Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
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.
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 por outro lado, os modelos de caixa branca, como árvore de decisão e
implementem controlos eficazes para monitorizar e reportar transacções em regressão linear, são altamente interpretáveis e mais fáceis de explicar as
dinheiro para além dos valores limite, Instruções Internacionais de Transferência decisões tomadas pelos modelos, mas fornecem resultados menos precisos.
de Fundos (IFTI), transacções suspeitas de qualquer tipo e muito mais [2]. Normalmente os modelos caixa-preta são escolhidos considerando a expectativa
de alta precisão na detecção de transações suspeitas, porém a falta de
Houve vários casos em que as instituições financeiras foram penalizadas transparência sobre como esses modelos tomam decisões para concluir uma
por não manterem controlos eficazes. Em 2009, o Grupo Credit Suisse da transação é suspeita; e uma solicitação obrigatória dos reguladores para
Suíça foi multado em 536 milhões de dólares [6], no mesmo ano o Lloyds fornecer justificativas para transações suspeitas, está representando um
Banking Group do Reino Unido foi multado em 350 milhões de dólares [7]. Em impedimento para a adoção da tecnologia de IA/ML em unidades de crime
2012, o HSBC foi multado pelas autoridades dos EUA num montante de 1,9 financeiro em institutos financeiros [16].
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 Considerando o aumento contínuo de transações, as mudanças nos
619 milhões de dólares por permitir que branqueadores movimentassem padrões de fraude e no cenário regulatório, é necessária uma estrutura robusta
ilegalmente milhares de milhões de dólares através do sistema bancário dos de ponta a ponta utilizando IA/ML que possa ajudar a detectar com precisão a
EUA [9]. Em 2017, o Commonwealth Bank of Australia foi condenado a pagar transação suspeita de lavagem de dinheiro, reduzindo os falsos positivos e
a multa de 700 milhões de dólares ao abrigo da lei AML/CTF [10]. Em 2019, gerando a interpretação humana explicação das decisões tomadas pelo ML.
58 sanções AML foram aplicadas globalmente, totalizando 8,14 mil milhões de Ter tal estrutura não só aumentará a eficiência nas operações de AML, mas
dólares, o dobro do montante da penalidade aplicada em 2018 [11]. Muito também reduzirá os custos operacionais envolvidos na investigação de alertas
recentemente, em 2020, o West-pac Bank of Australia foi condenado a pagar falsos positivos [15], [17].
uma multa recorde de 1,3 mil milhões de dólares por violar a lei AML/CTF do
país [12]. Também ajudará os bancos a gerir o risco de conformidade e a manter intacta
Ao olhar para as sanções aplicadas a vários institutos financeiros até hoje, a reputação da marca. As explicações das decisões sobre BC ajudarão a
indica que os sistemas e controlos existentes são inadequados e ineficazes construir a confiança no sistema, que também pode ser aceite como um
para combater o crime financeiro. controlo eficaz contra o BC pelos reguladores [18].
Para combater o crime financeiro e cumprir os requisitos de combate ao As soluções para detectar o padrão de lavagem de dinheiro têm evoluído
branqueamento de capitais, tradicionalmente os bancos têm utilizado sistemas de métodos estatísticos, mineração de dados [19], [20] e BC [13], [21] para
AML baseados em regras [13], que ajudam a identificar transacções em DL [22], [23]. Existem vários artigos de revisão na literatura que demonstram a
numerário para além dos valores limite, transferências internacionais de fundos aplicação desses métodos para detecção de transações suspeitas [3], [13],
e transacções suspeitas. Esses sistemas detectam transações suspeitas com [20], [21], [24]–[29], porém falta a revisão focada em técnicas de aprendizagem
base em regras predefinidas e geram alertas. O diretor de conformidade profunda ou técnicas XAI no mesmo domínio.
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 O objetivo deste artigo é revisar a literatura existente publicada sobre
alertas é estimada em mais de 98% [14], o que resulta num enorme custo métodos DL e XAI para detectar transações suspeitas de lavagem de dinheiro
operacional para os bancos. Devido aos recentes avanços na comunicação e em instituições financeiras.
na tecnologia, muitos serviços bancários são disponibilizados aos clientes
através de diferentes canais online. Isso causou uma explosão em uma série II. ANTECEDENTES A
de transações. Devido ao aumento das transações e ao cenário regulatório em lavagem de dinheiro é uma atividade criminosa usada para disfarçar a origem
constante mudança, manter-se à frente do crime financeiro e do risco de do dinheiro obtido ilegalmente e fazê-lo parecer legítimo no sistema.
conformidade tornou-se mais complexo e caro do que nunca para as instituições Normalmente, a lavagem de dinheiro envolve 3 etapas [30], (i) a primeira etapa
financeiras. 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
Ao perceber a complexidade, o volume das transações e o sucesso da “integração”, onde os benefícios são adquiridos a partir das transações de
inteligência artificial em outros campos para melhorar a eficiência operacional fundos ilegais. O melhor passo para identificar uma transação suspeita é uma
e a precisão das previsões, poucos bancos começaram a se esforçar para etapa de colocação, porque além da primeira etapa torna-se complexo rastrear
automatizar os dados e tarefas demoradas usando Inteligência Artificial/ as transações, uma vez que as transações estão em camadas dentro e/ou fora
Aprendizado de Máquina ( Tecnologias AI/ML) [15] para detecção de transações da alçada do banco.
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 No contexto do branqueamento de capitais, os bancos são obrigados a
gradiente, podem prever resultados altamente precisos, mas muitas vezes monitorizar as transações para detectar atividades suspeitas, investigá-las e
ficam atrasados na interpretabilidade, portanto, é difícil explicar a lógica por reportá-las às entidades reguladoras para garantir o cumprimento da política
trás das decisões tomadas. No de LBC/CTF. Sistemas, controles e práticas eficazes de AML são essenciais
para gerenciar o risco de conformidade.
A FIGURA 1 representa um processo conceitual seguido em instituições é importante obter a detecção correta de transações suspeitas para reduzir os
financeiras para monitoramento de transações, detecção de transações esforços. Sendo todo o cenário altamente sensível e confidencial por natureza,
suspeitas e reporte das mesmas aos órgãos reguladores. os verdadeiros dados de transações suspeitas são extremamente difíceis de
É evidente que a detecção de transações suspeitas é um problema de encontrar.
classificação em várias etapas, porque o nível de confiança da transação
suspeita é construído com base na investigação realizada em cada etapa do III. METODOLOGIA DE PESQUISA Uma
Alerta ao SMR e além do alcance da instituição financeira. A decisão de revisão seguiu um processo de revisão padrão de 3 etapas descrito por
transação suspeita passa por 4 etapas – (i) sistema de geração de alertas Kitchenham e Charters [31] – Planejar, Conduzir e Reportar.
(principalmente automação), (ii) investigação manual na instituição financeira, A pesquisa bibliográfica é feita usando combinações das seguintes palavras-
(iii) investigação nas UIFs e (iv) o produto no tribunal . Considerando os chave - ''lavagem de dinheiro'', ''transação suspeita'', ''anti-lavagem de dinheiro'',
esforços envolvidos por diversas partes (Banco, UIF e agências legais e de ''aprendizado profundo'', ''aprendizado de máquina'', ' 'mineração de dados'',
aplicação da lei) ''estatistaÿ '', ''IA explicável'' e ''XAI''. Os papéis foram segregados com base
sobre a relevância para o tema principal e os artigos mais relevantes considerados TABELA 1. Consultas e resultados de pesquisa.
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.
aprendizagem, fontes de dados, métodos de avaliação, ferramentas de implementação, categorias – domínios de abordagens de aplicação e classificação de
técnicas de amostragem e regiões de estudo. As principais descobertas de [24] são: sistemas de apoio. Os domínios de aplicação são definidos como detecção
Árvore de decisão, Radom Forest e SVM são algoritmos usados com mais frequência no de transações suspeitas, detecção de padrões/grupos/anomalias de
sistema AML da categoria supervisionada, redes neurais são usadas principalmente na lavagem de dinheiro, avaliação/análise de risco, aplicações de segurança,
categoria não supervisionada; Precisão, Área Sob a Curva (AUC) e precisão são controle, estruturação e/ou governança e análise visual/aplicações de
utilizadas para avaliação do modelo; a maior parte dos dados utilizados para a investigação técnicas visuais. As categorias de mecanismos de suporte são definidas
foram dados de clientes e transações bancárias; no entanto, existem muitos outros como sistemas/software/ferramentas/linguagens de programação, hardware,
métodos de lavagem de dinheiro, como restaurantes, hotéis e escritórios de advocacia, padrões/teorias/estruturas, algoritmos/aplicações matemáticas (mineração
que não são suficientemente pesquisados. 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
2) UMA REVISÃO DAS TÉCNICAS DE MINERAÇÃO DE DADOS EM FINANÇAS usadas para detecção de lavagem de dinheiro. Uma lacuna importante
DETECÇÃO DE FRAUDE
identificada nos documentos foi a necessidade de descrição da análise de
Uma revisão abrangente da literatura foi conduzida por [20] sobre a dados e evidências para apoiar os benefícios apresentados.
