编者按：以下是Tim Mueller的客座文章，他是以下机构的全球调查与合规董事总经理 Navigant.

可怜可怜那些穷银行家吧。不，说真的。

在美国生活中，很少有比那些靠打理他人钱财谋生的男男女女更容易被公众唾弃的对象了。这种蔑视或许有些是应得的，但在世界各地的每家银行里，都有一群员工真正值得你同情：那些被委以解决洗钱问题的人。

很难确切掌握每年从毒品、恐怖主义、人口贩运以及各种其他犯罪活动中究竟赚了多少钱。但就高值估计而言，数字令人震惊—— 全球约2万亿美元.

财政部下属金融犯罪执法网络（FinCEN）的调查人员 负责阻止非法资金流动。但实际上，反洗钱（AML）斗争前线的人员就在银行内部工作。

正如一位国会议员最近告诉我的那样，政府已在很大程度上将其反洗钱监管工作外包给了银行。不幸的是，如今肩负责任的善意人士所掌握的资源比那些试图作弊的人还要少。这意味着他们需要一切可用的帮助，包括借助当前商界最热门的流行语。

全是干草堆，没有针

人工智能和机器学习在某些行业可能仍只是华而不实的新鲜事物。但在反洗钱领域，问题不在于它们10年后能为银行和金融业做什么，而在于它们现在能为银行和金融业做什么。

要理解其运作方式，首先需要了解为什么反洗钱是如此棘手的问题。

欺诈是金融领域最常见的头痛问题，但银行已经具备充分应对能力。这个问题是二元性的——那张信用卡上的消费是合法的还是不合法的——因此要容易回答得多。

相比之下，反洗钱完全是大海捞针，而且只有海，没有针。

洗钱的犯罪分子往往拥有资源，能够利用空壳公司、影子买家以及其他只有出价最高者才能获得的精心手段来掩盖踪迹。

想想看，仅在美国，银行内部的反洗钱支出 每年约为230亿美元。然而，在过去十年中，FinCEN对那些同样的机构处以了 另外230亿美元 的罚款，原因是未能当场抓获足够多的不法分子。

这并不是因为银行家们不想找到解决方案。也不是因为他们不愿投入。只是解决方案实在太难找到。这就把我们带回到了那些流行语上。

不止是承诺

目前已有系统可以自动生成警报，这是识别交易是否可疑的第一步。问题在于，这些警报中的绝大多数都没有实际成效，也就是说，它们最终被认定为正常活动。

然而，机器学习在减少这些误报的同时识别真正可疑活动方面展现出了巨大潜力。 在某些情况下，高达90%的误报率已被降至50%。这意味着调查人员可以花更少的时间手动审查警报。同时，这也提高了警报产生实际成效并被提交给FinCEN进行适当调查的可能性。

人类最终仍将做出判断，只有在认为必要时才提交可疑活动报告。机器并没有接管这项关键工作。它们只是在逐步提升效率，随着时间的推移，这将更有助于减少反洗钱支出，同时减少银行支付的反洗钱罚款，并让专家有更多时间投入到抓捕罪犯的工作中。

这种额外的效率提升在最渴望帮助的受众中并未被忽视。美国的五个联邦机构，包括FinCEN， 在12月发表了一份联合声明 ，关于将新技术应用于反洗钱，表示他们“欢迎这些保护金融体系免受非法活动侵害的创新方法”。该声明发布的一个月前，新加坡金融管理局对 其自身的批准 在打击反洗钱中使用人工智能表示了认可。

当监管机构——通常是生态系统中最为保守的成员——对某个机会如此兴奋时，这项技术带来的就不仅仅是空洞的承诺。

银行家作为一个群体，可能并不总是最令人同情的角色。但我们委以解决这样一个复杂、庞大且代价高昂的全球性问题重任的人，除了理解之外，理应获得强大的工具。