sido uma das principais ameaças à integridade
do sistema financeiro internacional desde as últimas cinco décadas [1]. O Escritório das
Nações Unidas sobre Drogas e Crime (UNODC) estima a quantidade de dinheiro
O editor associado que coordena a revisão deste manuscrito e
quem a aprovou para publicação foi Yudong Zhang.
global, o que equivale a 800 mil milhões de dólares a 2 biliões de dólares
[2] e é uma das maiores ameaças à economia global e à sua segurança [3].
Para lutar contra o crime financeiro, muitos países estabeleceram
políticas rigorosas de combate à lavagem de dinheiro/financiamento do
terrorismo (AML/CTF) para organizações que lidam com dinheiro,
metais preciosos, criptomoedas e transações financeiras, por exemplo,
AML/ Lei CTF de 2006 na Austrália [4], Lei de Sigilo Bancário

82300 Este trabalho está licenciado sob uma licença Creative Commons Atribuição 4.0. Para obter mais informações, consulte https://creativecommons.org/licenses/by/4.0/
VOLUME 9, 2021
Machine Translated by Google
DV Kute et al.: DL e técnicas explicáveis de inteligência artificial aplicadas para detectar lavagem de dinheiro
1970 nos EUA [5]. A regulamentação exige que estas organizações
implementem controlos eficazes para monitorizar e reportar transacções em
dinheiro para além dos valores limite, Instruções Internacionais de Transferência
de Fundos (IFTI), transacções suspeitas de qualquer tipo e muito mais [2].
Houve vários casos em que as instituições financeiras foram penalizadas
por não manterem controlos eficazes. Em 2009, o Grupo Credit Suisse da
Suíça foi multado em 536 milhões de dólares [6], no mesmo ano o Lloyds
Banking Group do Reino Unido foi multado em 350 milhões de dólares [7]. Em
2012, o HSBC foi multado pelas autoridades dos EUA num montante de 1,9
mil milhões de dólares num acordo sobre branqueamento de capitais [8], no
mesmo ano, o grupo ING Bank dos Países Baixos foi multado numa multa de
619 milhões de dólares por permitir que branqueadores movimentassem
ilegalmente milhares de milhões de dólares através do sistema bancário dos
EUA [9]. Em 2017, o Commonwealth Bank of Australia foi condenado a pagar
a multa de 700 milhões de dólares ao abrigo da lei AML/CTF [10]. Em 2019,
58 sanções AML foram aplicadas globalmente, totalizando 8,14 mil milhões de
dólares, o dobro do montante da penalidade aplicada em 2018 [11]. Muito
recentemente, em 2020, o West-pac Bank of Australia foi condenado a pagar
uma multa recorde de 1,3 mil milhões de dólares por violar a lei AML/CTF do
país [12].
Ao olhar para as sanções aplicadas a vários institutos financeiros até hoje,
indica que os sistemas e controlos existentes são inadequados e ineficazes
para combater o crime financeiro.
Para combater o crime financeiro e cumprir os requisitos de combate ao
branqueamento de capitais, tradicionalmente os bancos têm utilizado sistemas
AML baseados em regras [13], que ajudam a identificar transacções em
numerário para além dos valores limite, transferências internacionais de fundos
e transacções suspeitas. Esses sistemas detectam transações suspeitas com
base em regras predefinidas e geram alertas. O diretor de conformidade
investiga esses alertas e, se for considerado positivo, um Relatório de Assunto
Suspeito (SMR) é preparado e enviado às autoridades regulatórias para
garantir a comunicação de conformidade. A taxa de falsos positivos destes
alertas é estimada em mais de 98% [14], o que resulta num enorme custo
operacional para os bancos. Devido aos recentes avanços na comunicação e
na tecnologia, muitos serviços bancários são disponibilizados aos clientes
através de diferentes canais online. Isso causou uma explosão em uma série
de transações. Devido ao aumento das transações e ao cenário regulatório em
constante mudança, manter-se à frente do crime financeiro e do risco de
conformidade tornou-se mais complexo e caro do que nunca para as instituições
financeiras.
Ao perceber a complexidade, o volume das transações e o sucesso da
inteligência artificial em outros campos para melhorar a eficiência operacional
e a precisão das previsões, poucos bancos começaram a se esforçar para
automatizar os dados e tarefas demoradas usando Inteligência Artificial/
Aprendizado de Máquina ( Tecnologias AI/ML) [15] para detecção de transações
suspeitas. Sempre há uma compensação entre a precisão do modelo e a
interpretabilidade ao selecionar um modelo de aprendizado de máquina. Os
modelos de caixa preta, como redes neurais e modelos de aumento de
gradiente, podem prever resultados altamente precisos, mas muitas vezes
ficam atrasados na interpretabilidade, portanto, é difícil explicar a lógica por
trás das decisões tomadas. No
VOLUME 9, 2021
por outro lado, os modelos de caixa branca, como árvore de decisão e
regressão linear, são altamente interpretáveis e mais fáceis de explicar as
decisões tomadas pelos modelos, mas fornecem resultados menos precisos.
Normalmente os modelos caixa-preta são escolhidos considerando a expectativa
de alta precisão na detecção de transações suspeitas, porém a falta de
transparência sobre como esses modelos tomam decisões para concluir uma
transação é suspeita; e uma solicitação obrigatória dos reguladores para
fornecer justificativas para transações suspeitas, está representando um
impedimento para a adoção da tecnologia de IA/ML em unidades de crime
financeiro em institutos financeiros [16].
Considerando o aumento contínuo de transações, as mudanças nos
padrões de fraude e no cenário regulatório, é necessária uma estrutura robusta
de ponta a ponta utilizando IA/ML que possa ajudar a detectar com precisão a
transação suspeita de lavagem de dinheiro, reduzindo os falsos positivos e
gerando a interpretação humana explicação das decisões tomadas pelo ML.
Ter tal estrutura não só aumentará a eficiência nas operações de AML, mas
também reduzirá os custos operacionais envolvidos na investigação de alertas
falsos positivos [15], [17].
Também ajudará os bancos a gerir o risco de conformidade e a manter intacta
a reputação da marca. As explicações das decisões sobre BC ajudarão a
construir a confiança no sistema, que também pode ser aceite como um
controlo eficaz contra o BC pelos reguladores [18].
As soluções para detectar o padrão de lavagem de dinheiro têm evoluído
de métodos estatísticos, mineração de dados [19], [20] e BC [13], [21] para
DL [22], [23]. Existem vários artigos de revisão na literatura que demonstram a
aplicação desses métodos para detecção de transações suspeitas [3], [13],
[20], [21], [24]–[29], porém falta a revisão focada em técnicas de aprendizagem
profunda ou técnicas XAI no mesmo domínio.
O objetivo deste artigo é revisar a literatura existente publicada sobre
métodos DL e XAI para detectar transações suspeitas de lavagem de dinheiro
em instituições financeiras.
II. ANTECEDENTES A
lavagem de dinheiro é uma atividade criminosa usada para disfarçar a origem
do dinheiro obtido ilegalmente e fazê-lo parecer legítimo no sistema.
Normalmente, a lavagem de dinheiro envolve 3 etapas [30], (i) a primeira etapa
é a “colocação”, onde o dinheiro é introduzido no sistema financeiro, (ii) a
segunda etapa é a “camada”, onde as transações financeiras complexas são
realizada para disfarçar a origem ilegal do dinheiro e; (iii) o terceiro passo é a
“integração”, onde os benefícios são adquiridos a partir das transações de
fundos ilegais. O melhor passo para identificar uma transação suspeita é uma
etapa de colocação, porque além da primeira etapa torna-se complexo rastrear
as transações, uma vez que as transações estão em camadas dentro e/ou fora
da alçada do banco.
No contexto do branqueamento de capitais, os bancos são obrigados a
monitorizar as transações para detectar atividades suspeitas, investigá-las e
reportá-las às entidades reguladoras para garantir o cumprimento da política
de LBC/CTF. Sistemas, controles e práticas eficazes de AML são essenciais
para gerenciar o risco de conformidade.
82301
Machine Translated by Google
DV Kute et al.: DL e técnicas explicáveis de inteligência artificial aplicadas para detectar lavagem de dinheiro
FIGURA 1. Processo de combate à lavagem de dinheiro.
A FIGURA 1 representa um processo conceitual seguido em instituições
financeiras para monitoramento de transações, detecção de transações
suspeitas e reporte das mesmas aos órgãos reguladores.
É evidente que a detecção de transações suspeitas é um problema de
classificação em várias etapas, porque o nível de confiança da transação
suspeita é construído com base na investigação realizada em cada etapa do
Alerta ao SMR e além do alcance da instituição financeira. A decisão de
transação suspeita passa por 4 etapas – (i) sistema de geração de alertas
(principalmente automação), (ii) investigação manual na instituição financeira,
(iii) investigação nas UIFs e (iv) o produto no tribunal . Considerando os
esforços envolvidos por diversas partes (Banco, UIF e agências legais e de
aplicação da lei)
82302
é importante obter a detecção correta de transações suspeitas para reduzir os
esforços. Sendo todo o cenário altamente sensível e confidencial por natureza,
os verdadeiros dados de transações suspeitas são extremamente difíceis de
encontrar.
III. METODOLOGIA DE PESQUISA Uma
revisão seguiu um processo de revisão padrão de 3 etapas descrito por
Kitchenham e Charters [31] – Planejar, Conduzir e Reportar.
A pesquisa bibliográfica é feita usando combinações das seguintes palavras-
chave - ''lavagem de dinheiro'', ''transação suspeita'', ''anti-lavagem de dinheiro'',
''aprendizado profundo'', ''aprendizado de máquina'', ' 'mineração de dados'',
''estatistaÿ '', ''IA explicável'' e ''XAI''. Os papéis foram segregados com base
VOLUME 9, 2021
Machine Translated by Google
DV Kute et al.: DL e técnicas explicáveis de inteligência artificial aplicadas para detectar lavagem de dinheiro

sobre a relevância para o tema principal e os artigos mais relevantes considerados TABELA 1. Consultas e resultados de pesquisa.

para revisão. A revisão centrou-se na identificação da aplicação de técnicas de

aprendizagem profunda para a deteção de branqueamento de capitais, na revisão
dos métodos, incluindo a aprendizagem automática, para saber se são
interpretáveis ou não, identificar se são aplicadas quaisquer técnicas de IA
explicáveis quando são utilizados métodos não interpretáveis. e apresentar o
tipo de dados usados durante o treinamento e avaliações do modelo. O estudo
também trouxe o ponto de vista dos principais artigos de revisão sobre ''Técnicas
de aprendizado de máquina em AML'' e ''Técnicas explicáveis de IA'' da literatura.
Um artigo adicional discutiu as descobertas, a avaliação e relatou os principais
desafios e restrições para os pesquisadores, barreiras para a adoção de IA/ML
no domínio AML.

Finalmente, o artigo concluiu identificando o estado da arte da aprendizagem

TABELA 2. Classificação da literatura.
profunda juntamente com o uso de técnicas XAI no domínio AML, desafios e
direções de pesquisas futuras.

A. OBJETIVOS E QUESTÕES DE PESQUISA A

principal motivação para este trabalho é que a literatura sobre detecção de lavagem de
dinheiro mostra o uso de métodos estatísticos, mineração de dados e técnicas de
aprendizado de máquina, mas não tem foco em métodos de aprendizado profundo; a
interpretabilidade dos métodos é importante do ponto de vista do domínio AML, mas não
há nenhum estudo abrangente que forneça detalhes sobre o estado atual da
interpretabilidade da pesquisa publicada até o momento e a aplicação de técnicas XAI de
última geração no domínio AML.

Portanto, os objetivos deste artigo de revisão são: identificar as técnicas de

aprendizagem profunda aplicadas no domínio da lavagem de dinheiro, determinar
a interpretabilidade da pesquisa publicada até o momento, identificar as técnicas
de XAI aplicadas no domínio da lavagem de dinheiro.
Domínio AML para trazer à tona a explicabilidade; e responda às seguintes
perguntas:
• Existe uma pesquisa adequada em mineração de dados ou
aprendendo a colocá-lo em prática?
• Quais métodos de DL são propostos para identificar suspeitos
transações de lavagem de dinheiro?
• Quais técnicas XAI são propostas para explicar a decisão
sões feitas por métodos DL?
• Os métodos propostos são treinados, testados e validados
em dados reais ou em dados sintéticos?
• Há alguma evidência que mostre o método proposto
ods são aplicados na indústria?
Do total de 198 artigos, 27 artigos foram encontrados duplicados devido a
diferentes consultas, portanto foram excluídos. Outros 27 artigos são considerados
não relevantes para o tema da lavagem de dinheiro, portanto foram excluídos.
Dos 13 artigos encontrados sobre o tema do crime financeiro em geral, poucos
são referidos para estabelecer o contexto conforme necessário. Foram
encontrados 19 artigos de revisão que são considerados para discussão. Foram
encontrados 35 documentos relevantes para domínios financeiros como fraude,
mas não relacionados à lavagem de dinheiro, portanto foram excluídos. Dos 77
documentos encontrados que estão diretamente relacionados à lavagem de
dinheiro, incluindo a detecção de transações, padrões e grupos suspeitos de
lavagem de dinheiro, eles serão considerados para análise posterior.
As informações da categoria a seguir foram utilizadas para estabelecer o
contexto. Esses artigos são pesquisados separadamente em fontes independentes,
incluindo a biblioteca da UTS, a Internet e sites específicos das organizações.