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 Além das revisões listadas nas 4 categorias acima, [25] apresenta a
categorias como – fraude bancária, fraude de seguros fraude, fraude de revisão dos métodos de detecção de anomalias para detecção de fraudes
valores mobiliários e mercadorias e outras fraudes financeiras relevantes. usando estruturas gráficas, [27] apresenta a análise de detecção de
As técnicas de mineração de dados são classificadas em seis categorias anomalias, aprendizado de máquina e redes neurais, e [28] apresenta o
– (i) classificação, (ii) regressão, (iii) previsão, (iv) detecção de outliers, (v) medidas para detecção de fraudes.
visualização e (vi) agrupamento. As principais conclusões são: as técnicas É evidente a partir da literatura descrita acima que métodos estatísticos e diversas
de mineração de dados são amplamente aplicadas na detecção de fraudes técnicas de aprendizado de máquina têm sido utilizados para detecção de lavagem de
de seguros, seguidas de fraudes corporativas e de cartões de crédito, e dinheiro. Entretanto, a elaboração do uso da técnica de EAD é muito limitada. A seção a
identificou-se a necessidade de aplicar essas técnicas em lavagem de seguir descreve as técnicas de EAD utilizadas para lavagem de dinheiro conforme a
dinheiro, fraude hipotecária e fraude de valores mobiliários. Apenas foi literatura.
encontrada uma técnica de “análise de rede” para detecção de
branqueamento de capitais. Caso contrário, em grande parte modelos
B. APRENDIZAGEM PROFUNDA
logísticos, redes neurais, redes neurais bayesianas e árvores de decisão
são usados para detecção de fraudes em geral. 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
3) UMA PESQUISA DE MÉTODOS ESTATÍSTICOS DE DETECÇÃO e de mais dados. No entanto, no mundo de hoje esses desafios não são
DA LAVAGEM DE DINHEIRO
mais um grande problema.
Sudjianto et al. [29] forneceram um levantamento de métodos estatísticos, Esta seção descreve a literatura existente focada no uso de métodos de
mineração de dados e técnicas de aprendizado de máquina usadas para EAD para detectar lavagem de dinheiro.
detecção de lavagem de dinheiro e fraudes bancárias de varejo.
Os autores identificaram os principais desafios como volume e complexidade 1) REDE NEURAL CONVOLUCIONAL DE GRÁFICO ESCALÁVEL Weber et al. [22]
de dados, desequilíbrio de classes, padrões de evolução frequente, usaram rede neural convolucional de gráfico escalável para análise forense de dados
sobreposição de classes e rotulagem incorreta de classes. Os métodos financeiros que são massivos, densos e dinâmicos por natureza. O resultado da análise
revisados são classificados em duas categorias: aprendizagem em formato visual é apresentado como um dos suportes de decisão eficazes para os
supervisionada contendo perfil, classificação (SVM, BBN, HMM, rede analistas de AML que estão envolvidos na revisão de uma grande quantidade de alertas
neural, árvore de classificação e regras de classificação) e análise de links; gerados por sistemas de AML baseados em regras. O método foi desenvolvido e avaliado
e aprendizagem não supervisionada contendo agrupamento, representação por meio do gráfico sintético (1M nós e 9 M arestas) gerado pela ferramenta simuladora
e pontuação de baixa dimensão e detecção de anomalias. A principal de dados AMLSim. O vértice representa a conta com atributos como número da conta,
conclusão é que alguns métodos são utilizados de forma eficaz, no tipo de conta, nome do proprietário e data de criação da conta. A borda representa a
entanto, também é enfatizado colocar mais foco na prevenção da fraude, transação com atributos como ID da transação, valor e carimbo de data/hora. Usando
por exemplo – formação e sensibilização dos funcionários, definição de alertas escalonados e SMRs como dados de rótulo, um modelo de aprendizagem
políticas e procedimentos. 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
4) UMA REVISÃO DE SOLUÇÕES TECNOLÓGICAS PARA AML Uma executou o experimento em uma estação de trabalho com
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
modelo de dois gráficos profundos. Primeiro usando o modelo gráfico GCN previsão de relação. O modelo RNN relatou precisão de 88% usando a
desenvolvido por [37], que levou 611 segundos para convergir em 32 avaliação pós-medida P@100 no conjunto de dados do New York Times. O
épocas. Segundo experimento usando o modelo gráfico aprimorado experimento geral é realizado em conjuntos de dados sintéticos e do mundo
FastGCN [38], que levou 386 segundos para convergir para o mesmo real. Os resultados são verificados por especialistas em AML que
número de épocas. FastGCN é duas vezes mais rápido que GCN. mencionaram que aproximadamente 30% dos custos podem ser
Considerando a enorme quantidade de dados financeiros que equivalem a economizados em relação à abordagem manual existente de investigação de AML.
milhões de transações por segundo, a velocidade do treinamento é Para dar uma perspectiva dos esforços manuais, os autores deram um
importante para identificar oportunamente as atividades suspeitas. As exemplo de banco, onde 10.000 analistas investigaram globalmente mais
principais conclusões deste estudo [22] são: o aprendizado profundo de de 400.000 alertas de transações suspeitas por semana.
gráficos também tem emergido como uma ferramenta importante para AML, Como um processo de investigação manual, os analistas são obrigados a
devido à natureza do domínio onde os relacionamentos podem ser investigar diversas fontes de dados que incluem pesquisa de notícias,
facilmente estabelecidos usando dados de contas como nós e dados de triagem de nomes, consulta de bancos de dados de fraude, registros de
transações como bordas, e o o modelo é capaz de lidar com o grande crimes, crimes de fraude ou quaisquer atividades suspeitas existentes. O
volume de dados, porém o autor recomenda melhorias adicionais para autor identificou as áreas de melhoria que podem ser consideradas para
reduzir o tempo de treinamento. pesquisas futuras: considerar dados específicos do domínio e ajustar os
parâmetros, dimensionar e implantar sistema na nuvem para processar
2) REDE NEURAL CONVOLUCIONAL MULTICANAL Han et al. [39] grandes dados em tempo real, adaptar a solução e avaliá-la em outros
desenvolveram uma nova estrutura distribuída e escalável usando tecnologia domínios.
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, 3) AutoEncoder
extração de relacionamento e análise de link em diferentes fontes de Paula et al. [23] propuseram o modelo de aprendizagem profunda não
dados, como notícias, tweets, mídias sociais, etc. Cada módulo de PNL usa supervisionada para classificar os exportadores brasileiros para descobrir
uma fonte de dados específica para realizar a análise e trazer as a possibilidade de cometerem fraudes nas exportações. O modelo usa o
recomendações. A estrutura proposta é baseada em arquitetura distribuída classificador AutoEncoder para detectar anomalias considerando os padrões
orientada a microsserviços e plataforma de integração baseada em AMQP, regulares de transação nos dados. As exportações brasileiras chegam a
banco de dados como Cassandra, Neo4j e MySQL junto com Twitter e cerca de 200 países com a ajuda de 50 mil pessoas jurídicas envolvidas no
mecanismo de notícias. São considerados dois tipos de dados – dados transporte das mercadorias. O autor utiliza o banco de dados de comércio
financeiros que incluem KYC, Cliente, Conta, Transações; e dados abertos exterior da Secretaria da Receita Federal do Brasil para aplicar o modelo
que incluem artigos de notícias financeiras, relatórios financeiros, bancos DL e descobrir as organizações exportadoras cujas variáveis explicativas
de dados abertos sobre fraudes e conteúdos de mídia social. O sistema de suas operações de exportação apresentam sinais de divergência em
começa identificando as transações suspeitas e, em seguida, os principais relação ao padrão regular. O artigo seguiu a metodologia CRISP-DM para
atributos são extraídos das transações alertadas, como nome, localização implementação, considerando a flexibilidade do modelo.
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 Dois métodos são avaliados – AutoEncoder e PCA usando 819.990 registros
a 1,00) é calculada e apresentada usando as evidências produzidas pelos e software H2O e pacote H2O R.
seguintes módulos – TM, triagem de nomes, base de conhecimento de Do ponto de vista da preparação de dados, 80 atributos foram confirmados
fraude, tendência de análise de sentimento e módulo de desambiguação pelas PME como adequados para provar exportações fraudulentas.
de entidade. A análise de sentimento é usada para identificar a polaridade Esses 80 atributos passaram por mudanças - usando o Gradient Boosting
do sentimento – positiva ou negativa. O autor usou classificador de Machine (GBM), o autor identificou 18 atributos para explicar 80% de
sentimento baseado em rede neural convolucional multicanal para processar variabilidade e 18 atributos foram relativizados para criar 18 índices. Esses
notícias financeiras e classificador de sentimento baseado em CNN para 18 índices refletem a participação do atributo no qual se buscam anomalias.
dados de mídia social. A extração de relação é usada para prever a relação Para detectar anomalias, dois métodos são avaliados: AutoEncoder e PCA.
entre pares de entidades na frase. O classificador SA de nível de documento, O AutoEncoder é 20 vezes mais rápido que o PCA, o AutoEncoder encontra
treinado em 12.467 artigos de notícias financeiras auto-rotulados, alcançou as anomalias sutis que o PCA não consegue detectar e pode detectar as
76,96% de precisão. O autor usou um método baseado em pipeline para anomalias mesmo com dimensões latentes mais altas que o PCA linear
tarefas de extração de relacionamento. O reconhecimento de entidade de não consegue. O PCA requer mais computação do que o AutoEncoder. O
nome (NER) é realizado usando uma combinação de dois métodos – método Mean Square Error é usado para medir a distância entre as
reconhecedor Stanford NER e NRE neural baseado na estrutura LSTM- previsões e os dados reais. O autor reconheceu a dificuldade em avaliar os
CRF. O modelo NER foi avaliado nos dados da tarefa 8 do SemEval 1010 resultados em relação aos objetivos de negócio a serem alcançados. Este
e relatou 80,62% de medida micro-f1. 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.
