Case study LaundroGraph: deep learning contro il riciclaggio di denaro

Marina Londei

Tempo di lettura: 1' 15''

Pubblicato il: 29/11/2022

I ricercatori di Feedzai, una compagnia di data science finanziaria con sede in Portogallo, hanno sviluppato un modello supervisionato di machine learning per individuare operazioni di riciclaggio di denaro.

Il processo di analisi, finora fatto a mano, è lungo e difficile; il modello si rivela un aiuto fondamentale per esaminare le transazioni bancarie e trovare quelle sospette.

Pixabay

LaundroGraph, questo il nome del modello, analizza le operazioni finanziarie dei clienti di una banca e le rappresenta in forma di grafo. Gli analisti possono così individuare movimenti sospetti senza dover studiare l'intera cronologia delle transazioni né confrontarle una a una.

"LaundroGraph genera dense rappresentazioni context-aware delle transazioni bancarie" ha spiegato Mario Cardoso, data scientist presso Feedzai. "Il modello sfrutta l'informazione strutturale e funzionale di un grafo tramite un task di link prediction tra un cliente e le transazioni. Si tratta di un grafo bipartito cliente-transazione, creato a partire dai movimenti finanziari."

L'analisi permette di scoprire le relazioni tra i due attori del grafo e individuare eventuali anomalie. Gli analisti si concentreranno poi su queste per valutare se c'è un effettivo riciclaggio di denaro.

Gerd Altmann on Pixabay

Il modello riduce significativamente il lavoro degli analisti, che non devono più mettere in relazione centinaia di transazioni e provare a ricavarne qualche indicazione. 

Il principio dietro LaundroGraph può essere usato non solo per il riciclaggio di denaro ma per qualsiasi tipo di frode, finanziaria e non, che coinvolga movimenti sospetti che si discostano da una norma definita.