Сегодня методы искусственного
интеллекта используются во всем мире для борьбы с коррупцией и мошенничеством в
самых разных сферах. Прямо скажем, пока делает он это с переменным успехом.
Последняя разработка специалистов Сколтеха в разы повышает возможности ИИ
поймать аферистов за руку в сфере экономики. Одна из самых распространенных и
излюбленных ими схем - сокрытие конечного бенефициара в путине из сотен, а
бывает даже тысяч так называемых компаний-прокладок. Оставаясь мистером
"икс", он может идти на самые разные махинации, например, брать
кредиты и выводить их в офшоры или уходить от экономической ответственности при
банкротстве компании. Способ вывести его из тени предложили ученые Сколтеха.
Как это делается?
- Здесь надо в самых общих чертах пояснить, как устроены сети
владельцев, - говорит автор разработки Кирилл Половников, старший преподаватель
и руководитель исследовательской группы Сколтеха. - Скажем, компания А владеет
компанией Б, а та владеет компаниями С и Д, под которыми могут быть еще и другие
"спутники" и т.д. Выстраивается цепочка, так называемые графы,
которые могут самым причудливым образом ветвиться. Оказывается, с точки зрения
математики это самый общий и сложный тип графа: во-первых, у каждой связи
имеется направление от родителя к дочке (граф направленный), во-вторых, каждое
владение осуществляется лишь на какую-то долю или вес (граф еще и взвешенный),
и в третьих, в таком графе возможны циклы. Чтобы понять, как же организована и
работает на практике такая корпоративная структура из фирм и собственников,
надо досконально разобраться, кто кем владеет и на какую долю с учетом
всевозможных направленных путей в этом графе. К примеру, я могу напрямую
владеть скромными 10% в компании, но иметь еще 41% через
"компании-прокладки", что в сумме даст мне полный контроль над
принимаемыми решениями внутри компании.
Казалось бы, задача вполне решаемая. Дело в том, что все организации в
стране отчитываются по своим прямым собственникам - эти официальные данные
доступны в Едином государственном реестре юридических лиц (ЕГРЮЛ). Стало быть,
с помощью этих данных можно строить сети, искать пути владения, находить
конечного бенефициара и ее итоговую долю. Для этого есть математические
формулы. Но не все так просто.
- У этих формул есть ключевой недостаток, - объясняет Половников. - Они
работают только в том в случае, если цепь, стартовав в компании А, пройдя
множество посредников, не возвращается к ее началу, в ту же точку А. Тогда все
нормально, все участники цепи и бенефициар известны. И каких-либо афер можно не
опасаться. Совсем другое дело, если цепь замкнута, если, стартовав в точке А, в
нее же и возвращается. В ней деньги крутятся бесконечно. Формулы в данном
случае не работают. Бенефициар остается в тени.
Но есть зацепка. Уже сам факт, что группа компаний работает в замкнутой
цепочке, что в ней есть некий таинственный "икс", вызывает
подозрение. Это может быть как минимум наводкой для серьезной проверки работы
такой цепочки. Ученые Сколтеха разработали и запатентовали систему
искусственного интеллекта, которая с помощью специального алгоритма анализирует
самые сложные и запутанные цепочки владений и находит в них бенефициарные
циклы. Более того, алгоритм рассчитывает доли владения каждого из членов,
входящих в циклическую цепочку, позволяя определять главного бенефициара. Таким
образом, вся финансовая подноготная условной конторы "Рога и копыта"
видна как ладони. В мире подобных решений, по словам авторов, на сегодняшний
день нет.
Созданной учеными системой ИИ прежде всего заинтересовались
разработчики фрод-мониторинга и российские банки. И понятно почему.
