№AP19576825

Руководитель проекта Болшибаева Айгерим Какимжановна, PhD, ассистент-профессор (kakim-aigerim@mail.ru)

Наименование приоритетного направления: 4 Информационные, коммуникационные и космические технологии. 4.1 Искусственный интеллект и информационные технологии: 4.1.5 Машинное обучение (machine learning)

Цель проекта. Обзор методов интеллектуального анализа, которые можно использовать для выявления финансовых преступлений. Разработка модели машинного обучения для выявления финансирования террористических организаций на основе открытых данных для определения максимально возможного набора аномалий финансирования.

Актуальность. Одной из важнейших угроз современной цивилизации является терроризм, повлиявший на качество жизни людей во всем мире. Цели терроризма заключаются в нестабильности путем создания страха, беспокойства и неуверенности в большом масштабе, чем у отдельного человека. Согласно последним данным глобальной базы данных по терроризму (GTD), только за 2019 год в мире произошло 1211 различных терактов, в результате которых пострадало 6362 человека.

Визуализация карты мира, покрывающая различные виды террористической деятельности, представлена на рисунке 1. Согласно данной карте точки распространения терроризма находятся в непосредственной близости к Казахстану.

Рисунок 1 Карта мира GTD, показывающая интенсивность терроризма в 2020 году

Выявление подозрительной деятельности, связанной с финансированием терроризма, является существенным и неизбежным, поскольку это затрагивает экономику, промышленность, финансовые учреждения и всю нацию. Из-за большого объема банковских данных и огромного количества задействованных транзакций банки создают удобную среду для лиц, занимающихся финансирования терроризма, чтобы скрыть происхождение финансирования терроризма, так что методы финансирования терроризма стали более изощренными и их трудно отследить. Следовательно, решение по обнаружению финансирования терроризма должно быть сбалансировано между точностью и временем обработки. Поиск подходящего метода обнаружения финансирования терроризма в финансовых учреждениях/банках является наиболее важным шагом для решения, применяя подходящий подход машинного обучения с точки зрения набора данных. Подходы и методы обнаружения аномального финансирования разнообразны, что затрудняет сравнение. «Однако анализ, обзор и сравнение различных методов обнаружения финансирования терроризма необходимы для выявления преступлений, закономерностей, необычного поведения и групп, занимающихся отмыванием денег, с целью финансирования терроризма».

В конце 1990-х годов для обнаружения аномальных транзакций были внедрены статистические методы и сопоставление последовательностей, а затем стали использоваться методы, основанные на правилах. Позже финансовые учреждения начали внедрять статистические модели и модели машинного обучения в свои автоматизированные программы. Эти модели очень сложны из-за растущего числа транзакций клиентов и автоматизированного взаимодействия с клиентами, что усложняет соблюдение требований по борьбе с преступными действиями. В некоторых недавних исследованиях указывалось, что проблему большого размера набора данных можно решить, применяя методы обучения с учителем, которые требуют обучения на основе помеченного набора данных, а затем моделируют классификацию новых данных по различным категориям меток. Таким образом, модели обучения с учителем могут обнаруживать только подозрительные действия, транзакции и шаблоны, которые аналогичны обучающим данным.

При возникновении сложного механизма транзакции, специалистам необходимо проводить процедуру диагностики повторно, с возможной консультацией узкого специалиста, что замедляет своевременное выявление аномальных финансовых процессов. Так же применяемые наборы исследования транзакций специалистами устаревают, и часто бывают неадаптивными.

Одним из путей решения вышеперечисленных барьеров к является использование методов ML. Нейронные сети являются лидирующими методами для проблем классификации, регистрации и автокоррекции данных. Используя нейронные сети как основной метод оценки и аннотации данных в комбинации с классическими методами ML, мы предлагаем разработать систему обнаружения финансовых преступных действий по финансирования терроризма.

Ожидаемые результаты:

1. Методы интеллектуального анализа данных, использующиеся для выявления финансовых преступлений;
2. Разработка базового алгоритма, идентифицирующего аномальные объекты финансирования (мошеннические объекты);
3. Построение сформированного масштабного объема очищенных данных;
4. Разработка алгоритмов создания тестовых баз данных с максимально возможным набором;
5. Разработка программного обеспечения для определения мошеннических финансовых транзакций;
6. Публикация монографии;
7. Планируется опубликовать:

• не менее 2 статей и (или) обзоров в рецензируемых научных изданиях по научному направлению проекта, индексируемых в Science Citation Index Expanded базы Web of Science и (или) имеющих процентиль по CiteScore в базе Scopus не менее 35. Например, Lecture Notes in Computer Science, процентиль 57 или Journal of Theoretical and Applied Information Technology, процентиль 37, или International Journal of Electronics and Telecommunications, процентиль 35, а также в журналах, рекомендуемых ККСОН РК. В каждой статье будет информация об идентификационном регистрационном номере и наименовании проекта, с указанием грантового финансирования в качестве источника;
• либо не менее 1 статьи или обзора в рецензируемом научном издании по научному направлению проекта, индексируемом в Science Citation Index Expanded базы Web of Science и (или) имеющем процентиль по CiteScore в базе Scopus не менее 35 и не менее 1 патента, включенного в базу данных Derwent Innovations Index;
• либо не менее 1 статьи или обзора в рецензируемом научном издании по научному направлению проекта, индексируемом в Science Citation Index Expanded базы Web of Science и (или) имеющем процентиль по CiteScore в базе Scopus не менее 35 и акта внедрения или лицензионного соглашения на нее;
• не менее одной статьи или обзора в рецензируемом зарубежном или отечественном издании, рекомендованном КОКСОН;
• либо не менее одной статьи или обзора в рецензируемом научном издании, входящем в 1 квартиль по импакт-фактору в базе Web of Science.

Состав исследовательской группы: