Slimmere controles in plaats van meer controles: hoe AI financiële criminaliteit kan bestrijden
Deloitte’s Evert Haasdijk wordt bijzonder hoogleraar AI en Financial Economic Crime.
Door AI slim toe te passen kunnen we financieel-economische criminaliteit (FEC) veel effectiever bestrijden. Daar is Evert Haasdijk, AI-specialist in Deloitte’s FEC-team, van overtuigd. In juni houdt hij aan de Universiteit van Amsterdam zijn oratie als bijzonder hoogleraar AI en Financial Economic Crime. Met deze leerstoel hoopt hij het ecosysteem rondom de aanpak van financieel-economische criminaliteit te versterken en innovatie te versnellen.
Waarom is dat nodig?
“In het uur dat we voor dit gesprek gepland hebben geven Nederlandse banken 160.000 euro uit aan het bestrijden van witwassen en terrorismefinanciering. En dat doen ze 24 uur per dag. Ondanks deze investering wordt naar schatting per jaar minder dan vijf procent van al het criminele geld in beslag genomen.”
“Vanuit mijn rol als hoogleraar hoop ik dat te kunnen verbeteren. In de dagelijkse praktijk bij banken is er te weinig tijd en zijn er te weinig middelen om innovatief onderzoek uit te voeren en aan de andere kant zie ik dat er in de wetenschap over dit onderwerp soms zaken worden onderzocht die ver van die praktijk afstaan. Door deze twee werelden samen te brengen hoop ik daar verandering in te brengen.”
Je expertise ligt al sinds je begin jaren negentig afstudeerde bij AI. Al ruim acht jaar pas je je kennis erover nu toe op financieel-economische criminaliteit. Wat vind je interessant aan dit vakgebied?
“Criminaliteit zou niet moeten lonen en ik wil er graag aan bijdragen dat dat in elk geval minder het geval is. Daar heeft de maatschappij iets aan. Tegelijkertijd zie ik dagelijks dat de goeden onder de kwaden lijden. Banken hebben heel veel strenge controles opgetuigd, een logisch gevolg van het strenge toezicht waaronder ze staan. Maar dat betekent dat een goedwillend Nederlands bedrijf dat nauw samenwerkt met een Zuid-Afrikaanse partner, heel veel moeite moet doen om een bankrekening te kunnen openen.”
“En als jij een terechte, nette betaling ontvangt uit een verdacht land, is iemand bij een bank zomaar een halve dag bezig om onderzoek naar die betaling te doen. Dat is misschien wel negen van de tien keer ten onrechte. Moet je eens nagaan hoeveel we kunnen besparen als we dat aantal onterechte onderzoeken kunnen beperken.”
Hoe kan AI ons daarbij helpen?
“Ik zie kansen voor AI rondom drie thema’s: detectie, ondersteuning van het onderzoek zelf en risicoanalyse. Voor detectie gebruiken we al machine learning, waarmee we patronen herkennen in grote hoeveelheden data. Dit zouden we wat mij betreft nog veel meer kunnen inzetten.”
“Een innovatie op het gebied van machine learning is bijvoorbeeld de toepassing van autoencoders, neurale netwerken die het gedrag van een klant over een langere periode in kaart kunnen brengen. Zo vind je soms verborgen patronen die je in losse transacties nooit zou kunnen vinden. Met een bank werk ik nu aan een project om dit verder uit te zoeken.”
“AI kan ook helpen bij het ondersteunen van het onderzoek. Zodra er een alert afgaat moet een medewerker van de bank ermee aan de slag en AI kan hierbij een goede assistent zijn. Bijvoorbeeld door documenten samen te vatten of conceptrapportages op te stellen. Pilots hiermee laten al een efficiëntiewinst zien van 20 tot 50 procent. Daardoor houden analisten tijd over voor de echte analyses.”
“Risicoanalyse vind ik zelf het interessantste thema. Als wij beter begrijpen waar de risico’s precies zitten, kunnen we ook effectiever werken. Nu richten we onze controles vaak in op basis van enkele voorbeelden. Stel: er is een autohandelaar die op een bepaalde manier heeft witgewassen. Dan gaan banken allerlei detectiemechanismen inrichten voor vergelijkbare situaties. Maar het is de kunst om goed te onderzoeken wat het precieze risico dan is. Waar moet je dan naar kijken? Is dat het gegeven dat iemand autohandelaar is, of zijn er complexere patronen die we zelf niet kunnen waarnemen?”
“Door zulke analyses te ondersteunen met AI, waaronder ook die autoencoders, kunnen banken en andere ‘poortwachters’ de risico’s veel sneller en grondiger in kaart brengen. Dat geeft een vollediger beeld van waar ze meer en waar ze minder kunnen controleren en zorgt bovendien dat ze continu kunnen bijsturen in plaats van eens per jaar.”
Het klinkt dus alsof er nog heel veel mogelijk is, helemaal ook omdat AI zich de afgelopen jaren razendsnel ontwikkelt. Wat zijn de grootste obstakels voor de toepassing van AI bij de aanpak van financiële criminaliteit?
“Vanwege het kritische toezichtsregime van de afgelopen jaren en de hoge boetes die daar het gevolg van zijn, is er angst om risico’s te missen. Daardoor krijg je control stacking. Er komen steeds meer extra sloten bij op de deur, omdat niemand durft te zeggen: als we dit slot erbij doen, kunnen we die oude grendel misschien wel verwijderen. Ook is er onzekerheid over wat er volgens de wet nu wel en niet mag met AI. Die onzekerheid remt innovatie.”
“Dan is er ook nog een praktische barrière. Banken werken met oude IT-systemen, hun data is versnipperd en van wisselende kwaliteit, en het is moeilijk om mensen te vinden die zowel AI als het FEC-domein écht doorgronden. Degenen die de modellen bouwen hebben een statistische achtergrond, de juristen en criminologen die ze moeten toetsen werken vooral anekdotisch. Dat is een moeilijk overbrugbare kijk.”
Als bijzonder hoogleraar hoop jij die barrières te kunnen slechten. Hoe ga je dat aanpakken?
“Daarvoor ga ik twee sporen bewandelen. Aan de ene kant wil ik de techniek verder ontwikkelen, samen met promovendi en studenten. Ik ben een enorme nerd, dus daar gaat mijn hart echt sneller van kloppen. Tegelijkertijd denk ik dat we een aantal uitdagingen ook kunnen oplossen door elkaar beter te leren kennen. Daarvoor organiseer ik bijeenkomsten, zoals begin mei de First Dutch Workshop on AI to Combat Financial Crime. Daar deden professionals uit financiële instellingen, universiteiten en de overheid aan mee en ik zag daar veel enthousiasme voor meer uitwisseling van kennis en samenwerking.”
“Ik hoop dat die workshop de opmaat is voor een continu gesprek tussen de gebruikers van de modellen, de wetenschap, private en publieke partijen, de opsporing en de toezichthouders. Dat gesprek moet meer zijn dan een uitwisseling van standpunten. Ik wil dat we van elkaar leren. En als dan straks niet meer van 1 op de 10, maar van 1 op de 5 dossiers blijkt dat ‘ie er terecht is uitgefilterd, dan ben ik een tevreden mens.”