pode ser necessário ajustar o número de camadas ocultas e neurônios para ser usado para tomar decisões críticas que envolvem a vida humana.
obter melhores resultados. Nem todos os domínios exigem explicabilidade, por exemplo: a previsão do
tempo não precisa de explicação se a caixa preta puder fornecer resultados
4) GRÁFICO DE REDE NEURAL CONVOLUCIONAL Alarab et al. [40] altamente precisos. Da mesma forma, os anúncios exibidos nas redes
apresentaram uma nova abordagem baseada em rede neural convolucional gráfica para sociais com base no hábito de navegação não necessitam da explicação de
prever transações ilícitas no gráfico de transações bitcoin. O método proposto utilizou GCN como os anúncios são escolhidos.
juntamente com perceptron multicamadas, que deu melhores resultados do que apenas A IA explicável tornou-se um pré-requisito para construir a confiança e
GCN usado no artigo de pesquisa original. Os recursos derivados do GCN e a representação impulsionar a adoção de sistemas de IA em domínios de alto risco, como
latente de uma camada linear aumentam o desempenho do modelo. A abordagem proposta crime financeiro, riscos de crédito, cuidados de saúde que exigem
é avaliada usando dados elípticos, um conjunto de dados publicamente disponível que confiabilidade, segurança e justiça [42], [43]
pertence a transações reais de Bitcoins, que é representado como uma rede gráfica [18]. Os regulamentos como o Regulamento Geral sobre a Proteção de
direcionada de transações que são nós, as arestas direcionadas entre as transações Dados (RGPD) [44], particularmente os «registos de atividades de
representam o fluxo de pagamento da origem ao destino . O conjunto de dados é rotulado tratamento» e o «direito a ser informado»; e a Lei do Consumidor Privado
como lícito e ilícito. 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,
A rede gráfica contém 203.769 transações de nós e 234.355 arestas que anomalias; ou para realizar as tarefas investigativas utilizando análise de
representam o fluxo de pagamentos entre os nós. 2% do conjunto de dados links ou mineração de grafos, muitos métodos de aprendizado de máquina
são rotulados como ilícitos, enquanto 21% são rotulados como transações são encontrados na literatura, com razoável precisão. Para o domínio AML,
lícitas. A precisão deste modelo é de 0,974, enquanto a precisão dos onde as transações suspeitas devem ser comunicadas às autoridades
modelos anteriores comparados é de 0,961. O tempo real da transação não regulatórias através da preparação dos SMRs, é fundamental incluir
é utilizado como recurso no modelo proposto, o que é identificado como um evidências adequadas que justifiquem a suspeita. Como a maioria dos
recurso adicional para o modelo experimentar no futuro. 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.
5) PERCEPTRON MULTI-CAMADA Para avaliar a interpretabilidade dos modelos de ML recomendados
Weber et al. [41] propôs um método de multiclassificação para detectar para o domínio AML, realizamos um estudo de 77 artigos de pesquisa
comportamentos suspeitos e categorizar crimes relacionados à lavagem de (identificados na categoria ''Métodos em AML'' conforme TABELA 2) que
dinheiro usando SVM, Liner Regression (LR) e Multi-Layer Perceptron. Dois apresentaram um modelo único para detecção de lavagem de dinheiro .
modelos são produzidos.
O Modelo 1 foi treinado usando métodos SVM, LR e MLP (com função de A TABELA 4 apresenta o resultado deste estudo.
ativação ReLU), fornecendo entradas como transações financeiras e dados Escolhemos 43 artigos que descreviam os métodos de ML e excluímos os
de perfil, que fornecem o conjunto de dados de transações suspeitas como artigos que descreviam abordagem, arquitetura de sistema ou artigos de
saída, e o Modelo 2 é treinado usando os mesmos métodos, fornecendo o outros domínios. Os métodos são classificados nas categorias de
insira o conjunto de dados como transações fraudulentas e transações aprendizagem supervisionada, semissupervisionada, não supervisionada e
suspeitas para determinar as transações suspeitas junto com a categoria do por reforço. A coluna do problema indica o principal problema abordado
crime. O autor usou os dados sintéticos para treinamento e teste. As taxas pelos métodos que usam os dados do artigo mencionado na coluna Ref . O
de precisão do modelo são –88,13, 87,53 e 90,42 para SVM, LR e MLP, significado de interpretabilidade na coluna 'O método é interpretável' é a
respectivamente. 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.
C. IA EXPLICÁVEL
O avanço na infraestrutura de computação e armazenamento, a geração A FIGURA 2 mostra a análise baseada nos 43 artigos filtrados que
contínua de grandes volumes de dados e a necessidade de utilizar esses fornecem as soluções usando modelos de aprendizado de máquina para
dados para obter insights acionáveis aumentaram a pesquisa em metodologia detecção de padrões de lavagem de dinheiro, detecção de transações
de aprendizado de máquina na última década. A previsão precisa suspeitas, detecção de grupos de lavadores de dinheiro e ajuda na
permaneceu como objetivo principal durante o desenvolvimento do modelo investigação usando análise de links. A FIGURA 2.a mostra que o maior
e acabou gerando muitos modelos complexos ou modelos caixa preta, como número de artigos foi publicado no ano de 2020 no domínio AML, o que
modelos DL com alta precisão. Esses modelos complexos são opacos, indica a crescente atenção que o assunto está recebendo para aproveitar a
cujas ações são difíceis de serem compreendidas pelos humanos. O tecnologia de aprendizado de máquina para ajudar a resolver um dos
problemas altamente complexos da indústria.
a falta de transparência, interpretabilidade e explicabilidade dos modelos DL/ A FIGURA 2.b mostra que 51% dos pesquisadores usaram métodos não
ML está dificultando a adoção para os domínios (médico, bancário, criminal, interpretáveis. A FIGURA 2.c mostra que 65% dos métodos são baseados
jurídico) onde se espera que as previsões ou recomendações feitas pelas em aprendizagem supervisionada, enquanto apenas 2% usaram modelos
caixas pretas de aprendizagem por reforço. A FIGURA 2.d mostra 58% de métodos
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.
Dadas as etapas envolvidas no combate à lavagem de dinheiro e os da aplicação de técnicas XAI para visualizar e compreender os resultados
esforços envolvidos por várias organizações em conjunto, torna-se mais obtidos da aprendizagem não supervisionada, [88] apresentou uma técnica
crítico identificar as transações, padrões e grupos suspeitos de lavagem explicável de detecção de anomalias para detecções de fraude em compras;
de dinheiro com a maior precisão possível, juntamente com uma explicação porém não foram encontradas pesquisas na literatura que descrevam a
adequada para as decisões tomadas pelo mod ML. -els. À medida que a aplicação de técnicas de XAI no domínio da lavagem de dinheiro. Esta é
precisão do modelo aumenta, a interpretabilidade diminui e, para saber uma clara lacuna e potencial para pesquisas futuras.
como os modelos estão tomando decisões, é necessário que seja
interpretável. Até agora, o foco da pesquisa tem sido mais em aumentar a O estudo realizado por [89] reforça a necessidade de compreender o
precisão do modelo e não em garantir a interpretabilidade do modelo. Isso ambiente operacional dos stakeholders que vão utilizar as explicações
desencadeou outra área de pesquisa que é a IA explicável. geradas pelos métodos XAI, para apoiar o seu processo de tomada de
decisão. O autor propõe um método de elicitação de requisitos baseado
XAI é uma classe de sistema que fornece visibilidade de como um em cenários para desenvolver explicações centradas no usuário usando
sistema de IA toma decisões, prevê e executa suas ações [86]. Área de métodos XAI para detecções de fraude. Conhecendo a falta de
pesquisa interdisciplinar, XAI tem atraído grande atenção de pesquisadores interpretabilidade e explicabilidade dos modelos de caixa negra, os
de todo o mundo. As técnicas XAI são aplicadas em outros domínios investigadores já fizeram progressos exponenciais na criação de diferentes
relacionados, como, no domínio bitcoin [87] apresentou um estudo abordagens post-hoc nos últimos 5 anos. Existem vários
artigos de revisão publicados sobre técnicas XAI que descrevem IA. O propósito e os conceitos do XAI são discutidos usando o que,
conceitos, taxonomia, métodos e desafios; a maioria aspectos por que, para quê e como . A revisão do XAI é
artigos de revisão abrangentes recentes sobre o assunto XAI estão listados apresentado usando duas categorias - (i) potencialmente interpretável
na TABELA 5. modelos - os modelos de ML com algum nível de transparência
Existem várias razões pelas quais a explicação é necessária para torná-lo interpretável (como regressão linear/logística,
para as decisões tomadas por modelos de caixa preta baseados em árvore de decisão, K-vizinhos mais próximos, aprendizagem baseada em regras,
o assunto do domínio de pesquisa, por exemplo – regulatório modelos aditivos gerais e modelos bayesianos) e (ii)
domínio do aplicativo deseja que a explicação justifique o técnicas post-hoc (agnósticos de modelo, técnicas post-hoc
decisões, o domínio do aplicativo de segurança deseja que a explicação para modelos superficiais, explicabilidade em DL e alternativas
controle os dados subjacentes e o IP que podem ser taxonomia para técnicas post-hoc para modelos DL) que
descobertos, alguns domínios precisariam da explicação para ajuda a tornar os modelos de ML interpretáveis; resultando em
melhorar as decisões, outros domínios precisariam da explicação para uma taxonomia global. Além disso, o autor conduz a discussão
descobrir o conhecimento [90]. Outros autores rumo à IA Responsável, definindo os princípios de IA (justiça, transparência
discutimos o tópico usando 5 W's e Como (O quê, Quem, e privacidade) a seguir na implementação de modelos de IA. Observa-se
Quando, Por que, Onde e Como) para trazer à tona o existente que a implementação do XAI tem
literatura. algumas implicações, especialmente no comprometimento da privacidade
A pesquisa, realizada por [91], está enfatizando a literatura baseada na envolvidos pelos dados e regras de negócios que são de natureza
importância da confiança no sistema e em uma necessidade genuína de confidencial. A visão do autor é que a interpretabilidade do modelo deve
explicabilidade, transparência e ser abordada juntamente com os requisitos e
Interpretabilidade para aplicações de IA no judiciário, governo, finanças e restrições de privacidade de dados, confidencialidade do modelo, justiça e
transporte autônomo. responsabilidade.
