L’IA, un atout précieux dans la lutte contre le blanchiment d’argent
Les organisations ne doivent pas s’attendre à totalement remplacer les systèmes fondés sur des règles par des mesures de détection basées sur l’IA. (Getty Images/10’000 Hours)
Quand la CIBC lance un produit, Marie-Andrée Malo-Mongeau et son équipe essaient de penser comme des blanchisseurs d’argent pour trouver les failles du système. « Quelle pourrait être ici le stratagème frauduleux? » Ex-directrice principale à la CIBC du Groupe de lutte contre le blanchiment d’argent, cette CPA était chargée d’enrayer la circulation de fonds d’origine douteuse. Elle a aussi piloté l’adoption par sa banque d’outils d’IA et d’apprentissage machine pour améliorer ou remplacer les systèmes de vérification traditionnels fondés sur des règles.
C’est une tâche délicate : les organismes de réglementation des institutions financières et les contrôleurs internes ont l’habitude d’utiliser ces systèmes pour cerner les risques. Certes, les algorithmes pourraient être un outil précieux pour détecter des mouvements de fonds anormaux susceptibles d’échapper aux systèmes plus classiques. Mais dans les faits, souligne Marie-Andrée Malo-Mongeau, c’est plus compliqué. « Le déploiement de l’IA et de l’apprentissage machine exige beaucoup de ressources : fonds, compétences, infrastructures, etc. »
Il faut d’abord investir de l’argent pour nettoyer les masses de données accumulées dans les divers services d’une institution financière, dont celles, croissantes, sur la connaissance du client. C’est seulement quand les données sont exploitables sur machine et relativement sans défaut que l’équipe antiblanchiment peut commencer à déployer les algorithmes conçus pour déceler les opérations douteuses.
Les organisations ne doivent pas s’attendre à remplacer les systèmes fondés sur des règles par des mesures de détection basées sur l’IA. « Nous avons mis en œuvre des systèmes hybrides », précise Drew Galow, directeur général, Gestion des modèles de lutte contre le blanchiment, analytique et apprentissage machine, à BMO Groupe financier. « Nous avons remplacé de 50 à 60 % de nos mécanismes de surveillance fondés sur les règles par l’apprentissage machine et l’analytique avancée. » Si, à la BMO, la conversion a amélioré la productivité des systèmes antiblanchiment de 25 à 35 %, il ajoute que les institutions financières et les sociétés de services monétaires ne doivent pas présumer que ces indicateurs alertent automatiquement les autorités de réglementation. Ainsi, son groupe les rencontre tous les trimestres pour les renseigner sur les mesures techniques prises. « L’implantation d’un modèle hybride a été un long processus, et mieux vaut préparer les organismes de réglementation. »
TOUJOURS AU COURANT
Plongez dans le rapport Cullen et découvrez l’incidence potentielle de ses recommandations. De plus, lisez notre entrevue avec l’expert anti-corruption José Hernandez sur ce que les CPA peuvent faire pour lutter contre la corruption et le blanchiment d’argent.