• Documentos regulatórios e de políticas do setor que descrevem os requisitos

B. PROCESSO DE BUSCA E SELEÇÃO
A TABELA I abaixo descreve as combinações de palavras-chave (lavagem de
dinheiro, anti-lavagem de dinheiro, transação suspeita, IA explicável, XAI,
aprendizado de máquina, aprendizado profundo, estatistaÿ ) usadas para
pesquisar artigos na biblioteca Scopus. O critério de busca por palavra-chave foi
“Pesquisar em: Título do artigo, Resumo, Palavras-chave” na biblioteca Scopus.
Somente artigos publicados e revisados por pares são considerados para revisão
adicional.
Após folhear a lista de artigos encontrados nos resultados da busca, os
mesmos foram classificados em 6 categorias conforme apresentado na
TABELA 2.
de conformidade, tipologias e relatórios de estudos de caso que descrevem
casos de lavagem de dinheiro. • Penalidades por não
conformidade – jornais de mídia, sites dos respectivos institutos financeiros,
sites regulatórios.
Esta fonte de informação indica a eficácia das actuais soluções
utilizadas para combater o branqueamento de capitais, sem entrar
explicitamente em muitos detalhes.
4. RESULTADOS
Nas instituições financeiras, todos os dados de transações provenientes de vários
sistemas bancários internos, como banco de varejo,

VOLUME 9, 2021 82303

Machine Translated by Google
DV Kute et al.: DL e técnicas explicáveis de inteligência artificial aplicadas para detectar lavagem de dinheiro

TABELA 3. Métodos de aprendizado de máquina usados no domínio AML.

1) REVISÃO DOS MÉTODOS DE APRENDIZAGEM DE MÁQUINA UTILIZADOS PARA
DETECÇÃO DE LAVAGEM DE DINHEIRO

Uma revisão da literatura sobre lavagem de dinheiro e áreas relacionadas

foi conduzida por [3], com o objetivo de identificar as lacunas e direcionar a
atenção para resolvê-las. As principais conclusões são categorizadas em
seis grupos como: (i) estrutura e eficácia da LBC, (ii) impacto da lavagem
de dinheiro na economia, (iii) ecossistema e motivação da lavagem de
dinheiro, (iv) magnitude do dinheiro lavado, (v) vias para lavagem de
dinheiro e (vi) métodos de detecção de lavagem de dinheiro. De acordo
banca de consumo, gestão de património, banca institucional, etc.; flui
com as conclusões de [3], a maioria dos estudos de detecção de
através do sistema AML baseado em regras, onde cada transação é
branqueamento de capitais centraram-se em transacções em bancos,
avaliada em relação às regras predefinidas para identificar (a) as transações empresas imobiliárias e comerciais; no entanto, a literatura sobre a detecção
de US$ 10.000 ou mais, (b) dinheiro transferido de e para o exterior, e (c)
de empresas de fachada utilizadas para lavagem de dinheiro é escassa.
atividades suspeitas envolvendo lavagem de dinheiro ou fraudes
Descobriu-se que as empresas shell estabelecidas apenas no Reino Unido
financeiras. Embora os sistemas baseados em regras sejam essenciais nos
estavam ligadas ao branqueamento de £80 mil milhões entre 2010 e 2014.
bancos e funcionem bem para identificar transações de acordo com regras
O documento [3] destacou esta lacuna na literatura e propôs a necessidade
predefinidas (categoria 'a' e 'b'), mas têm dificuldade em detetar os padrões
de desenvolver estratégias para identificar as empresas shell envolvidas
de fraude emergentes (categoria 'c'). Se a transação estiver de acordo com
em atividades ilícitas. Atividades.
a regra, uma bandeira vermelha ou alerta é acionado, que é processado e
reportado ao regulador. A base para a definição de regras são os valores-
Uma pesquisa abrangente conduzida por [13] apresenta algoritmos e
limite para diferentes tipos de transações com base nos requisitos
métodos de aprendizado de máquina aplicados para detectar transações
regulamentares [4], [5] e nas recomendações dadas pelo GAFI [1].
suspeitas. Os resultados estão organizados em 6 categorias de soluções
– tipologias AML, detecção de anomalias, modelagem de comportamentos,
análise de links, capacidade geográfica e pontuação de risco. Vários
Os principais problemas com sistemas baseados em regras da
métodos são analisados e comparados.
'perspectiva de detecção de transações suspeitas' são: manter as regras
Os autores identificaram os principais recursos do sistema AML como
sempre atualizadas e relevantes, e pesar regras diferentes é quase
preparação eficiente de dados, transformação de dados e técnicas de
impossível [32], gerar um grande número de alertas falsos positivos – até
análise de dados. As principais conclusões da revisão são: foco inadequado
98% [33] e incapacidade de lidar com um grande volume de diferentes
na garantia da qualidade dos dados na investigação publicada. A direção
tipos de dados estruturados, dados semiestruturados ou dados não
da pesquisa futura é empregar o aprendizado por reforço para treinar o
estruturados [13]. Mais alertas significam mais esforços do responsável
modelo considerando a agilidade das operações financeiras.
pela conformidade para analisá-los. Se a equipe confirmar que a transação
pode ser justificada o suficiente para ser verdadeiramente suspeita, então
Uma revisão conduzida por [21] revelou os algoritmos de aprendizado
o banco é obrigado a reportar o mesmo preenchendo um SMR junto ao
de máquina usados para identificar os padrões de lavagem de dinheiro,
regulador [4], [5]. A decisão de concluir uma transação é suspeita é uma
detectar comportamentos incomuns, identificar grupos de lavagem de
decisão muito importante, se der errado o banco pode acabar denunciando
dinheiro e detectar grupos de lavagem de dinheiro.
um bom cliente ao regulador para investigação adicional, o que pode
Os algoritmos/técnicas de ML identificados são: métodos baseados em
resultar em uma investigação criminal pelas autoridades e a não identificação
regras, árvores de decisão, redes neurais artificiais (RNA), máquinas de
de maus clientes pode resultar em continuar as atividades de lavagem de
vetores de suporte (SVM), floresta aleatória, métodos de detecção de
dinheiro, alavancando os sistemas bancários e aumentando o crime
outliers, análise de redes sociais (SNA), Naive Bayes, K-vizinho mais
financeiro.
próximo (KNN), Deep Learning, Graph Mining, K-Means Clustering e One
Class SVM. Esses métodos identificados foram exaustivamente estudados
e comparados para apresentar como se comportam para conjuntos de
Considerando as limitações dos sistemas baseados em regras, os
dados grandes e altamente desequilibrados. As principais conclusões
pesquisadores começaram a aproveitar as tecnologias de aprendizado de
desses artigos são: cada método tem alguns pontos fortes e fracos,
máquina para identificar automaticamente os padrões de transações
portanto, o método precisa ser aproveitado de acordo com as circunstâncias,
suspeitas usando uma variedade de categorias de soluções, como tipologias
embora o ML supervisionado e semissupervisionado tenha mostrado
AML, análise de links, modelagem comportamental, pontuação de risco,
resultados decentes e considerado soluções prontas para uso, mas não
detecção de anomalias e capacidade geográfica [13]. pode encontrar novos padrões de BC e ter uma alta taxa de falsos positivos,
portanto, o autor considera que o BC não supervisionado é o caminho a
A. APRENDIZAGEM DE MÁQUINA seguir para detectar novos padrões de lavagem de dinheiro.
Existem vários artigos de revisão abrangentes e sistemáticos publicados ao
longo da década que descrevem métodos de mineração de dados e Uma revisão da literatura conduzida por [24] concentra-se nos artigos
aprendizado de máquina aplicados no domínio AML. Este artigo não publicados entre 2015 e 2020 para compreender o estado da arte em
descreverá esses métodos novamente aqui; em vez disso, listará os artigos sistemas AML, apresenta os resultados usando as seguintes categorias -
de revisão mais recentes na TABELA 3: aprendizagem supervisionada, aprendizagem não supervisionada