O trabalho explicável de IA é categorizado em dois grupos Pesquisadores da integração neural-simbólica (NSI)
[92]–(i) design de transparência que se concentra no interno tentou extrair o conhecimento relacional de redes neurais
funcionamento do modelo do ponto de vista do desenvolvedor e propondo vários métodos, mas permaneceram um desafio
(ii) design post-hoc, que explica por que um resultado é inferido para extrair características distintas e salientes da entrada e
do ponto de vista do usuário. camadas ocultas. Além disso, surgiram métodos para identificar a relação
O estudo conduzido por [16] explicou os conceitos subjacentes de entre as características. Townsend et al. [93]
explicabilidade do modelo, taxonomias XAI, apresentou uma revisão dos antigos e novos métodos de extração sem
oportunidades, desafios e caminho a seguir para uma gestão responsável explicação relacional. A revisão apresenta
TABELA 5. Artigos explicáveis de revisão de IA. 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).
categorias – métricas computacionais (geralmente padronizadas e soluções de detecção de lavagem de dinheiro são categorizadas em dois grupos. A primeira
automatizadas por especialistas em IA) e métricas cognitivas (geralmente categoria é identificar as transações suspeitas, exemplo - [23], [40] apresentou os métodos
coletadas por estudo de usuários). Outro autor revisou o aplicativo XAI para de aprendizagem profunda AutoEn-coder e Graph CNN, respectivamente, para identificar
IA autônoma e financeira. 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
Existem várias maneiras de analisar a explicação necessária para as chamados de sistemas de suporte à decisão, por exemplo - [22], [39] apresentou uma CNN
decisões tomadas pelos modelos de caixa preta. Uma abordagem é a multicanal usando PNL e GCN escalável método como sistema de apoio à decisão para
explicação baseada em evidências que descreve os detalhes dos investigação dos alertas, respectivamente.
de qualquer natureza) que devem ser relatados aos órgãos reguladores para • Classificação em várias etapas – A natureza inerente da 'detecção de
estarem em conformidade com as políticas AML/CTF. Embora o sistema transações suspeitas de lavagem de dinheiro' é uma
baseado em regras seja crucial, ele gera muitos falsos positivos problema de classificação em várias etapas, onde a decisão de
alertas para transações suspeitas que exigem enorme manual a suspeita é tomada em nível de transação, nível de alerta,
esforço para fazer a triagem do mesmo (exemplo - em um banco global, nível de caso, nível SMR e, finalmente, pelo nível de agência de
aproximadamente 10.000 analistas investigam mais de 400.000 alertas por aplicação da lei e aplicação da lei. Poucas decisões são tomadas por software
semana [22]). Poucas instituições financeiras com experiência em tecnologia e poucos requerem intervenção humana para investigação.
começou a aproveitar a tecnologia AI/ML para automatizar tais atividades Somente um grau em que a transação é suspeita pode
para melhorar a precisão da detecção de atividades suspeitas [15], mas ser melhorado em um sistema, porque se a transação é de fato
ainda há um longo caminho para adoção por muitos lavagem de dinheiro ou legítima é sempre
devido à falta de explicabilidade das decisões tomadas por decidido por uma agência governamental bem estabelecida e
Modelos de IA/ML. responsável no final.
Nas últimas décadas vários artigos foram publicados • Adoção lenta da tecnologia de IA – embora muitos modelos complexos,
com diferentes técnicas de aprendizado de máquina resumidas como redes neurais profundas, tenham dado
em muitos artigos abrangentes de revisão de literatura, como resultados promissores em termos de precisão e desempenho
como [3], [21], [24], [25], porém olhando para as penalidades noutros domínios, mas carece de transparência e
emitido pelas autoridades para instituições financeiras em um único ano interpretabilidade dos modelos que cria uma barreira para a IA
2019 [11], é evidente que os métodos publicados são adoção no domínio AML.
não é útil ou não é usado. • Domínio AML de natureza confidencial – muitos
Apesar dos avanços tecnológicos da estatística pesquisou metodologias para detectar suspeitas
métodos, aprendizado de máquina para DL, gravidade de 'suspeitos as transações de lavagem de dinheiro são patenteadas e, portanto,
O problema de detecção de transações de lavagem de dinheiro permaneceu eles não são publicados por razões óbvias [105]. Esse
mais ou menos constante desde as últimas duas décadas (exemplo Tang também cria uma lacuna/desconexão entre o que é de fato
e Yin [103] apresentou um método baseado em SVM em 2005, [32] aplicado na prática versus quais técnicas/métodos disponíveis para
apresentou técnica baseada em aprendizado de máquina no ano 2020). resolver o problema.
Muitos artigos de pesquisa são publicados apresentando a aplicação desses
métodos para detectar transações suspeitas e B. RESTRIÇÕES PARA PESQUISADORES A PARTIR DE DADOS
alegou melhorias em dois dígitos, porém raras são as evidências sobre o uso PERSPECTIVA
prático desses métodos por entidades relevantes • Dados reais – Bancos e instituições financeiras são os
como instituições financeiras e o desempenho real em todianos dos dados do cliente que incluem os dados do cliente
termos de redução de alertas falsos positivos ou custo operacional informações de identificação pessoal, os produtos e
redução. dados de transações. Os dados do cliente não podem ser compartilhados
Redes Neurais de Grafos são observadas como uma das com qualquer pessoa que não seja o cliente, o que é limitado
método mais comumente usado para detecção de suspeitas aos seus próprios dados. Do ponto de vista da pesquisa de ''detecção
redes de transações e lavagem de dinheiro. Juntamente com de transações suspeitas'', clientes, produtos e
Considerando o potencial do uso de redes neurais gráficas, existem vários as transações são a principal fonte de dados. As pesquisas
desafios [104], como complexidades devido a sistemas de transação de alta onde são usados dados reais, a maioria deles tem mais de dois anos
velocidade, sistemas em tempo real, multicanal e uma fração dos dados que qualquer instituição financeira
atualizações, tamanho dos dados, velocidade dos dados, variedade de dados e vários possui.
aplicações de negócios envolvidas; o que torna prático • Dados de treinamento – Os dados de transações suspeitas e dados de
implementação mais difícil. Por isso é essencial considerar o alertas de transações suspeitas são considerados altamente
infraestrutura correta, ferramentas apropriadas e considerações para dados confidenciais, uma vez que são usados pelos bancos para
esses desafios para melhorar o desempenho de futuras soluções baseadas preparar o SMR para submissão às autoridades regulatórias. Baseado em
em gráficos. 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
A. PRINCIPAIS DESAFIOS PARA DETECÇÃO DE DINHEIRO manter os SMRs confidenciais até mesmo do cliente que possui os
LAVAGEM dados. Do ponto de vista da pesquisa
• Mudança de tela – Embora os avanços tecnológicos tenham tornado o visualização, dados de transações suspeitas e dados de alertas de
serviço bancário mais fácil para os clientes, mas transações suspeitas são dados de rótulos importantes para treinar o
também apresentou novos caminhos para fraudadores. O aumento modelo de ML supervisionado para detectar lavagem de dinheiro suspeita
em volume e frequência de transações, múltiplos canais de clientes, transação.
liquidação de transações em tempo real, digital • Autenticidade dos dados de treinamento – As transações envolvidas
bancário e a mudança nos padrões de fraude mantiveram a tela na prática, a lavagem de dinheiro raramente é conhecida pelas
mudando. Cenário regulatório em constante mudança instituições financeiras, porque permanece informação confidencial
também tem sido um desafio para a indústria. com os departamentos de aplicação da lei e reguladores.
