過去二年來，洗錢防制在金融圈熱度不減，一來因為美國金融服務署(DFS)開始針對國內外各知名銀行，針對洗錢防制疏失開罰鉅額罰款，震驚整個台灣社會；二來則是APG評鑑結果將關乎台灣金融業的海外市場業務競爭力與國際形象，因此從政府到產業界都非常重視這一次的評鑑。

台灣反洗錢二大挑戰：人力成本、客戶體驗

然而，銀行為因應監管機關法規，從上到下所受衝擊之大，實非外人所能想像。為遵循法規要增列的洗錢調查或身分確認作業流程，不僅造成第一線行員的工作量激增、加以目前許多銀行所採用的反洗錢系統誤判率高，甚至沒有導入系統，也讓監控效率不佳，隨之，經辦人員也因反覆的調查詢問引發顧客負面情緒，直接帶來服務聲譽的影響。

為此， 全球數據分析領導廠商SAS，台灣業務支援部首席顧問暨國際公認反洗錢師林詩敏直指，為了能夠做到洗錢防制的法規遵循，「人力成本」、「客戶體驗」即是台灣金融業在面對洗錢防制上的兩大挑戰。

林詩敏進一步說明，洗錢防制為高度勞力密集的產業，在沒有系統輔助的情況下，規模較大的銀行每天可能有高達8,600件疑似洗錢的案件，平均一件處理5分鐘, 共需716.67小時。一個行員每天工作8小時,平均需要89.6人去做進一步確認，換算下來，每個月要付出新台幣600萬元的人力成本。

伴隨人力成本而來的另一個挑戰就是：客戶體驗。前述提及，被系統篩檢出來疑似洗錢的交易，需要銀行致電客戶確認交易細節，以便進一步判斷是否為洗錢交易。即有行員曾在社群網站表示，自家銀行定義的態樣為單日多筆小額轉帳金額，就得去電確認，然而現有許多客戶是職業遊戲玩家，每天靠著販售約單筆50~100元虛擬寶物營生，同一日內同一個帳戶就有好幾筆轉帳收入，於是同樣的人名每隔2到3天就會出現在反洗錢報表上，即便明知不是洗錢交易，也只能按照程序打電話，造成客戶反感。

因此，在顧及人力成本及客戶體驗的情形下，如何遵循法規，降低被鉅額裁罰的風險，是當今金融機構需面對的課題。

「人工智慧與機器學習技術，正可協助台灣金融業克服這兩大挑戰的關鍵。」林詩敏提出觀察。

結合機器學習技術 – 「快、廣、準」達到反洗錢效益

一般反洗錢系統，只是單純從系統所設定的參數去篩選交易，只要符合參數設定就可能是異常交易，這種非白即黑的作法，沒有考量到交易背後的其他可能因素，難免容易出現誤判。

林詩敏補充，為了解決誤判問題，反洗錢系統要能有人工智慧與機器學習的底層技術，從大量交易資料中偵測真警示與假警示，並歸納出異常資料的特徵值(pattern)，進而判斷該筆交易為洗錢交易的風險值，數值越大，越有可能是洗錢交易，也是銀行要優先確認的對象。

為了讓機器學習，分析資料的面向廣度跟連結度要夠，須結合客戶型態、帳戶型態、帳戶特性、產業別、帳戶餘額、地理資訊（如：避稅天堂）、郵遞區號、交易產品類型（非面對面交易，如：網銀轉帳）等資訊去做判斷，並加入自主學習誤判的變因，才能達到精準。

除了交易監控 AI在洗錢防制上的更多應用

除了上述交易風險之智能警示外，AI其實還可拓展更多應用：

第一、應用非結構化分析，做出預警偵測

定期分析新聞、社交媒體和網絡的文字資料，可於重大事件發生時，及早防範犯罪嫌疑客戶蓄意脫產；或利用分析進出口提單文件文字，了解商品中是否有軍民兩用品或是高風險貨品，以進一步調查是否涉及貿易融資洗錢。

第二、洗錢網絡圖分析

在偵測異常交易時，還會結合客戶資料與其交易對手和關係人所形成之社群網絡(Social Network)做進一步分析。舉例來說，一筆幾千萬的轉帳交易，如果交易對象是大型企業可能沒什麼特別之處，但若是兩三筆千萬帳款的資金流向，層層追溯在幾個企業戶背後卻有共通的個人親友戶，就有可能是異常交易。

第三、自然語言處理自動生成報告

金融機構被要求在發現客戶所進行交易有「可疑」之處時，就要提交可疑交易報告(Suspicious Activity Report SAR)，否則將招致裁罰，因此如能利用AI結構化與非結構化技術自動生成初步報告，將可有效提升作業效率。

第四、交易監控閥值校準

應用統計方法，透過客戶分群與交易監控最適閥值分析，以降低警示量。在開始導入洗錢監控態樣前，金融機構需要針對各個洗錢樣態監控條件門檻，進行適當的客群與監控門檻值分析。舉例來說，個人帳戶與法人帳戶的交易行為通常不同，若以相同的監控門檻進行偵測，則容易造成大量的誤判警示，因此應該將具有類似特徵的客戶進行分群後，再定以適當的門檻。這樣的分析過程也呼應了「以風險為基礎」的原則與精神。

除了初始上線的洗錢態樣之外，金融機構也應定期對既有監控態樣之監控門檻值進行校準，瞭解是否有低於門檻值以下的洗錢漏網之魚，或是有調校門檻以降低警示量的機會。