82304 VOLUME 9, 2021

Machine Translated by Google
DV Kute et al.: DL e técnicas explicáveis de inteligência artificial aplicadas para detectar lavagem de dinheiro
aprendizagem, fontes de dados, métodos de avaliação, ferramentas de implementação,
técnicas de amostragem e regiões de estudo. As principais descobertas de [24] são:
Árvore de decisão, Radom Forest e SVM são algoritmos usados com mais frequência no
sistema AML da categoria supervisionada, redes neurais são usadas principalmente na
categoria não supervisionada; Precisão, Área Sob a Curva (AUC) e precisão são
utilizadas para avaliação do modelo; a maior parte dos dados utilizados para a investigação
foram dados de clientes e transações bancárias; no entanto, existem muitos outros
métodos de lavagem de dinheiro, como restaurantes, hotéis e escritórios de advocacia,
que não são suficientemente pesquisados.
2) UMA REVISÃO DAS TÉCNICAS DE MINERAÇÃO DE DADOS EM FINANÇAS
DETECÇÃO DE FRAUDE
Uma revisão abrangente da literatura foi conduzida por [20] sobre a
aplicação e classificação de técnicas de mineração de dados para detecção
de fraude financeira, revisando criticamente 49 artigos de periódicos
publicados entre 1997 e 2008. A fraude financeira é classificada em quatro
categorias como – fraude bancária, fraude de seguros fraude, fraude de
valores mobiliários e mercadorias e outras fraudes financeiras relevantes.
As técnicas de mineração de dados são classificadas em seis categorias
– (i) classificação, (ii) regressão, (iii) previsão, (iv) detecção de outliers, (v)
visualização e (vi) agrupamento. As principais conclusões são: as técnicas
de mineração de dados são amplamente aplicadas na detecção de fraudes
de seguros, seguidas de fraudes corporativas e de cartões de crédito, e
identificou-se a necessidade de aplicar essas técnicas em lavagem de
dinheiro, fraude hipotecária e fraude de valores mobiliários. Apenas foi
encontrada uma técnica de “análise de rede” para detecção de
branqueamento de capitais. Caso contrário, em grande parte modelos
logísticos, redes neurais, redes neurais bayesianas e árvores de decisão
são usados para detecção de fraudes em geral.
3) UMA PESQUISA DE MÉTODOS ESTATÍSTICOS DE DETECÇÃO
DA LAVAGEM DE DINHEIRO
Sudjianto et al. [29] forneceram um levantamento de métodos estatísticos,
mineração de dados e técnicas de aprendizado de máquina usadas para
detecção de lavagem de dinheiro e fraudes bancárias de varejo.
Os autores identificaram os principais desafios como volume e complexidade
de dados, desequilíbrio de classes, padrões de evolução frequente,
sobreposição de classes e rotulagem incorreta de classes. Os métodos
revisados são classificados em duas categorias: aprendizagem
supervisionada contendo perfil, classificação (SVM, BBN, HMM, rede
neural, árvore de classificação e regras de classificação) e análise de links;
e aprendizagem não supervisionada contendo agrupamento, representação
e pontuação de baixa dimensão e detecção de anomalias. A principal
conclusão é que alguns métodos são utilizados de forma eficaz, no
entanto, também é enfatizado colocar mais foco na prevenção da fraude,
por exemplo – formação e sensibilização dos funcionários, definição de
políticas e procedimentos.
4) UMA REVISÃO DE SOLUÇÕES TECNOLÓGICAS PARA AML Uma
revisão sistemática da literatura conduzida por [26], sobre a aplicação de
soluções tecnológicas para combater a lavagem de dinheiro, revisando 71
artigos publicados entre 1997 e 2019. Os resultados são apresentados
usando o seguinte
VOLUME 9, 2021
categorias – domínios de abordagens de aplicação e classificação de
sistemas de apoio. Os domínios de aplicação são definidos como detecção
de transações suspeitas, detecção de padrões/grupos/anomalias de
lavagem de dinheiro, avaliação/análise de risco, aplicações de segurança,
controle, estruturação e/ou governança e análise visual/aplicações de
técnicas visuais. As categorias de mecanismos de suporte são definidas
como sistemas/software/ferramentas/linguagens de programação, hardware,
padrões/teorias/estruturas, algoritmos/aplicações matemáticas (mineração
de dados e aprendizado de máquina). As principais conclusões de [26] são
que, entre os domínios de aplicação, a detecção de transações suspeitas
atraiu mais atenção dos pesquisadores, do ponto de vista da adoção de
sistemas de suporte, as técnicas de mineração de dados raramente foram
usadas para detecção de lavagem de dinheiro. Uma lacuna importante
identificada nos documentos foi a necessidade de descrição da análise de
dados e evidências para apoiar os benefícios apresentados.
Além das revisões listadas nas 4 categorias acima, [25] apresenta a
revisão dos métodos de detecção de anomalias para detecção de fraudes
usando estruturas gráficas, [27] apresenta a análise de detecção de
anomalias, aprendizado de máquina e redes neurais, e [28] apresenta o
medidas para detecção de fraudes.
É evidente a partir da literatura descrita acima que métodos estatísticos e diversas
técnicas de aprendizado de máquina têm sido utilizados para detecção de lavagem de
dinheiro. Entretanto, a elaboração do uso da técnica de EAD é muito limitada. A seção a
seguir descreve as técnicas de EAD utilizadas para lavagem de dinheiro conforme a
literatura.
B. APRENDIZAGEM PROFUNDA
Técnicas de aprendizagem profunda têm sido usadas em vários campos
para previsões e fornecem resultados altamente precisos [34]–[36]. Houve
alguns desafios com a EAD, como a necessidade de computação pesada
e de mais dados. No entanto, no mundo de hoje esses desafios não são
mais um grande problema.
Esta seção descreve a literatura existente focada no uso de métodos de
EAD para detectar lavagem de dinheiro.
1) REDE NEURAL CONVOLUCIONAL DE GRÁFICO ESCALÁVEL Weber et al. [22]
usaram rede neural convolucional de gráfico escalável para análise forense de dados
financeiros que são massivos, densos e dinâmicos por natureza. O resultado da análise
em formato visual é apresentado como um dos suportes de decisão eficazes para os
analistas de AML que estão envolvidos na revisão de uma grande quantidade de alertas
gerados por sistemas de AML baseados em regras. O método foi desenvolvido e avaliado
por meio do gráfico sintético (1M nós e 9 M arestas) gerado pela ferramenta simuladora
de dados AMLSim. O vértice representa a conta com atributos como número da conta,
tipo de conta, nome do proprietário e data de criação da conta. A borda representa a
transação com atributos como ID da transação, valor e carimbo de data/hora. Usando
alertas escalonados e SMRs como dados de rótulo, um modelo de aprendizagem
semissupervisionado prevê a suspeita de um determinado nó e potenciais malfeitores na
rede de transações com base nas conexões diretas ou indiretas com o nó. O autor
executou o experimento em uma estação de trabalho com
82305
Machine Translated by Google
DV Kute et al.: DL e técnicas explicáveis de inteligência artificial aplicadas para detectar lavagem de dinheiro
modelo de dois gráficos profundos. Primeiro usando o modelo gráfico GCN
desenvolvido por [37], que levou 611 segundos para convergir em 32
épocas. Segundo experimento usando o modelo gráfico aprimorado
FastGCN [38], que levou 386 segundos para convergir para o mesmo
número de épocas. FastGCN é duas vezes mais rápido que GCN.
Considerando a enorme quantidade de dados financeiros que equivalem a
milhões de transações por segundo, a velocidade do treinamento é
importante para identificar oportunamente as atividades suspeitas. As
principais conclusões deste estudo [22] são: o aprendizado profundo de
gráficos também tem emergido como uma ferramenta importante para AML,
devido à natureza do domínio onde os relacionamentos podem ser
facilmente estabelecidos usando dados de contas como nós e dados de
transações como bordas, e o o modelo é capaz de lidar com o grande
volume de dados, porém o autor recomenda melhorias adicionais para
reduzir o tempo de treinamento.
2) REDE NEURAL CONVOLUCIONAL MULTICANAL Han et al. [39]
desenvolveram uma nova estrutura distribuída e escalável usando tecnologia
de processamento de linguagem natural (PNL) orientada por DL para
aumentar o monitoramento e investigação de AML. A estrutura proposta
realiza diferentes níveis de análise de sentimento, identificação de entidade,
extração de relacionamento e análise de link em diferentes fontes de
dados, como notícias, tweets, mídias sociais, etc. Cada módulo de PNL usa
uma fonte de dados específica para realizar a análise e trazer as
recomendações. A estrutura proposta é baseada em arquitetura distribuída
orientada a microsserviços e plataforma de integração baseada em AMQP,
banco de dados como Cassandra, Neo4j e MySQL junto com Twitter e
mecanismo de notícias. São considerados dois tipos de dados – dados
financeiros que incluem KYC, Cliente, Conta, Transações; e dados abertos
que incluem artigos de notícias financeiras, relatórios financeiros, bancos
de dados abertos sobre fraudes e conteúdos de mídia social. O sistema
começa identificando as transações suspeitas e, em seguida, os principais
atributos são extraídos das transações alertadas, como nome, localização
e detalhes da conta, que são usados pelos próximos módulos de PNL. Por
fim, a pontuação de confiança da transação suspeita (num intervalo de 0,00
a 1,00) é calculada e apresentada usando as evidências produzidas pelos
seguintes módulos – TM, triagem de nomes, base de conhecimento de
fraude, tendência de análise de sentimento e módulo de desambiguação
de entidade. A análise de sentimento é usada para identificar a polaridade
do sentimento – positiva ou negativa. O autor usou classificador de
sentimento baseado em rede neural convolucional multicanal para processar
notícias financeiras e classificador de sentimento baseado em CNN para
dados de mídia social. A extração de relação é usada para prever a relação
entre pares de entidades na frase. O classificador SA de nível de documento,
treinado em 12.467 artigos de notícias financeiras auto-rotulados, alcançou
76,96% de precisão. O autor usou um método baseado em pipeline para
tarefas de extração de relacionamento. O reconhecimento de entidade de
nome (NER) é realizado usando uma combinação de dois métodos –
reconhecedor Stanford NER e NRE neural baseado na estrutura LSTM-
CRF. O modelo NER foi avaliado nos dados da tarefa 8 do SemEval 1010
e relatou 80,62% de medida micro-f1.
Para lidar com problemas de múltiplas instâncias, o autor desenvolveu um
RNN com atenção em nível de palavra e frase para
82306
previsão de relação. O modelo RNN relatou precisão de 88% usando a
avaliação pós-medida P@100 no conjunto de dados do New York Times. O
experimento geral é realizado em conjuntos de dados sintéticos e do mundo
real. Os resultados são verificados por especialistas em AML que
mencionaram que aproximadamente 30% dos custos podem ser
economizados em relação à abordagem manual existente de investigação de AML.
Para dar uma perspectiva dos esforços manuais, os autores deram um
exemplo de banco, onde 10.000 analistas investigaram globalmente mais
de 400.000 alertas de transações suspeitas por semana.
Como um processo de investigação manual, os analistas são obrigados a
investigar diversas fontes de dados que incluem pesquisa de notícias,
triagem de nomes, consulta de bancos de dados de fraude, registros de
crimes, crimes de fraude ou quaisquer atividades suspeitas existentes. O
autor identificou as áreas de melhoria que podem ser consideradas para
pesquisas futuras: considerar dados específicos do domínio e ajustar os
parâmetros, dimensionar e implantar sistema na nuvem para processar
grandes dados em tempo real, adaptar a solução e avaliá-la em outros
domínios.
3) AutoEncoder
Paula et al. [23] propuseram o modelo de aprendizagem profunda não
supervisionada para classificar os exportadores brasileiros para descobrir
a possibilidade de cometerem fraudes nas exportações. O modelo usa o
classificador AutoEncoder para detectar anomalias considerando os padrões
regulares de transação nos dados. As exportações brasileiras chegam a
cerca de 200 países com a ajuda de 50 mil pessoas jurídicas envolvidas no
transporte das mercadorias. O autor utiliza o banco de dados de comércio
exterior da Secretaria da Receita Federal do Brasil para aplicar o modelo
DL e descobrir as organizações exportadoras cujas variáveis explicativas
de suas operações de exportação apresentam sinais de divergência em
relação ao padrão regular. O artigo seguiu a metodologia CRISP-DM para
implementação, considerando a flexibilidade do modelo.
Dois métodos são avaliados – AutoEncoder e PCA usando 819.990 registros
e software H2O e pacote H2O R.
Do ponto de vista da preparação de dados, 80 atributos foram confirmados
pelas PME como adequados para provar exportações fraudulentas.
Esses 80 atributos passaram por mudanças - usando o Gradient Boosting
Machine (GBM), o autor identificou 18 atributos para explicar 80% de
variabilidade e 18 atributos foram relativizados para criar 18 índices. Esses
18 índices refletem a participação do atributo no qual se buscam anomalias.
Para detectar anomalias, dois métodos são avaliados: AutoEncoder e PCA.
O AutoEncoder é 20 vezes mais rápido que o PCA, o AutoEncoder encontra
as anomalias sutis que o PCA não consegue detectar e pode detectar as
anomalias mesmo com dimensões latentes mais altas que o PCA linear
não consegue. O PCA requer mais computação do que o AutoEncoder. O
método Mean Square Error é usado para medir a distância entre as
previsões e os dados reais. O autor reconheceu a dificuldade em avaliar os
resultados em relação aos objetivos de negócio a serem alcançados. Este
trabalho identificou os casos suspeitos de exportações fraudulentas
utilizando EAD não supervisionada que parecem promissores, no entanto,
necessitam de uma avaliação mais aprofundada por especialistas.
Dependendo dos resultados da avaliação feita por especialistas, o modelo
VOLUME 9, 2021
Machine Translated by Google
DV Kute et al.: DL e técnicas explicáveis de inteligência artificial aplicadas para detectar lavagem de dinheiro
pode ser necessário ajustar o número de camadas ocultas e neurônios para
obter melhores resultados.
4) GRÁFICO DE REDE NEURAL CONVOLUCIONAL Alarab et al. [40]
apresentaram uma nova abordagem baseada em rede neural convolucional gráfica para
prever transações ilícitas no gráfico de transações bitcoin. O método proposto utilizou GCN
juntamente com perceptron multicamadas, que deu melhores resultados do que apenas
GCN usado no artigo de pesquisa original. Os recursos derivados do GCN e a representação
latente de uma camada linear aumentam o desempenho do modelo. A abordagem proposta
é avaliada usando dados elípticos, um conjunto de dados publicamente disponível que
pertence a transações reais de Bitcoins, que é representado como uma rede gráfica
direcionada de transações que são nós, as arestas direcionadas entre as transações
representam o fluxo de pagamento da origem ao destino . O conjunto de dados é rotulado
como lícito e ilícito.
A rede gráfica contém 203.769 transações de nós e 234.355 arestas que
representam o fluxo de pagamentos entre os nós. 2% do conjunto de dados
são rotulados como ilícitos, enquanto 21% são rotulados como transações
lícitas. A precisão deste modelo é de 0,974, enquanto a precisão dos
modelos anteriores comparados é de 0,961. O tempo real da transação não
é utilizado como recurso no modelo proposto, o que é identificado como um
recurso adicional para o modelo experimentar no futuro.
5) PERCEPTRON MULTI-CAMADA
Weber et al. [41] propôs um método de multiclassificação para detectar
comportamentos suspeitos e categorizar crimes relacionados à lavagem de
dinheiro usando SVM, Liner Regression (LR) e Multi-Layer Perceptron. Dois
modelos são produzidos.
O Modelo 1 foi treinado usando métodos SVM, LR e MLP (com função de
ativação ReLU), fornecendo entradas como transações financeiras e dados
de perfil, que fornecem o conjunto de dados de transações suspeitas como
saída, e o Modelo 2 é treinado usando os mesmos métodos, fornecendo o
insira o conjunto de dados como transações fraudulentas e transações
suspeitas para determinar as transações suspeitas junto com a categoria do
crime. O autor usou os dados sintéticos para treinamento e teste. As taxas
de precisão do modelo são –88,13, 87,53 e 90,42 para SVM, LR e MLP,
respectivamente.
C. IA EXPLICÁVEL
O avanço na infraestrutura de computação e armazenamento, a geração
contínua de grandes volumes de dados e a necessidade de utilizar esses
dados para obter insights acionáveis aumentaram a pesquisa em metodologia
de aprendizado de máquina na última década. A previsão precisa
permaneceu como objetivo principal durante o desenvolvimento do modelo
e acabou gerando muitos modelos complexos ou modelos caixa preta, como
modelos DL com alta precisão. Esses modelos complexos são opacos,
cujas ações são difíceis de serem compreendidas pelos humanos. O
a falta de transparência, interpretabilidade e explicabilidade dos modelos DL/
ML está dificultando a adoção para os domínios (médico, bancário, criminal,
jurídico) onde se espera que as previsões ou recomendações feitas pelas
caixas pretas
VOLUME 9, 2021
ser usado para tomar decisões críticas que envolvem a vida humana.
Nem todos os domínios exigem explicabilidade, por exemplo: a previsão do
tempo não precisa de explicação se a caixa preta puder fornecer resultados
altamente precisos. Da mesma forma, os anúncios exibidos nas redes
sociais com base no hábito de navegação não necessitam da explicação de
como os anúncios são escolhidos.
A IA explicável tornou-se um pré-requisito para construir a confiança e
impulsionar a adoção de sistemas de IA em domínios de alto risco, como
crime financeiro, riscos de crédito, cuidados de saúde que exigem
confiabilidade, segurança e justiça [42], [43]
[18]. Os regulamentos como o Regulamento Geral sobre a Proteção de
Dados (RGPD) [44], particularmente os «registos de atividades de
tratamento» e o «direito a ser informado»; e a Lei do Consumidor Privado
da Califórnia (CCPA) [45] também impuseram os mandatos de
interpretabilidade e explicabilidade para a maioria das soluções de IA/ML no
domínio de conformidade regulatória.
Para detectar padrões de lavagem de dinheiro, transações suspeitas,
anomalias; ou para realizar as tarefas investigativas utilizando análise de
links ou mineração de grafos, muitos métodos de aprendizado de máquina
são encontrados na literatura, com razoável precisão. Para o domínio AML,
onde as transações suspeitas devem ser comunicadas às autoridades
regulatórias através da preparação dos SMRs, é fundamental incluir
evidências adequadas que justifiquem a suspeita. Como a maioria dos
modelos de aprendizado de máquina que oferecem alta precisão são de
natureza caixa preta, ele não consegue criar confiança no uso do sistema
habilitado para IA/ML.
Para avaliar a interpretabilidade dos modelos de ML recomendados
para o domínio AML, realizamos um estudo de 77 artigos de pesquisa
(identificados na categoria ''Métodos em AML'' conforme TABELA 2) que
apresentaram um modelo único para detecção de lavagem de dinheiro .
A TABELA 4 apresenta o resultado deste estudo.
Escolhemos 43 artigos que descreviam os métodos de ML e excluímos os
artigos que descreviam abordagem, arquitetura de sistema ou artigos de
outros domínios. Os métodos são classificados nas categorias de
aprendizagem supervisionada, semissupervisionada, não supervisionada e
por reforço. A coluna do problema indica o principal problema abordado
pelos métodos que usam os dados do artigo mencionado na coluna Ref . O
significado de interpretabilidade na coluna 'O método é interpretável' é a
capacidade do método de apresentar indicadores que podem ajudar os
humanos a compreender o funcionamento do método para saber como as
decisões são tomadas pelo método.
A FIGURA 2 mostra a análise baseada nos 43 artigos filtrados que
fornecem as soluções usando modelos de aprendizado de máquina para
detecção de padrões de lavagem de dinheiro, detecção de transações
suspeitas, detecção de grupos de lavadores de dinheiro e ajuda na
investigação usando análise de links. A FIGURA 2.a mostra que o maior
número de artigos foi publicado no ano de 2020 no domínio AML, o que
indica a crescente atenção que o assunto está recebendo para aproveitar a
tecnologia de aprendizado de máquina para ajudar a resolver um dos
problemas altamente complexos da indústria.
A FIGURA 2.b mostra que 51% dos pesquisadores usaram métodos não
interpretáveis. A FIGURA 2.c mostra que 65% dos métodos são baseados
em aprendizagem supervisionada, enquanto apenas 2% usaram modelos
de aprendizagem por reforço. A FIGURA 2.d mostra 58% de métodos
82307
Machine Translated by Google
DV Kute et al.: DL e técnicas explicáveis de inteligência artificial aplicadas para detectar lavagem de dinheiro

TABELA 4. Interpretabilidade dos métodos utilizados para LMA.

são treinados ou avaliados em um pequeno conjunto de dados reais seguintes organizações – instituições financeiras, unidades de inteligência
mais de 2 anos. 21% das pesquisas são feitas com base em dados financeira, departamento de polícia e organizações envolvidas
sintéticos. Observa-se que os dados reais são obtidos de nas exportações.