Estes são dados de rótulo precisos para treinar os modelos de ML D. O CAMINHO A SEGUIR
supervisionados para detectar transações suspeitas de lavagem de A tecnologia de aprendizado de máquina e aprendizado profundo é usada por
dinheiro, mas não estão facilmente disponíveis. alguns fornecedores selecionados de produtos de software AML (como SAS,
• Velocidade e volume reais de dados – Todos os dias, o banco gera Actimize, Oracle, LexisNexis, Fiserv.) para detecção de transações suspeitas.
milhões de transações de diferentes tipos através de vários sistemas A maioria das instituições financeiras depende fortemente de produtos de
bancários e múltiplos canais. Trata-se de um grande volume de dados, terceiros para detectar atividades suspeitas. Diferentes métodos estatísticos,
gerados em grande velocidade e com grande variedade. Muitos bancos técnicas de mineração de dados e aprendizado de máquina são utilizados
estão lutando para acompanhar a velocidade com que os dados são pelos produtos. A maioria dos produtos AML são treinados em dados sintéticos
criados e consolidando-os em conjunto para obter uma visão para e, uma vez implementados nas instituições financeiras, o produto é ajustado
analisá-los e obter insights ou aplicar técnicas analíticas avançadas com base em dados reais.
para identificar lavagem de dinheiro e fraudes financeiras. 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.
– Desequilíbrio de classe, sobreposição e rotulagem incorreta – As Portanto, a investigação no domínio AML utilizando aprendizagem automática
transações suspeitas são muito menores do que as transações ou aprendizagem profunda deve ser orientada pelos princípios da IA
legítimas que criam um desequilíbrio de dados durante o Responsável para garantir que a tecnologia seja aplicada de forma
treinamento dos modelos de ML, as transações usadas para transparente, mas salvaguardando o interesse de cada interveniente envolvido
lavagem de dinheiro são feitas semelhantes às transações no ecossistema financeiro.
legítimas que criam a sobreposição e a indisponibilidade dos
dados reais de casos de lavagem de dinheiro leva à dependência
E. DIREÇÕES DE PESQUISA FUTURA PARA O DOMÍNIO AML
de dados de transações suspeitas existentes, o que resulta na
Embora tenha havido uma investigação contínua para encontrar a melhor
rotulagem incorreta dos dados usados pelos modelos de BC [29].
solução possível para detectar e reportar as transacções de branqueamento
Um estudo conduzido por [48] apresentou uma abordagem em
de capitais, por parte de investigadores, empresas de produtos comerciais e
duas camadas para resolver o problema de desequilíbrio de
instituições financeiras; abaixo estão as direções para pesquisa identificadas
classe e escalabilidade para aprendizado de máquina.
após o estudo da literatura:
As instituições financeiras acreditam que o potencial da tecnologia de IA pode publicadas utilizou um conjunto limitado de dados (limitado a transações) e ignorou
ajudar em vários casos de negócios [43]. Algumas organizações já começaram a parte de pré-processamento de dados [13] e [19]. É importante obter o contexto
a dar pequenos passos desenvolvendo pequenos protótipos usando IA/ML completo do domínio, fontes de dados, tipos de dados e aproveitá-los para detectar
[15]. No entanto, a adoção global da IA é lenta principalmente devido aos lavagem de dinheiro. • Avaliação do modelo em relação a grandes volumes de
seguintes motivos: dados – A maioria dos métodos encontrados na literatura foram avaliados usando
• Explicabilidade – os modelos que fornecem alta precisão de previsão são um pequeno conjunto de dados em computação
geralmente de natureza não interpretável, o que dificulta a compreensão limitada, em comparação com os dados que são gerados praticamente no dia a dia
do raciocínio por trás das decisões tomadas [42]. nas instituições financeiras. Portanto, é importante considerar os cenários de
grandes volumes de dados para avaliar os modelos.
poucos deles - [86, 99-101], no entanto, até onde sabemos, nenhum e barreiras à adoção da IA pela indústria. Após percorrer a literatura, fica evidente que existem
deles é aplicado no domínio AML ainda. diversos métodos de aprendizado de máquina recomendados pelos pesquisadores para detecção
Conseqüentemente, a aplicação de técnicas XAI pode ser pesquisada de transações suspeitas. No entanto, quase nenhuma evidência de aplicação do mesmo na
posteriormente nos modelos não interpretáveis que proporcionam boa indústria. As possíveis razões identificadas são: a maioria das pesquisas é baseada em amostras
precisão de detecção. • de dados reais muito antigos ou em dados sintéticos, falta de dados de treinamento (alertas,
Aprendizagem em conjunto –Considerando o número de sistemas transações suspeitas) e falta de dados reais de transações de lavagem de dinheiro, falta de dados
financeiros, tipo de dados disponíveis, fontes de dados, volume de reais atuais contendo possíveis padrões de fraude mais recentes e dados de natureza altamente
dados; um modelo específico não pode ser uma solução; em vez sensível e confidencial. Pesquisas limitadas são observadas na aplicação de métodos DL e
disso, a aprendizagem em conjunto deve ser considerada para absolutamente nenhuma pesquisa na área de aplicação de técnicas XAI para domínio de detecção
aproveitar os dados disponíveis para trazer mais confiança na de lavagem de dinheiro suspeita, até onde sabemos. Da lista de técnicas de DL identificadas na
suspeita da transação, juntamente com as evidências. Poderia incluir literatura, de 5 artigos, 3 artigos escolheram CNN baseada em gráficos variantes da CNN, CNN
métodos estatísticos, mineração de dados, aprendizado de máquina escalável e CNN multicanal baseada em PNL; O 4º artigo escolheu o AutoEncoder e o 5º
• Partilha de dados entre entidades sujeitas – Cada instituição financeira CONTRIBUIÇÕES DO AUTOR
tem a inteligência/conhecimento acumulado sobre os clientes
Conceituação, DK, BP,; Supervisão geral e conceito: BP, metodologia e
suspeitos, padrões de transacções suspeitas e padrões de fraude.
análise formal, DK; curadoria de dados, DK; redação – preparação do
Se o conhecimento acumulado estiver disponível a todas as entidades
rascunho original, DK; redação – revisão e edição, BP, NS; supervisão, BP,
com proteção legal adequada para evitar o uso indevido do mesmo; o
NS; financiamento – BP, AA, Todos os autores leram e concordaram com a
combate ao branqueamento de capitais pode ser melhorado ainda
versão publicada do manuscrito.
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 CONFLITO DE INTERESSES
propõe uma gestão global do conhecimento de transações suspeitas Os autores declaram não haver conflito de interesses.
de lavagem de dinheiro de instituições financeiras (locais, nacionais REFERÊNCIAS
da UIF) e do Grupo FATF/Egmont (internacional) [110].
[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/
VI. CONCLUSÃO O the40recommendationspublishedoctober2004.html
problema de lavagem de dinheiro existe desde as últimas cinco décadas e o desafio de [2] Lavagem de Dinheiro Global, Crime, UNOoDa, Viena, Áustria,
Fevereiro de 2021.
identificar transações suspeitas de lavagem de dinheiro permanece o mesmo hoje,
[3] M. Tiwari, A. Gepp e K. Kumar, ''Uma revisão da literatura sobre lavagem de dinheiro:
principalmente devido às seguintes razões - quadro de fraude, tecnologia e regulamentação O estado da pesquisa em áreas-chave'', Pacific Accounting Rev., vol. 32, não. 2, pp.
em constante mudança; sendo um problema de classificação de várias etapas, os desafios 271–303, 2020.
[4] Gabinete do Conselho Parlamentar da Austrália. (2019). Lei de Combate à Lavagem
em torno dos dados para pesquisa de Dinheiro e ao Financiamento do Terrorismo de 2006, AUSTRAC, Editor.
[On-line]. Disponível: https://www.legislation.gov.au/Details/C2019C00011
[5] Estatuto da Lei do Sigilo Bancário (BSA), FCE Netw., Viena, Áustria, fevereiro de 2021. [26] GS Leite, AB Albuquerque e PR Pinheiro, ''Aplicação de soluções tecnológicas no combate
[6] Departamento de Justiça. (fevereiro de 2021). OoPA Credit Suisse Group da Suíça foi à lavagem de dinheiro - Uma revisão sistemática da literatura'', Appl. Ciência, vol. 9, não.
multado em US$ 536 milhões. 2009 [On-line]. Disponível: https://www.justice.gov/opa/pr/ 22, pág. 4800, 2019.
credit-suisse-agrees-forfeit-536-million-connection-violations-international-emergency [7] [27] A. Semenov, ''Pesquisa de abordagens de design comuns no desenvolvimento de software
J. Quinn e KG Lloyds. O Banking Group of UK foi multado AML'', em Proc. CEUR-WS, 2017, pp.
em US$ 350 milhões (2009). O telégrafo. O telégrafo. [On-line]. Disponível: https:// [28] B. Shaju e N. Valliammal, ''Medidas para detecção de fraude financeira usando análise de
www.telegraph.co.uk/finance/4213151/Lloyds-TSB-agrees-to-pay-fine-of-350m-for-sanctions- dados e aprendizado de máquina'', Int. J. Adv. Ciência. Tecnologia, vol. 28, não. 17, pp.
help.html 270–280, 2019.
[29] A. Sudjianto, ''Métodos estatísticos para combater crimes financeiros'', Techno-
[8] CBS Notícias. (2012). HSBC pagará US$ 1,9 bilhão para resolver caso de lavagem de
métricas, vol. 52, não. 1, pp. 5–19, 2010.
dinheiro. www.cbc.ca [On-line]. Disponível: https://www.cbc.ca/news/business/hsbc-to-
[30] Força FAT. (2021). O que é lavagem de dinheiro. Acesso em: 26 fev. 2021. [Online].
pay-1-9b-to-settle-money-laundering-case-1.1226871 [9] The Wall
Disponível: https://www.fatf-gafi.org/faq/ moneylaundering/#d.en.11223 [31] B. Kitchenham
Street Journal. (2012). ING multou um valor recorde e pena de US$ 619 milhões vinculada a
e S. Charters, ''Guidelines for
Cuba e Irã por violação dos EUA
Performing Systematic Literature Reviews in Software Engineering'', em Diretrizes para Realização
Sanções Econômicas. [On-line]. Disponível: https://www.wsj.com/articles/
SB10001424052702303901504577462512713336378 de Revisões Sistemáticas de Literatura em Engenharia de Software. Keele, Reino Unido,
[10] Centro, ATRaA (2018). AUSTRAC e CBA concordam com multa de US$ 700 milhões. 2007.