- Можно прикинуть, какие средства крутятся в таких циклах внутри
российской экономики, - говорит Кирилл Половников. - В рамках Новой лиги
университетов совместно с Дмитрием Скугаревским, профессором из Европейского
университета в Санкт-Петербурге, мы рассчитали общий объем долговых
обязательств организаций в нашей стране, участвующих в "проблемных"
циклах. Оказалось, что минимум 350 миллиардов рублей. Почти вся эта сумма
приходится на банковские кредиты. Получив деньги, фирмы их прокручивают, так
что концов не найдешь. Затем кредитуемая компания объявляет о банкротстве, и
все - поздно пить боржоми.
В свою очередь, Центральный Банк под угрозой солидного штрафа обязывает
банки предпринимать действия для установления конечных бенефициаров. Алгоритм
Сколтеха позволяет автоматизировать этот поиск в любых сколь угодно сложных
циклических сетях собственности и разобраться с претендентом на кредит,
выявить, участвует ли он в сомнительных замкнутых цепочках владений. И если да,
то провести предварительно самую тщательную проверку. Семь раз отмерить, прежде
чем раскрыть свой кошелек.
- Понятно, что каждая дополнительная проверка в банке создает нагрузку
на его системы и увеличивает время выдачи кредита для клиента. Наша система
автоматизирует этот процесс: весь расчет в масштабах всей страны занимает
несколько минут на базе из нескольких миллионов юридических организаций.
Искусственный интеллект раскрывает всю финансовую подноготную условной
конторы "Рога и копыта" и выявляет главного бенефициара
Отметим, что российскими учеными разработано еще несколько систем,
которые позволяют ловить мошенников. Скажем, в Институте кибербезопасности и
защиты информации Санкт-Петербургского политехнического университета создана
нейросеть, которая способна отличать подозрительные транзакции от безопасных.
Около года ученые обучали ее на огромном количестве примеров банковских переводов.
Одни сделаны мошенниками, другие - честными людьми. Модель обращает внимание на
определенные закономерности, по которым можно распознать противоправные
действия. Например, при "фильтрации" транзакций (операций с
банковским счетом) нейросеть смотрит на временные метки, по которым определяет,
как давно человек стал участником банковской среды и в какой организации
обслуживается.
Скажем, если он открыл счет в банке полгода назад и за этот период
средняя сумма транзакций за день составляла 1000 рублей, а потом в один день он
получил денежные переводы в сумме 30 тысяч рублей, вероятность, что нейросеть
причислит его к классу мошенников, возрастет. Кроме того, будет учитываться
информация об источнике транзакции, и если деньги были переведены не
юридической организацией, а 10 физическими лицами, то вероятность мошенничества
также увеличится. Тесты показали, что система с высокой точностью распознает
обман.
Еще одна система ИИ, которая может помочь банкам при выдаче кредитов,
понимать, сможет фирма его вернуть или нет, разработана специалистами ВШЭ. Она
анализирует определенный набор признаков и с точностью более 90 процентов
предсказывает банкротства на ранней стадии, когда еще сами бизнесмены не ощущают
приближение "болезни".
А ученые РАНХиГС предлагают использовать ИИ для поиска коррупционеров.
Этому "помогает " определенная шаблонность законодательного языка.
Как известно, постановлением правительства предусмотрено 12 так называемых
коррупциогенных факторов, 7 из них имеют вполне конкретные индикаторы, которые
можно обнаружить непосредственно в тексте. Это семантические выражения в виде
слов, словосочетаний, словесных конструкций. Скажем, на коррупциогенный фактор
"Выборочное изменение объема прав" в нормативном документе указывают
формулировки "в исключительных случаях", "как правило",
"в общем порядке" и т.д. На фактор "Широта дискреционных
полномочий" - формулировки "не позднее", "на
основании", "при наличии" и т.д.
Как отмечает автор работы, доктор юридических наук Эльвира Талапина,
поиск коррупциогенных факторов с помощью ИИ значительно повысит качество и сократит
сроки экспертизы, снизит субъективизм, а значит, позволит своевременно и эффективно
выявлять коррупционеров.