82308 VOLUME 9, 2021

Machine Translated by Google
DV Kute et al.: DL e técnicas explicáveis de inteligência artificial aplicadas para detectar lavagem de dinheiro
TABELA 4. (Continuação) Interpretabilidade dos métodos utilizados para AML.
Dadas as etapas envolvidas no combate à lavagem de dinheiro e os
esforços envolvidos por várias organizações em conjunto, torna-se mais
crítico identificar as transações, padrões e grupos suspeitos de lavagem
de dinheiro com a maior precisão possível, juntamente com uma explicação
adequada para as decisões tomadas pelo mod ML. -els. À medida que a
precisão do modelo aumenta, a interpretabilidade diminui e, para saber
como os modelos estão tomando decisões, é necessário que seja
interpretável. Até agora, o foco da pesquisa tem sido mais em aumentar a
precisão do modelo e não em garantir a interpretabilidade do modelo. Isso
desencadeou outra área de pesquisa que é a IA explicável.
XAI é uma classe de sistema que fornece visibilidade de como um
sistema de IA toma decisões, prevê e executa suas ações [86]. Área de
pesquisa interdisciplinar, XAI tem atraído grande atenção de pesquisadores
de todo o mundo. As técnicas XAI são aplicadas em outros domínios
relacionados, como, no domínio bitcoin [87] apresentou um estudo
VOLUME 9, 2021
da aplicação de técnicas XAI para visualizar e compreender os resultados
obtidos da aprendizagem não supervisionada, [88] apresentou uma técnica
explicável de detecção de anomalias para detecções de fraude em compras;
porém não foram encontradas pesquisas na literatura que descrevam a
aplicação de técnicas de XAI no domínio da lavagem de dinheiro. Esta é
uma clara lacuna e potencial para pesquisas futuras.
O estudo realizado por [89] reforça a necessidade de compreender o
ambiente operacional dos stakeholders que vão utilizar as explicações
geradas pelos métodos XAI, para apoiar o seu processo de tomada de
decisão. O autor propõe um método de elicitação de requisitos baseado
em cenários para desenvolver explicações centradas no usuário usando
métodos XAI para detecções de fraude. Conhecendo a falta de
interpretabilidade e explicabilidade dos modelos de caixa negra, os
investigadores já fizeram progressos exponenciais na criação de diferentes
abordagens post-hoc nos últimos 5 anos. Existem vários
82309
Machine Translated by Google
DV Kute et al.: DL e técnicas explicáveis de inteligência artificial aplicadas para detectar lavagem de dinheiro
FIGURA 2. Análise de interpretabilidade dos métodos de ML utilizados na LMA.
artigos de revisão publicados sobre técnicas XAI que descrevem
conceitos, taxonomia, métodos e desafios; a maioria
artigos de revisão abrangentes recentes sobre o assunto XAI estão listados
na TABELA 5.
Existem várias razões pelas quais a explicação é necessária
para as decisões tomadas por modelos de caixa preta baseados em
o assunto do domínio de pesquisa, por exemplo – regulatório
domínio do aplicativo deseja que a explicação justifique o
decisões, o domínio do aplicativo de segurança deseja que a explicação
controle os dados subjacentes e o IP que podem ser
descobertos, alguns domínios precisariam da explicação para
melhorar as decisões, outros domínios precisariam da explicação para
descobrir o conhecimento [90]. Outros autores
discutimos o tópico usando 5 W's e Como (O quê, Quem,
Quando, Por que, Onde e Como) para trazer à tona o existente
literatura.
A pesquisa, realizada por [91], está enfatizando a literatura baseada na
importância da confiança no sistema e em uma necessidade genuína de
explicabilidade, transparência e
Interpretabilidade para aplicações de IA no judiciário, governo, finanças e
transporte autônomo.
O trabalho explicável de IA é categorizado em dois grupos
[92]–(i) design de transparência que se concentra no interno
funcionamento do modelo do ponto de vista do desenvolvedor e
(ii) design post-hoc, que explica por que um resultado é inferido
do ponto de vista do usuário.
O estudo conduzido por [16] explicou os conceitos subjacentes de
explicabilidade do modelo, taxonomias XAI,
oportunidades, desafios e caminho a seguir para uma gestão responsável
82310
IA. O propósito e os conceitos do XAI são discutidos usando o que,
aspectos por que, para quê e como . A revisão do XAI é
apresentado usando duas categorias - (i) potencialmente interpretável
modelos - os modelos de ML com algum nível de transparência
para torná-lo interpretável (como regressão linear/logística,
árvore de decisão, K-vizinhos mais próximos, aprendizagem baseada em regras,
modelos aditivos gerais e modelos bayesianos) e (ii)
técnicas post-hoc (agnósticos de modelo, técnicas post-hoc
para modelos superficiais, explicabilidade em DL e alternativas
taxonomia para técnicas post-hoc para modelos DL) que
ajuda a tornar os modelos de ML interpretáveis; resultando em
uma taxonomia global. Além disso, o autor conduz a discussão
rumo à IA Responsável, definindo os princípios de IA (justiça, transparência
e privacidade) a seguir na implementação de modelos de IA. Observa-se
que a implementação do XAI tem
algumas implicações, especialmente no comprometimento da privacidade
envolvidos pelos dados e regras de negócios que são de natureza
confidencial. A visão do autor é que a interpretabilidade do modelo deve
ser abordada juntamente com os requisitos e
restrições de privacidade de dados, confidencialidade do modelo, justiça e
responsabilidade.
Pesquisadores da integração neural-simbólica (NSI)
tentou extrair o conhecimento relacional de redes neurais
propondo vários métodos, mas permaneceram um desafio
para extrair características distintas e salientes da entrada e
camadas ocultas. Além disso, surgiram métodos para identificar a relação
entre as características. Townsend et al. [93]
apresentou uma revisão dos antigos e novos métodos de extração sem
explicação relacional. A revisão apresenta
VOLUME 9, 2021
Machine Translated by Google
DV Kute et al.: DL e técnicas explicáveis de inteligência artificial aplicadas para detectar lavagem de dinheiro
TABELA 5. Artigos explicáveis de revisão de IA.
29 métodos de extração de conhecimento agrupando-os em 3 categorias –
(i) trabalho que extrai apenas recursos quantizados, (ii) trabalho que extrai
recursos quantizados junto com relacionamento e (iii) métodos de
incorporação com métodos de extração associados.
Devido ao aumento no desempenho dos modelos de redes neurais
profundas, mas com atraso na explicabilidade, levou muitos pesquisadores
a criar diferentes métodos interpretáveis de aprendizado de máquina.
Esforços significativos foram feitos para produzir diferentes métodos
interpretáveis, dos quais os métodos interpretáveis locais se destacam pela
expressão clara de características e pelo ponto de vista de baixa
complexidade computacional [94]. Os métodos interpretáveis locais para
DNN publicados entre 2012 e 2020 são categorizados em dois grupos [94]
como (i) orientados por modelo – descreve 20 métodos e (ii) orientados por
dados – descreve 27 métodos.
Li et al. [95] revisaram uma literatura de XAI publicada na última década
e apresentada usando três fases do ciclo de vida de XAI – metodologia,
avaliação e aplicação. A metodologia é apresentada usando duas categorias
– (i) XAI orientado ao conhecimento , que requer conhecimento externo
para produzir a explicação, e (ii) métodos XAI orientados a dados , que são
revisados do ponto de vista de métodos globais, locais e específicos da
instância. As métricas de avaliação XAI são classificadas em duas
categorias – métricas computacionais (geralmente padronizadas e
automatizadas por especialistas em IA) e métricas cognitivas (geralmente
coletadas por estudo de usuários). Outro autor revisou o aplicativo XAI para
IA autônoma e financeira.
Existem várias maneiras de analisar a explicação necessária para as
decisões tomadas pelos modelos de caixa preta. Uma abordagem é a
explicação baseada em evidências que descreve os detalhes dos
parâmetros que contribuíram para a tomada de decisão. Outra abordagem
são as explicações Contrafactuais (C&C) que justificam por que a saída
dos algoritmos não é diferente do que é e como poderia ser alterada,
respectivamente. [96] examinaram a base teórica para explicações de
C&C e relataram a computação de última geração
VOLUME 9, 2021
estruturas para gerar as explicações C&C e identificou as deficiências que
podem ser um tema de pesquisas futuras.
Linardatos et al. [97] apresentaram uma revisão abrangente dos métodos
de interpretabilidade de aprendizado de máquina usando 4 categorias - (i)
Métodos para explicar modelos de caixa preta (17 métodos focados em
interpretações de métodos DL, 16 métodos que podem explicar qualquer
modelo de caixa preta), (ii) métodos para a criação de modelos de caixa
branca (5 métodos), (iii) métodos que promovem a justiça e restringem a
discriminação, (iv) métodos que analisam a sensibilidade das previsões
do modelo (28 métodos). A maioria dos métodos de interpretabilidade são
focados em DL, amplamente governados por redes neurais, e são
experimentados com explicação de classificação de imagens. Explicações
Agnósticas de Modelo Interpretável Local (LIME) [99] e SHapley Additive
exPlana-tions (SHAP) [100] são os métodos altamente referenciados e
experimentados para produzir explicações sobre modelos de caixa preta
que usam qualquer tipo de dados, seguidos por Gráficos de Dependência
Parcial (PDP).
Puiutta e Veith et al. [98] conduziram uma revisão da literatura XAI
mantendo o aprendizado por reforço no centro, porque a maioria das
revisões da literatura XAI gira em torno do aprendizado supervisionado. Na
aprendizagem por reforço, os modelos aprendem e tomam as decisões de
forma autónoma, sendo igualmente importante conhecer as razões ou
explicações por detrás das decisões.
Conhecer a necessidade e a importância de ter as respostas para as
seguintes perguntas dos modelos de IA – por que você fez isso, por que
não outra coisa, quando você teve sucesso, quando você falhou, quando
posso confiar em você, como corrigir um erro; A Agência de Projetos de
Pesquisa Avançada de Defesa dos EUA [101] iniciou um programa XAI de
4 anos para trabalhar no mesmo.
Embora haja um progresso gigantesco no método XAI, [102] argumenta
que o desenvolvimento em XAI é uma colcha de retalhos para os modelos
de ML existentes e que o grande esforço da comunidade de pesquisa está
indo na direção errada. O autor recomenda firmemente parar de usar os
modelos de aprendizado de máquina de caixa preta junto com técnicas XAI
para decisões de alto risco e, em vez disso, usar modelos interpretáveis. O
autor acredita que o esforço de pesquisa deve ser direcionado para o
desenvolvimento de novos modelos interpretáveis que possam fornecer a
precisão necessária.
V. DISCUSSÃO As
soluções de detecção de lavagem de dinheiro são categorizadas em dois grupos. A primeira
categoria é identificar as transações suspeitas, exemplo - [23], [40] apresentou os métodos
de aprendizagem profunda AutoEn-coder e Graph CNN, respectivamente, para identificar
transações suspeitas; e a segunda categoria é ajudar a investigar as transações suspeitas
identificadas ou alertas identificados por sistemas baseados em regras, que são comumente
chamados de sistemas de suporte à decisão, por exemplo - [22], [39] apresentou uma CNN
multicanal usando PNL e GCN escalável método como sistema de apoio à decisão para
investigação dos alertas, respectivamente.
Actualmente, muitas instituições financeiras utilizam sistemas baseados
em regras para detectar transacções (além de determinados valores
limiares, transferências internacionais de fundos e transacções suspeitas).
82311
Machine Translated by Google
DV Kute et al.: DL e técnicas explicáveis de inteligência artificial aplicadas para detectar lavagem de dinheiro
de qualquer natureza) que devem ser relatados aos órgãos reguladores para
estarem em conformidade com as políticas AML/CTF. Embora o sistema
baseado em regras seja crucial, ele gera muitos falsos positivos