[On-line]. Disponível: https://www.austrac.gov.au/austrac-and-cba-agree-700m-penalty [32] M. Jullum, A. Løland, RB Huseby, G. Ånonsen e J. Lorentzen, ''Detectando transações de
[11] B. Monroe. lavagem de dinheiro com aprendizado de máquina'', J. Money Laundering Control, vol. 23,
(fevereiro de 2021). Fincrime Briefing: Multas de AML em 2019 ultrapassam US$ 8 bilhões, não. 1, pp. 173–186, janeiro de 2020.
funcionário do Tesouro se declara culpado de vazamento, Perspectiva de conformidade [33] T.Davenport. (2020). O futuro do trabalho agora: vigilância de transações orientada por IA no
criptográfica de 2020. [On-line]. Disponível: https://www.acfcs.org/fincrime-briefing-aml- DBS Bank. Forbes [On-line]. Disponível: https://www.forbes.com/sites/tomdavenport/
fines-in-2019-breach-8-billion-treasury-official-pleads-guilty-to-leaking-2020- 2020/10/23/the-future-of-work-now-ai-driven-transaction-surveillance-at-
crypto-compliance-outlook- e-mais/#:~:text=Key%20observations%3A,25%20 dbs-bank/?sh=4772a6383f7f
penalidades%20totaling%20%242,29bn
[34] S. Jaiswal e M. Valstar, ''Aprendizagem profunda da aparência dinâmica e
[12] Centro. (2020). ATRaA AUSTRAC e Westpac concordam com a proposta de multa de US$ da forma das unidades de ação facial'', IEEE, Lake Placid, NY, EUA, Tech.
1,3 bilhão. [On-line]. Disponível: https://www.austrac.gov.au/news-and-media/media- Rep .
release/austrac-and-westpac-agree-penalty [13] Z. Chen, ''Técnicas de [35] Y. Liang, ''Controle de última geração de jogos Atari usando aprendizagem por reforço
aprendizado de máquina para combate à lavagem de dinheiro (AML) soluções em detecção de superficial'', em Proc. Internacional Encontrado. Automático. Agentes Sistema Multiagente
transações suspeitas: uma revisão,'' Knowl. Inf. Sistema, vol. 57, não. 2, pp. 245–285, (IFAAMAS), 2016, pp. 485–493.
2018. [36] C. Szegedy, ''Indo mais fundo com convoluções'', IEEE Comput. Soc., ser
[14] Empresa de mídia. (2019). Abordagens de transformação de riscos para combate à lavagem
Publicados.
de dinheiro e crimes financeiros. Acesso em: 26 fev. 2021. [Online]. Disponível: https://
[37] TN Kipf e M. Welling, ''Classificação semi-supervisionada com redes convolucionais de
www.mckinsey.com/~/media/McKinsey/Business%20Functions/ Risk/Our%20Insights/
grafos'', em Proc. Internacional Conf. Aprender. Representar. (ICLR), 2017, pp.
Transforming%20approaches%20to%20AML%20 and%20financial%20crime/Transforming-
approaches-to-AML -and-financial%20crime-vF.pdf [15] Instituto de Finanças
[38] J. Chen e TCM Xiao, ''FastGCN: Aprendizado rápido com redes convolucionais de grafos
Internacionais. (2018).
via amostragem de importância'', em Proc. Internacional Conf. Aprender.
Aprendizado de máquina no combate à lavagem de dinheiro – Relatório resumido. [On-line].
Representar. (ICLR), 2018, pp.
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, [39] J. Han, ''NextGen AML: Distributed deep learning based language tech-nologies to Augment
''Inteligência artificial explicável explicável (XAI): Conceitos, taxonomias, oportunidades e Anti Money Laundering Investigation'', em Proc. Assoc.
desafios para uma IA responsável,'' Inf. Fusão, vol. 58, pp. 82–115, junho de 2020. 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.
[17] R. Al-Shabandar, G. Lightbody, F. Browne, J. Liu, H. Wang e H. Zheng, ''A aplicação da Assoc. Computação. Máquinas, 202, pp.
inteligência artificial na gestão de conformidade financeira'', em Proc. Internacional Conf. [41] Y. Feng, C. Li, Y. Wang, J. Wang, G. Zhang, C. Xing, Z. Li e Z. Lian, ''Pesquisa anti-lavagem
Artefato. Intel. Av. Fabrico. (AIAM), 2019, pp. de dinheiro (AML): Um sistema para identificação e multiclassificação”, no Proc. 16ª Inf.
[18] PricewaterhouseCoopers. (fevereiro de 2021). IA explicável impulsionando valor comercial Sist. Apl. Conf. (WISA), W.Ni, Ed. Cham, Suíça: Springer, 2019, pp.
por meio de maior compreensão. 2017. [On-line]. Disponível: https://www.pwc.co.uk/
services/risk-assurance/insights/explainable-ai.html [42] A. Mashrur, ''Aprendizado de máquina para gerenciamento de risco financeiro: uma pesquisa'',
IEEE Access, vol. 203203–203223, 2020.
[19] ME Lokanan, “Mineração de dados para análise estatística de transações de lavagem de [43] F. Königstorfer e S. Thalmann, ''Aplicações de inteligência artificial em bancos comerciais -
dinheiro”, J. Money Laundering Control, vol. 22, não. 4, pp. 753–763, outubro de 2019. Uma agenda de pesquisa para finanças comportamentais'', J. Behav.
Exp. Finanças, vol. 27 de setembro de 2020, art. não. 100352.
[20] EWT Ngai, Y. Hu, YH Wong, Y. Chen e X. Sun, ''A aplicação de técnicas de mineração de
[44] União Europeia, ''Regulamento geral de proteção de dados (GDPR),'' Official J. Eur. União, pág.
dados na detecção de fraude financeira: uma estrutura de classificação e uma revisão
43 e 50–51, abril de 2016. [Online]. Disponível: https://eur-lex.europa.eu/legal-content/EN/
acadêmica da literatura,'' Decision Support Syst ., vol. 50, não. 3, pp. 559–569, 2011.
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].
[21] NM Labib, MA Rizka e AEM Shokry, Pesquisa de abordagens de aprendizado de máquina de
Disponível: https://leginfo. legislature.ca.gov/faces/codes_displayText.xhtml?
técnicas de combate à lavagem de dinheiro para combater o financiamento do terrorismo
division=3.&part=4.& lawCode=CIV&title=1.81.5#:~:text=and%20to%20Whom-,(a)%20A%
(notas de aula em redes e sistemas). Singapura: Springer, 2020, pp.
20consumer%20shall %20têm%20o%20certo%20to%20solicitação%
20que,negócios%20coletados%20sobre%20o%20consumidor [46] M. Alkhalili e
[22] M. Weber, J. Chen, T. Suzumura, A. Pareja, T. Ma, H. Kanezashi, T. Kaler, CE Leiserson e
MHFQ Almasalha, ''Investigação da aplicação de aprendizado de máquina
TB Schardl, '' Aprendizado de gráfico escalável para combate à lavagem de dinheiro: A
para filtragem de lista de observação em combate à lavagem de dinheiro, '' Acesso IEEE, vol. 9, pp.
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. [47] I. Alarab, S. Prakoonwit e M. Nacer, ''Competência de redes convolucionais gráficas para
Engineers Inc., CA, EUA, Tech. Rep. 7838276, 2017. combate à lavagem de dinheiro em blockchain de bitcoin'', em Proc. 5º Int. Conf. Mach.
[24] AAS Alsuwailem e AKJ Saudagar, ''Sistemas anti-lavagem de dinheiro: Uma revisão Aprender. Tecnologia. (ICMLT), 2020, pp.
sistemática da literatura'', J. Money Laundering Control, vol. 23, não. 4, pp. 833–848, maio [48] P. Tertychnyi, ''Modelos de aprendizado de máquina escaláveis e resistentes a desequilíbrios
de 2020. para combate à lavagem de dinheiro: uma abordagem em duas camadas'', em Proc. 10º
[25] P. Irofti, A. Pÿtraÿcu e A. Bÿltoiu, ''Detecção de fraude em redes'', em Estudos em Inteligência Int. Workshop Enterprise Appl., Markets Services Finance Ind. (Finance-Com), B. Clapham
Computacional. Cham, Suíça: Springer, 2021, pp. e J. Koch, Eds. Cham, Suíça: Springer, 2020, pp.
[49] S. Farrugia e JGE Azzopardi, ''Detecção de contas ilícitas na blockchain Ethereum'', [72] RAL Torres e M. Ladeira, ''Uma proposta para análise online e identificação de transações
Expert Syst. Ap., vol. 150, pág. 2 e 15 de julho de 2020, art. não. 113318, doi: 10.1016/ financeiras fraudulentas'', em Proc. 19º IEEE Int.
j.eswa.2020.113318. Conf. Mach. Aprender. Apl. (ICMLA), dezembro de 2020, pp.