alertas para transações suspeitas que exigem enorme manual
esforço para fazer a triagem do mesmo (exemplo - em um banco global,
aproximadamente 10.000 analistas investigam mais de 400.000 alertas por
semana [22]). Poucas instituições financeiras com experiência em tecnologia
começou a aproveitar a tecnologia AI/ML para automatizar tais atividades
para melhorar a precisão da detecção de atividades suspeitas [15], mas
ainda há um longo caminho para adoção por muitos
devido à falta de explicabilidade das decisões tomadas por
Modelos de IA/ML.
Nas últimas décadas vários artigos foram publicados
com diferentes técnicas de aprendizado de máquina resumidas
em muitos artigos abrangentes de revisão de literatura, como
como [3], [21], [24], [25], porém olhando para as penalidades
emitido pelas autoridades para instituições financeiras em um único ano
2019 [11], é evidente que os métodos publicados são
não é útil ou não é usado.
Apesar dos avanços tecnológicos da estatística
métodos, aprendizado de máquina para DL, gravidade de 'suspeitos
O problema de detecção de transações de lavagem de dinheiro permaneceu
mais ou menos constante desde as últimas duas décadas (exemplo Tang
e Yin [103] apresentou um método baseado em SVM em 2005, [32]
apresentou técnica baseada em aprendizado de máquina no ano 2020).
Muitos artigos de pesquisa são publicados apresentando a aplicação desses
métodos para detectar transações suspeitas e
alegou melhorias em dois dígitos, porém raras são as evidências sobre o uso
prático desses métodos por entidades relevantes
como instituições financeiras e o desempenho real em
termos de redução de alertas falsos positivos ou custo operacional
redução.
Redes Neurais de Grafos são observadas como uma das
método mais comumente usado para detecção de suspeitas
redes de transações e lavagem de dinheiro. Juntamente com
Considerando o potencial do uso de redes neurais gráficas, existem vários
desafios [104], como complexidades devido a sistemas de transação de alta
velocidade, sistemas em tempo real, multicanal
atualizações, tamanho dos dados, velocidade dos dados, variedade de dados e vários
aplicações de negócios envolvidas; o que torna prático
implementação mais difícil. Por isso é essencial considerar o
infraestrutura correta, ferramentas apropriadas e considerações para
esses desafios para melhorar o desempenho de futuras soluções baseadas
em gráficos.
A. PRINCIPAIS DESAFIOS PARA DETECÇÃO DE DINHEIRO
LAVAGEM
• Mudança de tela – Embora os avanços tecnológicos tenham tornado o
serviço bancário mais fácil para os clientes, mas
também apresentou novos caminhos para fraudadores. O aumento
em volume e frequência de transações, múltiplos canais de clientes,
liquidação de transações em tempo real, digital
bancário e a mudança nos padrões de fraude mantiveram a tela
mudando. Cenário regulatório em constante mudança
também tem sido um desafio para a indústria.
82312
• Classificação em várias etapas – A natureza inerente da 'detecção de
transações suspeitas de lavagem de dinheiro' é uma
problema de classificação em várias etapas, onde a decisão de
a suspeita é tomada em nível de transação, nível de alerta,
nível de caso, nível SMR e, finalmente, pelo nível de agência de
aplicação da lei e aplicação da lei. Poucas decisões são tomadas por software
e poucos requerem intervenção humana para investigação.
Somente um grau em que a transação é suspeita pode
ser melhorado em um sistema, porque se a transação é de fato
lavagem de dinheiro ou legítima é sempre
decidido por uma agência governamental bem estabelecida e
responsável no final.
• Adoção lenta da tecnologia de IA – embora muitos modelos complexos,
como redes neurais profundas, tenham dado
resultados promissores em termos de precisão e desempenho
noutros domínios, mas carece de transparência e
interpretabilidade dos modelos que cria uma barreira para a IA
adoção no domínio AML.
• Domínio AML de natureza confidencial – muitos
pesquisou metodologias para detectar suspeitas
as transações de lavagem de dinheiro são patenteadas e, portanto,
eles não são publicados por razões óbvias [105]. Esse
também cria uma lacuna/desconexão entre o que é de fato
aplicado na prática versus quais técnicas/métodos disponíveis para
resolver o problema.
B. RESTRIÇÕES PARA PESQUISADORES A PARTIR DE DADOS
PERSPECTIVA
• Dados reais – Bancos e instituições financeiras são os
todianos dos dados do cliente que incluem os dados do cliente
informações de identificação pessoal, os produtos e
dados de transações. Os dados do cliente não podem ser compartilhados
com qualquer pessoa que não seja o cliente, o que é limitado
aos seus próprios dados. Do ponto de vista da pesquisa de ''detecção
de transações suspeitas'', clientes, produtos e
as transações são a principal fonte de dados. As pesquisas
onde são usados dados reais, a maioria deles tem mais de dois anos
e uma fração dos dados que qualquer instituição financeira
possui.
• Dados de treinamento – Os dados de transações suspeitas e dados de
alertas de transações suspeitas são considerados altamente
dados confidenciais, uma vez que são usados pelos bancos para
preparar o SMR para submissão às autoridades regulatórias. Baseado em
o resultado da investigação do SMR por reguladores,
isso resulta no fechamento do SMR ou em investigação criminal contra
o titular da conta. Os bancos são obrigados
manter os SMRs confidenciais até mesmo do cliente que possui os
dados. Do ponto de vista da pesquisa
visualização, dados de transações suspeitas e dados de alertas de
transações suspeitas são dados de rótulos importantes para treinar o
modelo de ML supervisionado para detectar lavagem de dinheiro suspeita
transação.
• Autenticidade dos dados de treinamento – As transações envolvidas
na prática, a lavagem de dinheiro raramente é conhecida pelas
instituições financeiras, porque permanece informação confidencial
com os departamentos de aplicação da lei e reguladores.
VOLUME 9, 2021
Machine Translated by Google
DV Kute et al.: DL e técnicas explicáveis de inteligência artificial aplicadas para detectar lavagem de dinheiro
Estes são dados de rótulo precisos para treinar os modelos de ML
supervisionados para detectar transações suspeitas de lavagem de
dinheiro, mas não estão facilmente disponíveis.
• Velocidade e volume reais de dados – Todos os dias, o banco gera
milhões de transações de diferentes tipos através de vários sistemas
bancários e múltiplos canais. Trata-se de um grande volume de dados,
gerados em grande velocidade e com grande variedade. Muitos bancos
estão lutando para acompanhar a velocidade com que os dados são
criados e consolidando-os em conjunto para obter uma visão para
analisá-los e obter insights ou aplicar técnicas analíticas avançadas
para identificar lavagem de dinheiro e fraudes financeiras.
– Desequilíbrio de classe, sobreposição e rotulagem incorreta – As
transações suspeitas são muito menores do que as transações
legítimas que criam um desequilíbrio de dados durante o
treinamento dos modelos de ML, as transações usadas para
lavagem de dinheiro são feitas semelhantes às transações
legítimas que criam a sobreposição e a indisponibilidade dos
dados reais de casos de lavagem de dinheiro leva à dependência
de dados de transações suspeitas existentes, o que resulta na
rotulagem incorreta dos dados usados pelos modelos de BC [29].
Um estudo conduzido por [48] apresentou uma abordagem em
duas camadas para resolver o problema de desequilíbrio de
classe e escalabilidade para aprendizado de máquina.
C. BARREIRAS À ADOÇÃO DE AI/ML NO DOMÍNIO DO CRIME FINANCEIRO
As instituições financeiras acreditam que o potencial da tecnologia de IA pode
ajudar em vários casos de negócios [43]. Algumas organizações já começaram
a dar pequenos passos desenvolvendo pequenos protótipos usando IA/ML
[15]. No entanto, a adoção global da IA é lenta principalmente devido aos
seguintes motivos:
• Explicabilidade – os modelos que fornecem alta precisão de previsão são
geralmente de natureza não interpretável, o que dificulta a compreensão
do raciocínio por trás das decisões tomadas [42].
• Confiança – os humanos confiam no sistema se souberem exactamente
como funciona. Os modelos de caixa preta que oferecem alta precisão,
mas carecem de interpretabilidade do modelo, e que não inspiram
confiança no sistema [18]. • Privacidade – os dados usados pelos
algoritmos de
ML incluem clientes, contas e dados de transações, há preocupações em
torno do uso dessas informações ou da revelação de informações
confidenciais ao trazer as explicações das decisões [106]. • Ética da IA
– há preocupações em relação aos agentes de IA que tomam decisões
tendenciosas ou discriminações ao interpretar
e tomar decisões [106]. • Lei e aplicação – os tribunais de muitos países
desenvolvidos estão a lutar para desenvolver directrizes convincentes
e suficientemente claras para orientar as
considerações legislativas e administrativas para a adopção da IA [107].
VOLUME 9, 2021
D. O CAMINHO A SEGUIR
A tecnologia de aprendizado de máquina e aprendizado profundo é usada por
alguns fornecedores selecionados de produtos de software AML (como SAS,
Actimize, Oracle, LexisNexis, Fiserv.) para detecção de transações suspeitas.
A maioria das instituições financeiras depende fortemente de produtos de
terceiros para detectar atividades suspeitas. Diferentes métodos estatísticos,
técnicas de mineração de dados e aprendizado de máquina são utilizados
pelos produtos. A maioria dos produtos AML são treinados em dados sintéticos
e, uma vez implementados nas instituições financeiras, o produto é ajustado
com base em dados reais.
Os produtos de terceiros são geralmente protegidos por IP, mas, além disso,
mesmo as decisões tomadas por esses produtos não são transparentes e
explicáveis aos analistas de AML para inspirar a confiança no sistema.
Portanto, a investigação no domínio AML utilizando aprendizagem automática
ou aprendizagem profunda deve ser orientada pelos princípios da IA
Responsável para garantir que a tecnologia seja aplicada de forma
transparente, mas salvaguardando o interesse de cada interveniente envolvido
no ecossistema financeiro.
E. DIREÇÕES DE PESQUISA FUTURA PARA O DOMÍNIO AML
Embora tenha havido uma investigação contínua para encontrar a melhor
solução possível para detectar e reportar as transacções de branqueamento
de capitais, por parte de investigadores, empresas de produtos comerciais e
instituições financeiras; abaixo estão as direções para pesquisa identificadas
após o estudo da literatura:
• Pré-processamento de dados – o domínio AML utiliza os dados gerados por sistemas
bancários internos, dados de terceiros autorizados, como World-Check, triagem
PEP, triagem de sanções e dados de redes sociais. A maioria das pesquisas
publicadas utilizou um conjunto limitado de dados (limitado a transações) e ignorou
a parte de pré-processamento de dados [13] e [19]. É importante obter o contexto
completo do domínio, fontes de dados, tipos de dados e aproveitá-los para detectar
lavagem de dinheiro. • Avaliação do modelo em relação a grandes volumes de
dados – A maioria dos métodos encontrados na literatura foram avaliados usando
um pequeno conjunto de dados em computação
limitada, em comparação com os dados que são gerados praticamente no dia a dia
nas instituições financeiras. Portanto, é importante considerar os cenários de
grandes volumes de dados para avaliar os modelos.
• Mineração de gráficos e análise de redes sociais - Essas técnicas são
uma solução adequada para encontrar padrões, grupos e realizar a
análise de links, que é útil para detectar lavagem de dinheiro, gangues
de lavagem de dinheiro e identificar os relacionamentos para encontrar
mais pistas em as redes de lavagem de dinheiro. Embora existam
desafios na mineração de gráficos do ponto de vista do processamento
de grandes dados [104], esta é uma das áreas potenciais onde a
pesquisa deve ser continuada.
• Aplicação de técnicas de IA explicáveis – É uma necessidade do domínio
AML ter uma explicação das decisões tomadas por modelos não
interpretáveis [42], [106]. Existem várias técnicas explicáveis de IA
pesquisadas até agora, por exemplo
82313
Machine Translated by Google
DV Kute et al.: DL e técnicas explicáveis de inteligência artificial aplicadas para detectar lavagem de dinheiro
poucos deles - [86, 99-101], no entanto, até onde sabemos, nenhum
deles é aplicado no domínio AML ainda.
Conseqüentemente, a aplicação de técnicas XAI pode ser pesquisada
posteriormente nos modelos não interpretáveis que proporcionam boa
precisão de detecção. •
Aprendizagem em conjunto –Considerando o número de sistemas
financeiros, tipo de dados disponíveis, fontes de dados, volume de
dados; um modelo específico não pode ser uma solução; em vez
disso, a aprendizagem em conjunto deve ser considerada para
aproveitar os dados disponíveis para trazer mais confiança na
suspeita da transação, juntamente com as evidências. Poderia incluir
métodos estatísticos, mineração de dados, aprendizado de máquina
e aprendizado profundo, todos juntos. Exemplo - [77] aplicou o
aprendizado conjunto para encontrar transações suspeitas em
pagamentos contábeis distribuídos. • Aprendizagem
não supervisionada – Os esforços de pesquisa podem ser melhor
utilizados concentrando-se na aprendizagem não supervisionada ou
na aprendizagem por reforço [13], considerando o fato de que os
dados AML são altamente desequilibrados e a verdadeira
indisponibilidade de dados rotulados [108].
• Lacuna entre acadêmicos e indústria – Muitos pesquisadores tentaram
resolver o problema de detecção de transações suspeitas, usando
dados sintéticos ou uma amostra muito pequena de dados reais em
comparação com os dados reais gerados diariamente pela entidade
relatora. Conseqüentemente, os resultados apresentados pelos
trabalhos de pesquisa podem estar longe da realidade se os métodos
forem aplicados na prática. Parte do motivo é que os dados de contas
e transações de clientes são altamente confidenciais e nem sempre
estão disponíveis na quantidade necessária. Recomenda-se explorar,
sempre que possível, a realização de uma investigação conjunta com
as organizações da indústria financeira para beneficiar da experiência
de cada uma e do acesso controlado a dados reais para investigação.
• Partilha de dados entre entidades sujeitas – Cada instituição financeira
tem a inteligência/conhecimento acumulado sobre os clientes
suspeitos, padrões de transacções suspeitas e padrões de fraude.
Se o conhecimento acumulado estiver disponível a todas as entidades
com proteção legal adequada para evitar o uso indevido do mesmo; o
combate ao branqueamento de capitais pode ser melhorado ainda
mais. Um estudo conduzido por 109] apresenta uma estrutura segura
para AML usando BC e compartilhamento de segredos entre bancos,
o que é um passo nessa direção. Outro estudo realizado no Japão
propõe uma gestão global do conhecimento de transações suspeitas
de lavagem de dinheiro de instituições financeiras (locais, nacionais
da UIF) e do Grupo FATF/Egmont (internacional) [110].
VI. CONCLUSÃO O
problema de lavagem de dinheiro existe desde as últimas cinco décadas e o desafio de
identificar transações suspeitas de lavagem de dinheiro permanece o mesmo hoje,
principalmente devido às seguintes razões - quadro de fraude, tecnologia e regulamentação
em constante mudança; sendo um problema de classificação de várias etapas, os desafios
em torno dos dados para pesquisa
82314
e barreiras à adoção da IA pela indústria. Após percorrer a literatura, fica evidente que existem
diversos métodos de aprendizado de máquina recomendados pelos pesquisadores para detecção
de transações suspeitas. No entanto, quase nenhuma evidência de aplicação do mesmo na
indústria. As possíveis razões identificadas são: a maioria das pesquisas é baseada em amostras
de dados reais muito antigos ou em dados sintéticos, falta de dados de treinamento (alertas,
transações suspeitas) e falta de dados reais de transações de lavagem de dinheiro, falta de dados
reais atuais contendo possíveis padrões de fraude mais recentes e dados de natureza altamente
sensível e confidencial. Pesquisas limitadas são observadas na aplicação de métodos DL e
absolutamente nenhuma pesquisa na área de aplicação de técnicas XAI para domínio de detecção
de lavagem de dinheiro suspeita, até onde sabemos. Da lista de técnicas de DL identificadas na
literatura, de 5 artigos, 3 artigos escolheram CNN baseada em gráficos variantes da CNN, CNN
escalável e CNN multicanal baseada em PNL; O 4º artigo escolheu o AutoEncoder e o 5º
escolheu MLP. Nosso estudo também descobriu que 51% dos modelos
de aprendizado de máquina usados em soluções AML são métodos não
interpretáveis. Portanto, juntamente com a precisão e o desempenho, é
importante considerar a transparência do modelo, a interpretabilidade, a
explicabilidade, as questões de privacidade e definir como o modelo proposto
se encaixará na pilha geral de soluções AML para colocá-lo em prática. Este
artigo de revisão identificou os principais desafios para a LBC, as barreiras
à adoção de IA/ML, os constrangimentos para os investigadores e as
direções futuras da investigação. Em resumo, além de focar na tecnologia
DL e XAI para o domínio AML, possíveis direções de pesquisa para melhores
resultados são programas de pesquisa conjuntos entre acadêmicos e
instituições financeiras com foco na identificação de transações suspeitas;
entre académicos e Unidades de Informação Financeira (UIF) com foco em
sistemas de investigação e apoio à decisão.
CONTRIBUIÇÕES DO AUTOR
Conceituação, DK, BP,; Supervisão geral e conceito: BP, metodologia e
análise formal, DK; curadoria de dados, DK; redação – preparação do
rascunho original, DK; redação – revisão e edição, BP, NS; supervisão, BP,
NS; financiamento – BP, AA, Todos os autores leram e concordaram com a
versão publicada do manuscrito.
CONFLITO DE INTERESSES
Os autores declaram não haver conflito de interesses.
REFERÊNCIAS
[1] Força FAT. (2020). Normas Internacionais de Combate à Lavagem de Dinheiro e ao
Financiamento do Terrorismo e da Proliferação — Recomendações do GAFI, Força
FAT, Editor.
2020, Grupo de Ação Financeira. [On-line]. Disponível: http://www.fatf-gafi.org/
publications/fatfrecommendations/documents/
the40recommendationspublishedoctober2004.html
[2] Lavagem de Dinheiro Global, Crime, UNOoDa, Viena, Áustria,
Fevereiro de 2021.
[3] M. Tiwari, A. Gepp e K. Kumar, ''Uma revisão da literatura sobre lavagem de dinheiro:
O estado da pesquisa em áreas-chave'', Pacific Accounting Rev., vol. 32, não. 2, pp.
271–303, 2020.
[4] Gabinete do Conselho Parlamentar da Austrália. (2019). Lei de Combate à Lavagem
de Dinheiro e ao Financiamento do Terrorismo de 2006, AUSTRAC, Editor.
[On-line]. Disponível: https://www.legislation.gov.au/Details/C2019C00011
VOLUME 9, 2021
Machine Translated by Google
DV Kute et al.: DL e técnicas explicáveis de inteligência artificial aplicadas para detectar lavagem de dinheiro
[5] Estatuto da Lei do Sigilo Bancário (BSA), FCE Netw., Viena, Áustria, fevereiro de 2021.
[6] Departamento de Justiça. (fevereiro de 2021). OoPA Credit Suisse Group da Suíça foi
multado em US$ 536 milhões. 2009 [On-line]. Disponível: https://www.justice.gov/opa/pr/
credit-suisse-agrees-forfeit-536-million-connection-violations-international-emergency [7]
J. Quinn e KG Lloyds. O Banking Group of UK foi multado
em US$ 350 milhões (2009). O telégrafo. O telégrafo. [On-line]. Disponível: https://
www.telegraph.co.uk/finance/4213151/Lloyds-TSB-agrees-to-pay-fine-of-350m-for-sanctions-
help.html
[8] CBS Notícias. (2012). HSBC pagará US$ 1,9 bilhão para resolver caso de lavagem de
dinheiro. www.cbc.ca [On-line]. Disponível: https://www.cbc.ca/news/business/hsbc-to-
pay-1-9b-to-settle-money-laundering-case-1.1226871 [9] The Wall
Street Journal. (2012). ING multou um valor recorde e pena de US$ 619 milhões vinculada a
Cuba e Irã por violação dos EUA
Sanções Econômicas. [On-line]. Disponível: https://www.wsj.com/articles/
SB10001424052702303901504577462512713336378
[10] Centro, ATRaA (2018). AUSTRAC e CBA concordam com multa de US$ 700 milhões.
[On-line]. Disponível: https://www.austrac.gov.au/austrac-and-cba-agree-700m-penalty
[11] B. Monroe.
(fevereiro de 2021). Fincrime Briefing: Multas de AML em 2019 ultrapassam US$ 8 bilhões,
funcionário do Tesouro se declara culpado de vazamento, Perspectiva de conformidade
criptográfica de 2020. [On-line]. Disponível: https://www.acfcs.org/fincrime-briefing-aml-
fines-in-2019-breach-8-billion-treasury-official-pleads-guilty-to-leaking-2020-
crypto-compliance-outlook- e-mais/#:~:text=Key%20observations%3A,25%20
penalidades%20totaling%20%242,29bn
[12] Centro. (2020). ATRaA AUSTRAC e Westpac concordam com a proposta de multa de US$
1,3 bilhão. [On-line]. Disponível: https://www.austrac.gov.au/news-and-media/media-
release/austrac-and-westpac-agree-penalty [13] Z. Chen, ''Técnicas de
aprendizado de máquina para combate à lavagem de dinheiro (AML) soluções em detecção de
transações suspeitas: uma revisão,'' Knowl. Inf. Sistema, vol. 57, não. 2, pp. 245–285,
2018.
[14] Empresa de mídia. (2019). Abordagens de transformação de riscos para combate à lavagem
de dinheiro e crimes financeiros. Acesso em: 26 fev. 2021. [Online]. Disponível: https://
www.mckinsey.com/~/media/McKinsey/Business%20Functions/ Risk/Our%20Insights/
Transforming%20approaches%20to%20AML%20 and%20financial%20crime/Transforming-
approaches-to-AML -and-financial%20crime-vF.pdf [15] Instituto de Finanças
Internacionais. (2018).
Aprendizado de máquina no combate à lavagem de dinheiro – Relatório resumido. [On-line].
Disponível: www.iif.com [16] B. Arrieta, N. Díaz-Rodríguez, J. Del Ser, A. Bennetot, S.
Tabik, A. Barbado, S. Garcia, S. Gil-Lopez, D. Molina , R. Benjamins, R. Chatila e F. Herrera,
''Inteligência artificial explicável explicável (XAI): Conceitos, taxonomias, oportunidades e
desafios para uma IA responsável,'' Inf. Fusão, vol. 58, pp. 82–115, junho de 2020.
[17] R. Al-Shabandar, G. Lightbody, F. Browne, J. Liu, H. Wang e H. Zheng, ''A aplicação da
inteligência artificial na gestão de conformidade financeira'', em Proc. Internacional Conf.
Artefato. Intel. Av. Fabrico. (AIAM), 2019, pp.
[18] PricewaterhouseCoopers. (fevereiro de 2021). IA explicável impulsionando valor comercial
por meio de maior compreensão. 2017. [On-line]. Disponível: https://www.pwc.co.uk/
services/risk-assurance/insights/explainable-ai.html
[19] ME Lokanan, “Mineração de dados para análise estatística de transações de lavagem de
dinheiro”, J. Money Laundering Control, vol. 22, não. 4, pp. 753–763, outubro de 2019.
[20] EWT Ngai, Y. Hu, YH Wong, Y. Chen e X. Sun, ''A aplicação de técnicas de mineração de
dados na detecção de fraude financeira: uma estrutura de classificação e uma revisão
acadêmica da literatura,'' Decision Support Syst ., vol. 50, não. 3, pp. 559–569, 2011.
[21] NM Labib, MA Rizka e AEM Shokry, Pesquisa de abordagens de aprendizado de máquina de
técnicas de combate à lavagem de dinheiro para combater o financiamento do terrorismo
(notas de aula em redes e sistemas). Singapura: Springer, 2020, pp.
[22] M. Weber, J. Chen, T. Suzumura, A. Pareja, T. Ma, H. Kanezashi, T. Kaler, CE Leiserson e
TB Schardl, '' Aprendizado de gráfico escalável para combate à lavagem de dinheiro: A
primeira análise'', 2018, arXiv:1812.00076. [On-line]. Disponível: https://arxiv.org/abs/
1812.00076 [23] EL Paula, ''Deep
Learning Anomaly Detection as Support Fraude Investigation in Brazilian Exports and Anti-Money
Laundering,'' Inst. Eleger. Elétron.
Engineers Inc., CA, EUA, Tech. Rep. 7838276, 2017.
[24] AAS Alsuwailem e AKJ Saudagar, ''Sistemas anti-lavagem de dinheiro: Uma revisão
sistemática da literatura'', J. Money Laundering Control, vol. 23, não. 4, pp. 833–848, maio
de 2020.
[25] P. Irofti, A. Pÿtraÿcu e A. Bÿltoiu, ''Detecção de fraude em redes'', em Estudos em Inteligência
Computacional. Cham, Suíça: Springer, 2021, pp.
VOLUME 9, 2021