[50] O. Garcia-Bedoya, O. Granados e JC Burgos, J. Controle de Lavagem de Dinheiro, vol. [73] J. Guevara, O. Garcia-Bedoya e O. Granados, ''Metodologias de aprendizado de máquina
24, não. 1, pp. 49–62, maio contra lavagem de dinheiro em correspondentes não bancários'', em Proc. 3º Int. Conf.
Apl. Informar. (ICAI), H. Florez e S. Misra, Eds.
[51] A. Kumar, S. Das e V. Tyagi, ''Detecção anti-lavagem de dinheiro usando o classificador Cham, Suíça: Springer, 2020, pp.
Naïve Bayes'', em Proc. Internacional IEEE. Conf. Comput., Power Commun. [74] AEM Shokry, MA Rizka e NM Labib, ''Combater o financiamento do terrorismo detectando
Tecnologia. (GUCON), 2020, pp. redes ocultas de lavagem de dinheiro usando algoritmo de aprendizado de máquina
[52] Y. Zhang e P. Trubey, ''Aprendizado de máquina e esquema de amostragem: Um estudo não supervisionado'', em Proc. 13ª Int. IADIS. Conf. (TIC), Soc. Zumbir. Seres (TIC),
empírico de detecção de lavagem de dinheiro'', Comput. Economia, vol. 54, não. 3, 6º Int. IADIS. Conf. Cidades Inteligentes Conectadas (CSC), 17º IADIS Int. Conf.
pp. 1043–1063, 2019. Redes Sociais de Comunidades Baseadas na Web (WBC), 14ª Multi Conf. Computação.
[53] S. Magomedov, S. Pavelyev, I. Ivanova, A. Dobrotvorsky, M. Khrestina e T. Yusubaliev,
Ciência. Inf. Sist. (MCCSIS), 13º Int. IADIS. Conf. TIC, Soc. Zumbir. Seres (TIC), 6º
''Detecção de anomalias com aprendizado de máquina e bancos de dados gráficos
Int. IADIS. Conf. Cidades Inteligentes Conectadas (CSC), 17º IADIS Int. Conf. Redes
em gerenciamento de fraudes,'' Int. J. Adv. Computação. Ciência. Ap., vol. 9, não. 33–
Sociais de Comunidades Baseadas na Web (WBC), 14ª Multi Conf. Computação.
38, 2018.
Ciência. Inf. Sist. (MCCSIS IADIS), 2020, pp. [On-line]. Disponível: https://www.elearning-
[54] K. Plaksiy, A. Nikiforov e N. Miloslavskaya, ''Aplicando tecnologias de big data para
conf.org/wp-content/uploads/2020/07/02_202008L012_F050.pdf [75] H. Baek, J. Oh,
detectar casos de lavagem de dinheiro e combate ao financiamento do terrorismo'', em
CY Kim e K. Lee, ''Um modelo para detectar transações de
Proc. 6º Int. IEEE. Conf. Futuros workshops sobre Internet Things Cloud (W-FiCloud),
criptomoeda com finalidade discernível,'' no Proc. 11º Int. Conf.
2018, pp.
[55] E. Badal-Valero, JA Alvarez-Jareño e JM Pavía, ''Combinando a lei de Benford e o
Rede futura onipresente. (ICUFN), julho de 2019, pp.
aprendizado de máquina para detectar lavagem de dinheiro. Um verdadeiro processo
[76] EL Paula, '' Detecção de anomalias de aprendizagem profunda como apoio à
judicial espanhol, '' Forensic Sci. Internacional, vol. 282, pp. 24–34, janeiro de 2018.
investigação de fraudes nas exportações brasileiras e combate à lavagem de dinheiro,
[56] D. Savage, ''Detecção de grupos de lavagem de dinheiro: aprendizagem supervisionada
'' in Proc. 15º Int. IEEE. Conf. Mach. Aprender. Apl. (ICMLA), 2017, pp.
em pequenas redes'', em Proc. 31ª Conf. AAAI. Artefato. Intel. (AAAI), 2017, pp.
[77] RD Camino, R. State, L. Montero e P. Valtchev, “Encontrando atividades suspeitas em
[57] C. Alexandre e J. Balsa, ''Integrando o perfil do cliente em um sistema multiagente anti- transações financeiras e livros distribuídos”, em Proc. Internacional IEEE. Conf.
lavagem de dinheiro'', em Proc. Conferência Mundial Inf. Workshops de mineração de dados (ICDMW), novembro de 2017, pp.
Sist. Tecnologia. (WorldCIST), MM Teixeira, Ed. Cham, Suíça: Springer-Verlag, 2016, [78] X. Li, X. Cao, X. Qiu, J. Zhao e J. Zheng, ''Solução inteligente contra lavagem de dinheiro
pp. baseada na detecção de novas comunidades em redes de transações massivas no
[58] V. Jayasree e RVS Balan, ''Anti lavagem de dinheiro em instituições financeiras usando Spark'', em Proc. 5º Int. Conf. Av. Cloud Big Data (CBD), agosto de 2017, pp.
cálculo de mapeamento de afiliação e mineração sequencial'', J. Eng. Apl. Ciência,
vol. 11, não. 1, pp. 51–56, 2016. [79] R. Drezewski, G. Dziuban, ÿ. Hernik e M. Paczek, “Comparação de técnicas de mineração
[59] V. Jayasree e RVS Balan, ''Identificação de lavagem de dinheiro em dados bancários de dados para sistema de detecção de lavagem de dinheiro”, em Proc. Internacional
usando padrão sequencial de auditoria relacional probabilística'', Asian J. Appl. Ciência, Conf. Ciência. Inf. Tecnologia. (ICSITech), outubro de 2015, pp.
vol. 8, não. 3, pp. 173–184, junho de 2015. [80] DK Cao e P. Do, ''Aplicando mineração de dados na detecção de lavagem de dinheiro
[60] M. Zhdanova, J. Repp, R. Rieke, C. Gaber e B. Hemery, ''No smurfs: Revealing fraud para o setor bancário vietnamita'', em Proc. 4ª Conferência Asiática. Intel. Inf.
chains in mobile money transfer'', em Proc. 9º Int. Conf. Sistema de banco de dados (ACIIDS), Kaohsiung, Taiwan, 2012, pp.
Disponibilidade, Rel. Secur., setembro de 2014, pp. [81] X. Liu e P. Zhang, “Um modelo de detecção de transações suspeitas baseado em
[61] Y. Yang, B. Lian, L. Li, C. Chen e P. Li, ''Algoritmo de cluster DBSCAN aplicado para estatísticas de varredura para combate à lavagem de dinheiro (AML) em instituições
identificar transações financeiras suspeitas'', em Proc. Internacional Conf. financeiras”, em Proc. Internacional Conf. Comun Multimídia. (Mediacom), 2010. Hong
Distribuição habilitada para cibernética. Computação. Sabe. Descoberta, outubro de 2014. Kong, 2010, pp.
[62] S. Raza e S. Haider, ''Relatórios de atividades suspeitas usando redes bayesianas [82] C. Yunkai, L. Zhengding, L. Ruixuan, L. Yuhua e S. Xiaolin, ''A pesquisa de um algoritmo
dinâmicas'', em Proc. 1ª Conferência Mundial. Inf. Tecnologia. (WCIT), Istambul, de agrupamento conceitual incremental e sua aplicação na detecção de lavagem de
Turquia, 2010, pp. dinheiro'', Wuhan Univ. J. Ciências Naturais, vol. 11, não. 5, pp. 1076–1080, setembro
[63] K. Michalak e J. Korczak, ''Abordagem de mineração de gráficos para detecção de de 2006.
transações suspeitas'', em Proc. Confederação Federada Computação. Ciência. Inf. Sist. [83] J. Han, U. Barman, J. Hayes, J. Du, E. Burgin e D. Wan, '' NextGen AML: Tecnologias
(FedCSIS), Szczecin, Polónia, 2011, pp. 69–75. de linguagem distribuídas baseadas em aprendizagem profunda para aumentar a
[64] R. Liu, X.-L. Qian, S. Mao e S.-Z. Zhu, ''Pesquisa sobre combate à lavagem de dinheiro
investigação anti-lavagem de dinheiro, '' em Proc . Sistema ACL. Demonstrações,
com base no algoritmo central da árvore de decisão'', em Proc. Queixo. Controle
2018, pp.
Decis. Conf. (CCDC), maio de 2011, pp.
[84] H. Kanezashi, T. Suzumura, D. Garcia-Gasulla, M.-H. Ah, e S. Matsuoka, ''Correspondência
[65] N.-A. Le-Khac, S. Markos e M.-T. Kechadi, “Rumo a uma nova abordagem baseada em
adaptativa de padrões com aprendizagem por reforço para gráficos dinâmicos'', em
mineração de dados para combate à lavagem de dinheiro em um banco de investimento
Proc. IEEE 25º Int. Conf. Alto desempenho. Computação.
internacional”, em Proc. 1º Int. Conf. Dígito. Crime Cibernético Forense (ICDF2C),
(HiPC), dez. 2018, pp. 92–101.
Albany, NY, EUA, 2010, pp.