[26] GS Leite, AB Albuquerque e PR Pinheiro, ''Aplicação de soluções tecnológicas no combate
à lavagem de dinheiro - Uma revisão sistemática da literatura'', Appl. Ciência, vol. 9, não.
22, pág. 4800, 2019.
[27] A. Semenov, ''Pesquisa de abordagens de design comuns no desenvolvimento de software
AML'', em Proc. CEUR-WS, 2017, pp.
[28] B. Shaju e N. Valliammal, ''Medidas para detecção de fraude financeira usando análise de
dados e aprendizado de máquina'', Int. J. Adv. Ciência. Tecnologia, vol. 28, não. 17, pp.
270–280, 2019.
[29] A. Sudjianto, ''Métodos estatísticos para combater crimes financeiros'', Techno-
métricas, vol. 52, não. 1, pp. 5–19, 2010.
[30] Força FAT. (2021). O que é lavagem de dinheiro. Acesso em: 26 fev. 2021. [Online].
Disponível: https://www.fatf-gafi.org/faq/ moneylaundering/#d.en.11223 [31] B. Kitchenham
e S. Charters, ''Guidelines for
Performing Systematic Literature Reviews in Software Engineering'', em Diretrizes para Realização
de Revisões Sistemáticas de Literatura em Engenharia de Software. Keele, Reino Unido,
2007.
[32] M. Jullum, A. Løland, RB Huseby, G. Ånonsen e J. Lorentzen, ''Detectando transações de
lavagem de dinheiro com aprendizado de máquina'', J. Money Laundering Control, vol. 23,
não. 1, pp. 173–186, janeiro de 2020.
[33] T.Davenport. (2020). O futuro do trabalho agora: vigilância de transações orientada por IA no
DBS Bank. Forbes [On-line]. Disponível: https://www.forbes.com/sites/tomdavenport/
2020/10/23/the-future-of-work-now-ai-driven-transaction-surveillance-at-
dbs-bank/?sh=4772a6383f7f
[34] S. Jaiswal e M. Valstar, ''Aprendizagem profunda da aparência dinâmica e
da forma das unidades de ação facial'', IEEE, Lake Placid, NY, EUA, Tech.
Rep .
[35] Y. Liang, ''Controle de última geração de jogos Atari usando aprendizagem por reforço
superficial'', em Proc. Internacional Encontrado. Automático. Agentes Sistema Multiagente
(IFAAMAS), 2016, pp. 485–493.
[36] C. Szegedy, ''Indo mais fundo com convoluções'', IEEE Comput. Soc., ser
Publicados.
[37] TN Kipf e M. Welling, ''Classificação semi-supervisionada com redes convolucionais de
grafos'', em Proc. Internacional Conf. Aprender. Representar. (ICLR), 2017, pp.
[38] J. Chen e TCM Xiao, ''FastGCN: Aprendizado rápido com redes convolucionais de grafos
via amostragem de importância'', em Proc. Internacional Conf. Aprender.
Representar. (ICLR), 2018, pp.
[39] J. Han, ''NextGen AML: Distributed deep learning based language tech-nologies to Augment
Anti Money Laundering Investigation'', em Proc. Assoc.
Computação. Lingüística (ACL), 2015, pp.
[40] I. Alarab, S. Prakoonwit e MI Nacer, ''Competência de redes convolucionais gráficas para
combate à lavagem de dinheiro em blockchain de bitcoin'', em Proc.
Assoc. Computação. Máquinas, 202, pp.
[41] Y. Feng, C. Li, Y. Wang, J. Wang, G. Zhang, C. Xing, Z. Li e Z. Lian, ''Pesquisa anti-lavagem
de dinheiro (AML): Um sistema para identificação e multiclassificação”, no Proc. 16ª Inf.
Sist. Apl. Conf. (WISA), W.Ni, Ed. Cham, Suíça: Springer, 2019, pp.
[42] A. Mashrur, ''Aprendizado de máquina para gerenciamento de risco financeiro: uma pesquisa'',
IEEE Access, vol. 203203–203223, 2020.
[43] F. Königstorfer e S. Thalmann, ''Aplicações de inteligência artificial em bancos comerciais -
Uma agenda de pesquisa para finanças comportamentais'', J. Behav.
Exp. Finanças, vol. 27 de setembro de 2020, art. não. 100352.
[44] União Europeia, ''Regulamento geral de proteção de dados (GDPR),'' Official J. Eur. União, pág.
43 e 50–51, abril de 2016. [Online]. Disponível: https://eur-lex.europa.eu/legal-content/EN/
TXT/PDF/?uri=CELEX:32016R0679 [45] TÍTULO 1.81.5. Lei de Privacidade do
Consumidor da Califórnia de 2018, Órgão Legislativo da Califórnia, CA, EUA, 2018. [Online].
Disponível: https://leginfo. legislature.ca.gov/faces/codes_displayText.xhtml?
division=3.&part=4.& lawCode=CIV&title=1.81.5#:~:text=and%20to%20Whom-,(a)%20A%
20consumer%20shall %20têm%20o%20certo%20to%20solicitação%
20que,negócios%20coletados%20sobre%20o%20consumidor [46] M. Alkhalili e
MHFQ Almasalha, ''Investigação da aplicação de aprendizado de máquina
para filtragem de lista de observação em combate à lavagem de dinheiro, '' Acesso IEEE, vol. 9, pp.
[47] I. Alarab, S. Prakoonwit e M. Nacer, ''Competência de redes convolucionais gráficas para
combate à lavagem de dinheiro em blockchain de bitcoin'', em Proc. 5º Int. Conf. Mach.
Aprender. Tecnologia. (ICMLT), 2020, pp.
[48] P. Tertychnyi, ''Modelos de aprendizado de máquina escaláveis e resistentes a desequilíbrios
para combate à lavagem de dinheiro: uma abordagem em duas camadas'', em Proc. 10º
Int. Workshop Enterprise Appl., Markets Services Finance Ind. (Finance-Com), B. Clapham
e J. Koch, Eds. Cham, Suíça: Springer, 2020, pp.
82315
Machine Translated by Google
DV Kute et al.: DL e técnicas explicáveis de inteligência artificial aplicadas para detectar lavagem de dinheiro
[49] S. Farrugia e JGE Azzopardi, ''Detecção de contas ilícitas na blockchain Ethereum'',
Expert Syst. Ap., vol. 150, pág. 2 e 15 de julho de 2020, art. não. 113318, doi: 10.1016/
j.eswa.2020.113318.
[50] O. Garcia-Bedoya, O. Granados e JC Burgos, J. Controle de Lavagem de Dinheiro, vol.
24, não. 1, pp. 49–62, maio
[51] A. Kumar, S. Das e V. Tyagi, ''Detecção anti-lavagem de dinheiro usando o classificador
Naïve Bayes'', em Proc. Internacional IEEE. Conf. Comput., Power Commun.
Tecnologia. (GUCON), 2020, pp.
[52] Y. Zhang e P. Trubey, ''Aprendizado de máquina e esquema de amostragem: Um estudo
empírico de detecção de lavagem de dinheiro'', Comput. Economia, vol. 54, não. 3,
pp. 1043–1063, 2019.
[53] S. Magomedov, S. Pavelyev, I. Ivanova, A. Dobrotvorsky, M. Khrestina e T. Yusubaliev,
''Detecção de anomalias com aprendizado de máquina e bancos de dados gráficos
em gerenciamento de fraudes,'' Int. J. Adv. Computação. Ciência. Ap., vol. 9, não. 33–
38, 2018.
[54] K. Plaksiy, A. Nikiforov e N. Miloslavskaya, ''Aplicando tecnologias de big data para
detectar casos de lavagem de dinheiro e combate ao financiamento do terrorismo'', em
Proc. 6º Int. IEEE. Conf. Futuros workshops sobre Internet Things Cloud (W-FiCloud),
2018, pp.
[55] E. Badal-Valero, JA Alvarez-Jareño e JM Pavía, ''Combinando a lei de Benford e o
aprendizado de máquina para detectar lavagem de dinheiro. Um verdadeiro processo
judicial espanhol, '' Forensic Sci. Internacional, vol. 282, pp. 24–34, janeiro de 2018.
[56] D. Savage, ''Detecção de grupos de lavagem de dinheiro: aprendizagem supervisionada
em pequenas redes'', em Proc. 31ª Conf. AAAI. Artefato. Intel. (AAAI), 2017, pp.
[57] C. Alexandre e J. Balsa, ''Integrando o perfil do cliente em um sistema multiagente anti-
lavagem de dinheiro'', em Proc. Conferência Mundial Inf.
Sist. Tecnologia. (WorldCIST), MM Teixeira, Ed. Cham, Suíça: Springer-Verlag, 2016,
pp.
[58] V. Jayasree e RVS Balan, ''Anti lavagem de dinheiro em instituições financeiras usando
cálculo de mapeamento de afiliação e mineração sequencial'', J. Eng. Apl. Ciência,
vol. 11, não. 1, pp. 51–56, 2016.
[59] V. Jayasree e RVS Balan, ''Identificação de lavagem de dinheiro em dados bancários
usando padrão sequencial de auditoria relacional probabilística'', Asian J. Appl. Ciência,
vol. 8, não. 3, pp. 173–184, junho de 2015.
[60] M. Zhdanova, J. Repp, R. Rieke, C. Gaber e B. Hemery, ''No smurfs: Revealing fraud
chains in mobile money transfer'', em Proc. 9º Int. Conf.
Disponibilidade, Rel. Secur., setembro de 2014, pp.
[61] Y. Yang, B. Lian, L. Li, C. Chen e P. Li, ''Algoritmo de cluster DBSCAN aplicado para
identificar transações financeiras suspeitas'', em Proc. Internacional Conf.
Distribuição habilitada para cibernética. Computação. Sabe. Descoberta, outubro de 2014.
[62] S. Raza e S. Haider, ''Relatórios de atividades suspeitas usando redes bayesianas
dinâmicas'', em Proc. 1ª Conferência Mundial. Inf. Tecnologia. (WCIT), Istambul,
Turquia, 2010, pp.
[63] K. Michalak e J. Korczak, ''Abordagem de mineração de gráficos para detecção de
transações suspeitas'', em Proc. Confederação Federada Computação. Ciência. Inf. Sist.
(FedCSIS), Szczecin, Polónia, 2011, pp. 69–75.
[64] R. Liu, X.-L. Qian, S. Mao e S.-Z. Zhu, ''Pesquisa sobre combate à lavagem de dinheiro
com base no algoritmo central da árvore de decisão'', em Proc. Queixo. Controle
Decis. Conf. (CCDC), maio de 2011, pp.
[65] N.-A. Le-Khac, S. Markos e M.-T. Kechadi, “Rumo a uma nova abordagem baseada em
mineração de dados para combate à lavagem de dinheiro em um banco de investimento
internacional”, em Proc. 1º Int. Conf. Dígito. Crime Cibernético Forense (ICDF2C),
Albany, NY, EUA, 2010, pp.
[66] I. George e M. Kavakli, '' Mineração de dados na investigação de lavagem de dinheiro e
financiamento do terrorismo, '' em Tecnologias de Vigilância e Sistemas de Alerta
Precoce: Aplicações de Mineração de Dados para Detecção de Risco. Hershey, PA,
EUA: IGI Global, 2010, pp.
[67] NA Le Khac e M.-T. Kechadi, ''Aplicação de mineração de dados para detecção de
lavagem de dinheiro: um estudo de caso'', em Proc. Internacional IEEE.
Conf. Data Mining Workshops, Sydney, NSW, Austrália, dezembro de 2010, pp.
https://doi.org/10.1103/PhysRevLett.198.111100, Google Scholar Crossref, CAS 68. CH
Zhang e XH Zhao, Crossref, Google Scholar Crossref, CAS Universidade de Wuhan.
Tecnologia, vol. 30, não. 2, pp. 154–156,
[69] Q. Yang, B. Feng e P. Song, ''Estudo sobre sistema de serviço anti-lavagem de dinheiro
de pagamento online baseado no modo banco-sindical'', em Proc. Internacional Conf.
Comunicação sem fio, Netw. Computação Móvel. (WiCOM), Xangai, China, setembro
de 2007, pp.
[70] Z. Zhang, JJ Salerno e PS Yu, “Aplicando mineração de dados na investigação de crimes
de lavagem de dinheiro”, em Proc. 9º ACM SIGKDD Int. Conf. Sabe.
Mineração de dados de descoberta (KDD), 2003, pp.
[71] J.-de-J. Rocha-Salazar, Segovia-Vargas e M.-J.
M.-del-M. Camacho-Miñano, ''Detecção de lavagem de dinheiro e financiamento do
terrorismo usando redes neurais e um indicador de anormalidade'', Expert Syst. Ap.,
vol. 169, maio de 2021, art. não. 114470.
82316
[72] RAL Torres e M. Ladeira, ''Uma proposta para análise online e identificação de transações
financeiras fraudulentas'', em Proc. 19º IEEE Int.
Conf. Mach. Aprender. Apl. (ICMLA), dezembro de 2020, pp.
[73] J. Guevara, O. Garcia-Bedoya e O. Granados, ''Metodologias de aprendizado de máquina
contra lavagem de dinheiro em correspondentes não bancários'', em Proc. 3º Int. Conf.
Apl. Informar. (ICAI), H. Florez e S. Misra, Eds.
Cham, Suíça: Springer, 2020, pp.
[74] AEM Shokry, MA Rizka e NM Labib, ''Combater o financiamento do terrorismo detectando
redes ocultas de lavagem de dinheiro usando algoritmo de aprendizado de máquina
não supervisionado'', em Proc. 13ª Int. IADIS. Conf. (TIC), Soc. Zumbir. Seres (TIC),
6º Int. IADIS. Conf. Cidades Inteligentes Conectadas (CSC), 17º IADIS Int. Conf.
Redes Sociais de Comunidades Baseadas na Web (WBC), 14ª Multi Conf. Computação.
Ciência. Inf. Sist. (MCCSIS), 13º Int. IADIS. Conf. TIC, Soc. Zumbir. Seres (TIC), 6º
Int. IADIS. Conf. Cidades Inteligentes Conectadas (CSC), 17º IADIS Int. Conf. Redes
Sociais de Comunidades Baseadas na Web (WBC), 14ª Multi Conf. Computação.
Ciência. Inf. Sist. (MCCSIS IADIS), 2020, pp. [On-line]. Disponível: https://www.elearning-
conf.org/wp-content/uploads/2020/07/02_202008L012_F050.pdf [75] H. Baek, J. Oh,
CY Kim e K. Lee, ''Um modelo para detectar transações de
criptomoeda com finalidade discernível,'' no Proc. 11º Int. Conf.
Rede futura onipresente. (ICUFN), julho de 2019, pp.
[76] EL Paula, '' Detecção de anomalias de aprendizagem profunda como apoio à
investigação de fraudes nas exportações brasileiras e combate à lavagem de dinheiro,
'' in Proc. 15º Int. IEEE. Conf. Mach. Aprender. Apl. (ICMLA), 2017, pp.
[77] RD Camino, R. State, L. Montero e P. Valtchev, “Encontrando atividades suspeitas em
transações financeiras e livros distribuídos”, em Proc. Internacional IEEE. Conf.
Workshops de mineração de dados (ICDMW), novembro de 2017, pp.