[85] X. Chao, ''Métodos de monitoramento de comportamento para lavagem de dinheiro baseada
[66] I. George e M. Kavakli, '' Mineração de dados na investigação de lavagem de dinheiro e
no comércio, integrando regulação macro e microprudencial: um caso da China'', Technol.
financiamento do terrorismo, '' em Tecnologias de Vigilância e Sistemas de Alerta
Desenvolvimento Econômico. Economia, vol. 25, não. 6, pp. 1081–1096, 2019.
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 [86] A. Rai, '' IA explicável: da caixa preta à caixa de vidro '', J. Acad. Ciências de Marketing,
lavagem de dinheiro: um estudo de caso'', em Proc. Internacional IEEE. vol. 48, não. 1, pp. 137–141, janeiro de 2020.
Conf. Data Mining Workshops, Sydney, NSW, Austrália, dezembro de 2010, pp. [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.
https://doi.org/10.1103/PhysRevLett.198.111100, Google Scholar Crossref, CAS 68. CH Internacional Conf. Comum. Sist. Rede. (COMSNETS), janeiro de 2021.
Zhang e XH Zhao, Crossref, Google Scholar Crossref, CAS Universidade de Wuhan. [88] A. Westerski, ''Detecção de anomalias explicáveis para identificação de fraudes em
Tecnologia, vol. 30, não. 2, pp. 154–156, compras - Lições de implantações práticas'', Int. Trad. Ópera.
[69] Q. Yang, B. Feng e P. Song, ''Estudo sobre sistema de serviço anti-lavagem de dinheiro Res., pp. 1–2, março. 2021, doi: 10.1111/itor.12968.
de pagamento online baseado no modo banco-sindical'', em Proc. Internacional Conf. [89] D. Cirqueira, ''Elicitação de requisitos baseada em cenários para IA explicável centrada
Comunicação sem fio, Netw. Computação Móvel. (WiCOM), Xangai, China, setembro no usuário,'' in Proc. Internacional Conferência entre domínios Mach. Aprender. Sabe.
de 2007, pp. Extração (CD-MAKE), vol. 4, A. Holzinger, Ed. Cham, Suíça: Springer, 2020, 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. [90] A. Adadi e M. Berrada, '' Espiando dentro da caixa preta: uma pesquisa sobre inteligência
Mineração de dados de descoberta (KDD), 2003, pp. artificial explicável (XAI), '' IEEE Access, vol. 6, pp. 52138–52160, 2018.
[71] J.-de-J. Rocha-Salazar, Segovia-Vargas e M.-J.
M.-del-M. Camacho-Miñano, ''Detecção de lavagem de dinheiro e financiamento do [91] FK Dosilovic e MNB Hlupic, ''Inteligência artificial explicável: uma pesquisa'',
terrorismo usando redes neurais e um indicador de anormalidade'', Expert Syst. Ap., Inst. Eleger. Elétron. Eng., Opatija, Croácia, Tech. Rep .
vol. 169, maio de 2021, art. não. 114470.
[92] F. Xu, IA explicável: uma breve pesquisa sobre história, áreas de pesquisa, BISWAJEET PRADHAN (Membro Sênior, IEEE) recebeu o
abordagens e desafios, J. Tang, Ed. Cham, Suíça: Springer, 2019, pp. título de Habilitação em Sensoriamento Remoto pela
Universidade de Tecnologia de Dresden, Alemanha, em 2011.
[93] J. Townsend, T. Chaton e JM Monteiro, '' Extraindo explicações relacionais de redes
Atualmente é Diretor do Centro de Modelagem Avançada e
neurais profundas: Uma pesquisa de uma perspectiva neural-simbólica, '' IEEE
Sistemas de Informação Geoespacial (CAMGIS), Faculdade
Trans. Rede Neural. Aprender. Sistema, vol. 31, não. 9, pp. 3456–3470, setembro
de Engenharia e TI. Ele é o Professor Distinto da Universidade
de 2020.
de Tecnologia de Sydney. Ele é um cientista internacionalmente
[94] Y. Liang, ''Explicando o modelo de caixa preta: Uma pesquisa de métodos de
estabelecido nas áreas de sistemas de informação geoespacial
interpretação local para redes neurais profundas'', Neurocomputing, vol. 419, pp.
168–182, janeiro de 2021. (GIS), sensoriamento remoto e processamento de imagens,
[95] X.-H. Li, CC Cao, Y. Shi, W. Bai, H. Gao, L. Qiu, C. Wang, Y. Gao, S. Zhang, X. Xue modelagem complexa/geocomputação, aprendizado de
e L. Chen, ''Uma pesquisa de dados baseados em e IA eXplainável com máquina e aplicações de computação suave, riscos naturais e modelagem ambiental. De 2015
conhecimento de conhecimento,'' IEEE Trans. Sabe. Data Eng., a ser publicado. a 2021, atuou como Cientista Embaixador da Fundação Alexander Humboldt, Alemanha. Dos
[96] I. Stepin, JM Alonso, A. Catala e M. Pereira-Farina, ''Uma pesquisa de métodos de seus mais de 650 artigos, mais de 500 foram publicados em revistas técnicas com índice de
geração de explicação contrastiva e contrafactual para inteligência artificial citações científicas (SCI/SCIE). Ele é autor de oito livros e 13 capítulos de livros. Ele recebeu
explicável'', IEEE Access, vol. 9, pp. a bolsa Alexander von Humboldt da Alemanha. Ele vem recebendo 55 prêmios em
[97] P. Linardatos, VS Papastefanopoulos e S. Kotsiantis, ''Explainable AI: Uma revisão reconhecimento à sua excelência em ensino, serviço e pesquisa, desde 2006. Ele recebeu a
dos métodos de interpretabilidade de aprendizado de máquina'', Entropy, vol. 23, bolsa de pesquisa Alexan-der von Humboldt da Alemanha. De 2016 a 2020, ele foi listado
não. 1, pp. 1–45, 2021. como o pesquisador mais citado do mundo pelo Clarivate Ana-lytics Report como uma das
[98] E. Puiutta Aprendizagem por Reforço Explicável: Uma Pesquisa, A. Holzinger, Ed.
mentes mais influentes do mundo. De 2018 a 2020, foi premiado como Professor de Classe
Cham, Suíça: Springer, 2020, pp.
Mundial pelo Ministério de Pesquisa, Tecnologia e Ensino Superior da Indonésia. Ele é editor
[99] MT Ribeiro e SC Singh Guestrin, '''Por que eu deveria confiar em você?': Explicando
associado e membro editorial de mais de oito periódicos do ISI. Ele viajou muito ao exterior,
as previsões de qualquer classificador,'' em Proc. ACM SIGKDD, 2016, pp.
visitando mais de 52 países para apresentar os resultados de suas pesquisas.
[108] AI Canhoto, ''Aproveitando o aprendizado de máquina na luta global contra a geofísica aplicada pela University of South Florida, Tampa, em
lavagem de dinheiro e o financiamento do terrorismo: uma perspectiva de recursos'', 1985, e doutorado. formou-se em sismologia de terremotos
J. Bus. Res., vol. 131, pp. 441–452, julho de 2021. pela Universidade de Minnesota, EUA, em 1990. Atualmente
[109] A. Zand, J. Orwell e E. Pfluegel, ''Uma estrutura segura para combate à lavagem de dinheiro é professor de sismologia de terremotos.
usando aprendizado de máquina e compartilhamento de segredos'', em Proc. Internacional Conf.
Cibersegurança. Dígito de Proteção. Serviços (Cyber Secur.), junho de 2020, pp. Ele é o Diretor do Centro de Estudos Sísmicos da Universidade
[110] N. Yasaka, “Gestão de conhecimento global do sistema de relatórios de transações King Saud (KSU). Sua pesquisa inter-
suspeitas no Japão”, J. Money Laundering Control, vol. 23, não. 1, pp. 55–63, ests incluem estruturas crustais e micro sísmicas
janeiro de 2020. 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
DATTATRAY VISHNU KUTE recebeu o B.Engg. graduado em ciência do vulcânico Harrats no escudo árabe. Publicou mais de 150 artigos de pesquisa, realizou mais
da computação e engenharia pela Dr. BAM University, Índia. Ele está de 45 projetos de pesquisa, é autor de vários livros e relatórios técnicos. Ele é Diretor e Co-
atualmente cursando o M.Res. graduação pelo Centro de Modelagem Investigador em vários projetos nacionais e internacionais, incluindo KSU, KACST, NPST, IRIS,
Avançada e Sistemas de Informação Geoespacial (CAMGIS), CTBTO, Força Aérea dos EUA, NSF, UCSD, LLNL, OSU, PSU e Max Planck. Ele é o
Faculdade de Engenharia e TI, Universidade de Tecnologia de presidente da Sociedade Saudita de Geociências. Ele presidiu e co-presidiu vários workshops
Sydney (UTS). 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
Seus interesses de pesquisa incluem a aplicação de de Engenharia, da Mitigação de Terremotos na Região do Mediterrâneo Oriental, da
aprendizado de máquina, aprendizado profundo e técnicas Comunicação Nacional para Avaliação e Mitigação de Riscos de Terremotos na Arábia Saudita.
explicáveis de IA no domínio bancário e financeiro. Arábia e a Mitigação de Riscos Naturais na Defesa Civil. Obteve diversos prêmios e distinções
Ele tem mais de duas décadas de experiência profissional em tecnologia da informação no mundiais por sua excelência científica e inovação. Ele é o Editor-Chefe do Arabian Journal of
fornecimento de soluções para grandes clientes de vários setores, incluindo bancos e finanças, Geosciences (AJGS).
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.