[78] X. Li, X. Cao, X. Qiu, J. Zhao e J. Zheng, ''Solução inteligente contra lavagem de dinheiro
baseada na detecção de novas comunidades em redes de transações massivas no
Spark'', em Proc. 5º Int. Conf. Av. Cloud Big Data (CBD), agosto de 2017, pp.
[79] R. Drezewski, G. Dziuban, ÿ. Hernik e M. Paczek, “Comparação de técnicas de mineração
de dados para sistema de detecção de lavagem de dinheiro”, em Proc. Internacional
Conf. Ciência. Inf. Tecnologia. (ICSITech), outubro de 2015, pp.
[80] DK Cao e P. Do, ''Aplicando mineração de dados na detecção de lavagem de dinheiro
para o setor bancário vietnamita'', em Proc. 4ª Conferência Asiática. Intel. Inf.
Sistema de banco de dados (ACIIDS), Kaohsiung, Taiwan, 2012, pp.
[81] X. Liu e P. Zhang, “Um modelo de detecção de transações suspeitas baseado em
estatísticas de varredura para combate à lavagem de dinheiro (AML) em instituições
financeiras”, em Proc. Internacional Conf. Comun Multimídia. (Mediacom), 2010. Hong
Kong, 2010, pp.
[82] C. Yunkai, L. Zhengding, L. Ruixuan, L. Yuhua e S. Xiaolin, ''A pesquisa de um algoritmo
de agrupamento conceitual incremental e sua aplicação na detecção de lavagem de
dinheiro'', Wuhan Univ. J. Ciências Naturais, vol. 11, não. 5, pp. 1076–1080, setembro
de 2006.
[83] J. Han, U. Barman, J. Hayes, J. Du, E. Burgin e D. Wan, '' NextGen AML: Tecnologias
de linguagem distribuídas baseadas em aprendizagem profunda para aumentar a
investigação anti-lavagem de dinheiro, '' em Proc . Sistema ACL. Demonstrações,
2018, pp.
[84] H. Kanezashi, T. Suzumura, D. Garcia-Gasulla, M.-H. Ah, e S. Matsuoka, ''Correspondência
adaptativa de padrões com aprendizagem por reforço para gráficos dinâmicos'', em
Proc. IEEE 25º Int. Conf. Alto desempenho. Computação.
(HiPC), dez. 2018, pp. 92–101.
[85] X. Chao, ''Métodos de monitoramento de comportamento para lavagem de dinheiro baseada
no comércio, integrando regulação macro e microprudencial: um caso da China'', Technol.
Desenvolvimento Econômico. Economia, vol. 25, não. 6, pp. 1081–1096, 2019.
[86] A. Rai, '' IA explicável: da caixa preta à caixa de vidro '', J. Acad. Ciências de Marketing,
vol. 48, não. 1, pp. 137–141, janeiro de 2020.
[87] RS Shah, A. Bhatia, A. Gandhi e S. Mathur, ''Análise de dados Bitcoin: técnicas
escaláveis para clustering de transações e geração de incorporação'', em Proc.
Internacional Conf. Comum. Sist. Rede. (COMSNETS), janeiro de 2021.
[88] A. Westerski, ''Detecção de anomalias explicáveis para identificação de fraudes em
compras - Lições de implantações práticas'', Int. Trad. Ópera.
Res., pp. 1–2, março. 2021, doi: 10.1111/itor.12968.
[89] D. Cirqueira, ''Elicitação de requisitos baseada em cenários para IA explicável centrada
no usuário,'' in Proc. Internacional Conferência entre domínios Mach. Aprender. Sabe.
Extração (CD-MAKE), vol. 4, A. Holzinger, Ed. Cham, Suíça: Springer, 2020, pp.
[90] A. Adadi e M. Berrada, '' Espiando dentro da caixa preta: uma pesquisa sobre inteligência
artificial explicável (XAI), '' IEEE Access, vol. 6, pp. 52138–52160, 2018.
[91] FK Dosilovic e MNB Hlupic, ''Inteligência artificial explicável: uma pesquisa'',
Inst. Eleger. Elétron. Eng., Opatija, Croácia, Tech. Rep .
VOLUME 9, 2021
Machine Translated by Google
DV Kute et al.: DL e técnicas explicáveis de inteligência artificial aplicadas para detectar lavagem de dinheiro
[92] F. Xu, IA explicável: uma breve pesquisa sobre história, áreas de pesquisa,
abordagens e desafios, J. Tang, Ed. Cham, Suíça: Springer, 2019, pp.
[93] J. Townsend, T. Chaton e JM Monteiro, '' Extraindo explicações relacionais de redes
neurais profundas: Uma pesquisa de uma perspectiva neural-simbólica, '' IEEE
Trans. Rede Neural. Aprender. Sistema, vol. 31, não. 9, pp. 3456–3470, setembro
de 2020.
[94] Y. Liang, ''Explicando o modelo de caixa preta: Uma pesquisa de métodos de
interpretação local para redes neurais profundas'', Neurocomputing, vol. 419, pp.
168–182, janeiro de 2021.
[95] X.-H. Li, CC Cao, Y. Shi, W. Bai, H. Gao, L. Qiu, C. Wang, Y. Gao, S. Zhang, X. Xue
e L. Chen, ''Uma pesquisa de dados baseados em e IA eXplainável com
conhecimento de conhecimento,'' IEEE Trans. Sabe. Data Eng., a ser publicado.
[96] I. Stepin, JM Alonso, A. Catala e M. Pereira-Farina, ''Uma pesquisa de métodos de
geração de explicação contrastiva e contrafactual para inteligência artificial
explicável'', IEEE Access, vol. 9, pp.
[97] P. Linardatos, VS Papastefanopoulos e S. Kotsiantis, ''Explainable AI: Uma revisão
dos métodos de interpretabilidade de aprendizado de máquina'', Entropy, vol. 23,
não. 1, pp. 1–45, 2021.
[98] E. Puiutta Aprendizagem por Reforço Explicável: Uma Pesquisa, A. Holzinger, Ed.
Cham, Suíça: Springer, 2020, pp.
[99] MT Ribeiro e SC Singh Guestrin, '''Por que eu deveria confiar em você?': Explicando
as previsões de qualquer classificador,'' em Proc. ACM SIGKDD, 2016, pp.
[100] SM Lundberg e SI Lee, ''Uma abordagem unificada para interpretar previsões de
modelos'', em Proc. Inf. Neural. Processo. Sist. Encontrado., 2017, pp.
[101] D. Gunning e DW Aha, “Programa de inteligência artificial explicável da DARPA”, AI
Mag., vol. 40, não. 2, pp. 44–58, 2019.
[102] C. Rudin, ''Pare de explicar modelos de aprendizado de máquina de caixa preta
para decisões de alto risco e, em vez disso, use modelos interpretáveis'', Nature Mach.
Intel., vol. 1, não. 5, pp. 206–215, 2019.
[103] J. Tang e J. Yin, ''Desenvolvendo um sistema inteligente de discriminação de dados de
combate à lavagem de dinheiro baseado em SVM'', em Proc. Internacional Conf. Mach. Aprender.
Cybern., 2005, pp.
[104] E. Kurshan, H. Shen e H. Yu, ''Crime financeiro e detecção de fraude usando
computação gráfica: considerações de aplicação e perspectivas,'' em Proc. 2º Int.
Conf. IA transdisciplinar (TransAI), setembro de 2020, pp.
[105] A. Korauš, ''Usando métodos quantitativos para identificar segurança e operações
comerciais incomuns'', Entrepreneurship Sustainability Issues, vol. 6, não. 3, pp.
1101–1112, 2019.
[106] FS Board, Artificial Intelligence and Machine Learning in Financial Services 2017.
Basileia, Suíça: Financial Stability Board.
[107] T. Rademacher, “Inteligência artificial e aplicação da lei”, em Regulando a Inteligência
Artificial. Cham, Suíça: Springer, 2019, pp.
[108] AI Canhoto, ''Aproveitando o aprendizado de máquina na luta global contra a
lavagem de dinheiro e o financiamento do terrorismo: uma perspectiva de recursos'',
J. Bus. Res., vol. 131, pp. 441–452, julho de 2021.
[109] A. Zand, J. Orwell e E. Pfluegel, ''Uma estrutura segura para combate à lavagem de dinheiro
usando aprendizado de máquina e compartilhamento de segredos'', em Proc. Internacional Conf.
Cibersegurança. Dígito de Proteção. Serviços (Cyber Secur.), junho de 2020, pp.
[110] N. Yasaka, “Gestão de conhecimento global do sistema de relatórios de transações
suspeitas no Japão”, J. Money Laundering Control, vol. 23, não. 1, pp. 55–63,
janeiro de 2020.
DATTATRAY VISHNU KUTE recebeu o B.Engg. graduado em ciência
da computação e engenharia pela Dr. BAM University, Índia. Ele está
atualmente cursando o M.Res. graduação pelo Centro de Modelagem
Avançada e Sistemas de Informação Geoespacial (CAMGIS),
Faculdade de Engenharia e TI, Universidade de Tecnologia de
Sydney (UTS).
Seus interesses de pesquisa incluem a aplicação de
aprendizado de máquina, aprendizado profundo e técnicas
explicáveis de IA no domínio bancário e financeiro.
Ele tem mais de duas décadas de experiência profissional em tecnologia da informação no
fornecimento de soluções para grandes clientes de vários setores, incluindo bancos e finanças,
alta tecnologia, cadeia de suprimentos, mineração, manufatura, automotivo, defesa, governo e
eletrônicos de consumo. Sua área de trabalho inclui arquitetura corporativa, arquitetura de
soluções e consultoria.
Ele recebeu o Certificado de Gestão Sênior em gestão geral de negócios do Instituto Indiano
de Calcutá, Índia.
VOLUME 9, 2021
BISWAJEET PRADHAN (Membro Sênior, IEEE) recebeu o
título de Habilitação em Sensoriamento Remoto pela
Universidade de Tecnologia de Dresden, Alemanha, em 2011.
Atualmente é Diretor do Centro de Modelagem Avançada e
Sistemas de Informação Geoespacial (CAMGIS), Faculdade
de Engenharia e TI. Ele é o Professor Distinto da Universidade
de Tecnologia de Sydney. Ele é um cientista internacionalmente
estabelecido nas áreas de sistemas de informação geoespacial
(GIS), sensoriamento remoto e processamento de imagens,
modelagem complexa/geocomputação, aprendizado de
máquina e aplicações de computação suave, riscos naturais e modelagem ambiental. De 2015
a 2021, atuou como Cientista Embaixador da Fundação Alexander Humboldt, Alemanha. Dos
seus mais de 650 artigos, mais de 500 foram publicados em revistas técnicas com índice de
citações científicas (SCI/SCIE). Ele é autor de oito livros e 13 capítulos de livros. Ele recebeu
a bolsa Alexander von Humboldt da Alemanha. Ele vem recebendo 55 prêmios em
reconhecimento à sua excelência em ensino, serviço e pesquisa, desde 2006. Ele recebeu a
bolsa de pesquisa Alexan-der von Humboldt da Alemanha. De 2016 a 2020, ele foi listado
como o pesquisador mais citado do mundo pelo Clarivate Ana-lytics Report como uma das
mentes mais influentes do mundo. De 2018 a 2020, foi premiado como Professor de Classe
Mundial pelo Ministério de Pesquisa, Tecnologia e Ensino Superior da Indonésia. Ele é editor
associado e membro editorial de mais de oito periódicos do ISI. Ele viajou muito ao exterior,
visitando mais de 52 países para apresentar os resultados de suas pesquisas.
NAGESH SHUKLA é atualmente professor sênior em análise
de negócios na University of Technology Sydney, Ultimo, NSW,
Austrália.
Ele está trabalhando na área de análise de dados de negócios,
modelagem de simulação e otimização (aplicada à saúde e
gestão da cadeia de suprimentos/logística). Ele contribuiu para
mais de 50 publicações de pesquisa em periódicos,
conferências, patentes, capítulos de livros e relatórios de
pesquisa. Seus interesses de pesquisa incluem o
desenvolvimento de modelos que tratam de tornar processos
de negócios complexos eficientes e eficazes, modelos analíticos para otimização e tomada de
decisões em nível de sistema e algoritmos baseados em dados para tomada de decisões. Ele
é membro do conselho editorial de vários periódicos importantes.
ABDULLAH ALAMRI recebeu o bacharelado em geologia
pela King Saud University, em 1981, o M.Sc. diploma em
geofísica aplicada pela University of South Florida, Tampa, em
1985, e doutorado. formou-se em sismologia de terremotos
pela Universidade de Minnesota, EUA, em 1990. Atualmente
é professor de sismologia de terremotos.
Ele é o Diretor do Centro de Estudos Sísmicos da Universidade
King Saud (KSU). Sua pesquisa inter-
ests incluem estruturas crustais e micro sísmicas
Zoneamento da Península Arábica. Seus projetos recentes envolvem aplicações de EM e MT
na exploração de águas subterrâneas profundas do Bairro Vazio e na prospecção geotérmica
do vulcânico Harrats no escudo árabe. Publicou mais de 150 artigos de pesquisa, realizou mais
de 45 projetos de pesquisa, é autor de vários livros e relatórios técnicos. Ele é Diretor e Co-
Investigador em vários projetos nacionais e internacionais, incluindo KSU, KACST, NPST, IRIS,
CTBTO, Força Aérea dos EUA, NSF, UCSD, LLNL, OSU, PSU e Max Planck. Ele é o
presidente da Sociedade Saudita de Geociências. Ele presidiu e co-presidiu vários workshops
e fóruns SSG, GSF e RELEMR no Oriente Médio. Ele é membro da Sociedade Sismológica da
América, da União Geofísica Americana, da Associação Europeia para Geofísica Ambiental e
de Engenharia, da Mitigação de Terremotos na Região do Mediterrâneo Oriental, da
Comunicação Nacional para Avaliação e Mitigação de Riscos de Terremotos na Arábia Saudita.
Arábia e a Mitigação de Riscos Naturais na Defesa Civil. Obteve diversos prêmios e distinções
mundiais por sua excelência científica e inovação. Ele é o Editor-Chefe do Arabian Journal of
Geosciences (AJGS).
82317