Hvilke muligheter gir RegTech? 26. september 2018

Transkript

1 Hvilke muligheter gir RegTech? 26. september 2018

2 Steinar Breen Associate Partner E-post: Telefon: Page 2

3 Agenda 01 Introduksjon til RegTech 02 Våre erfaringer med RegTech Page 3

4 Page 4 Introduksjon til RegTech

5 Etter finanskrisen i 2008 har bransjen opplevd en kraftig økning i reguleringer MiFID II GDPR Nytt hvitvaskingsdirektiv NSFR IFRS 9 Krisehåndteringsdirektivet (MREL) IFRS 16 Ny standardmetode markedsrisiko IDD Forbrukslånsforskrift Ny standardmetode kredittrisiko Ny standardmetode operasjonell risiko MREL (Endelige krav) Page 5

6 Kostnadene knyttet til disse reguleringene er ventet å utgjøre en betydelig del av bankenes kostnader % av ansatte i bank globalt brukes til å tilfredsstille regulatoriske krav $ brukes årlig i HSBC, Deutsche og JPM Chase på å implementere ny reguleringer og kontroller $ er delt ut i bøter siden sider med nye reguleringer forventes publisert innen 2020 Page 6

7 Dette har ført til fremveksten av en ny gren innen FinTech, nemlig RegTech RegTech er bruk av ny teknologi Robotics Cognitive RPA Kunstig intelligens Big data Maskinlæring Skytjenester Biometrics API Kryptografi Blockchain for å tilfredsstille regulatoriske krav bedre og mer effektivt Page 7

8 Formålet med RegTech er å redusere kostnadene og forbedre compliance Kort sikt Lang sikt Reduserte kostnader ved compliance Økt kundetilfredshet Skalerbare løsninger Bedre risikohåndtering og økt tillit i markedet Økt grad av compliance (100% test) Styrket governance Forhindre uønsket adferd Bedre rapportering/oversikt Page 8

9 Mulighetene med ny teknologi er utallige Robotics Cognitive RPA Kunstig intelligens Big data Maskinlæring Skytjenester Biometrics API Kryptografi Blockchain Page 9

10 Mange løsninger i markedet Page 10

11 Page 11 Våre erfaringer

12 Probability of Productivity Vi vil trekke frem tre eksempler på bruk av teknologi i compliance-arbeidet Maskinlæring Kognitiv utreder Identifisere datatap Value of Variable Illustrative Bedre identifisere finansiell kriminalitet ved bruk av maskinlæring Løsning hvor flere nye teknologier benyttes for å forbedre hele prosessen innen AML Bruk av teknologi for å kartlegge flyt av sensitive data Page 12

13 Kunstig intelligens kan brukes til å automatisere prosesser og predikere utfall 1 AI spektrumet spenner over et bredt spekter av metoder og egenskaper som etterligner menneskelig intelligens. AI Spektrum Regelbasert system Eksplisitt programmering - Hvis x, gjør y Filtrering på nøkkelord Maskinlæring (ML) Prediktiv analyse (f.eks. logistisk regresjon) Bruker strukturerte og ustrukturerte data inkl. tale Dyp læring (DL) Mer avansert maskinlæring Bruker flere metoder og nivåer for å analysere dataene Page 13

14 Det finnes mange bruksområder for maskinlæring Use cases Uses Approach ML technique Default Risk Forecasting (Cash Flows, Reserves, Write-Offs) Sales/Profit Optimization Forecasting Designing Simulations Minimizing Risk Cost Analysis Optimization Value Estimation (Regression) Neural Networks Linear/Polynomial Regression XGBoost Collaborative Filtering Data Quality Remediation Transaction / Trade / Market Surveillance Transaction Monitoring AML Compliance Trend Detection Identification Theft Irregularity Identification (Anomaly Detection) Hazard Function (Survival Analysis) Poison Regression Bayesian Analysis Fraud Detection, AML Compliance Concerns High Risk Behavior Analysis Category Prediction Sentiment Analysis Compliance Categorical Prediction (Classification) Decision tree/forecasts Support Vector Machines (SVM) Neural Networks Naïve Bayes Segmentation for Revenue Optimization (Clients, Channels, Products) Customer Preference and Experience Market Characteristics Offering/Market Segmentation Topic Mining Pattern Discovery Network Analysis Population Research Image Analysis Discovering Structure (Clustering) K-means clustering SOM Neural Network Page 14 *Applications and Approaches are not mutually exclusive, this is a general overview. Problems can be solved using a variety of methods.

15 Et område hvor man har sett gode resultater innen RegTech er bruk av maskinlæring for å avdekke finansiell kriminalitet 1 Egne data er lite utnyttet Høyt antall falske positive og kostbar saksgang Dårlig til å oppdage nye typer mistenkelig adferd Maskinlæring og prediktiv analyse Lager prediksjoner uten å bli fortalt hvor den skal lete Lærer fra data og tilpasser seg nye omstendigheter Identifiserer skjult innsikt Open Source og kommersiell software på markedet Veldig skalerbar med tanke på antall kunder og transaksjoner Regelverk som begrenser prosessen Page 15

16 Probability of Productivity Ved bruk av maskinlæring får hver sak en sannsynlighet for mistenkelig aktivitet, og compliance kan dermed prioritere sakene bedre 1 Lukk vs eskaler Analyse og gjennomgang av historiske data Modellering Anbefaling MIS Land Beløp Andre variabler 1 IR 1,234 0 US 432 Andre alarmer Value of Variable Illustrative Sannsynlighet for MIS Anbefaling 0.99 Eskaler 0.60 Eskaler 0.10 Lukk 0.34 Mer info Page 16

17 Med ny teknologi kan store deler av prosessen automatiseres og saksbehandlere kan bruke mer tid på de reelle sakene 2 Alarmer Big data Maskinlæring Scoring og anbefaling Automatisert tilførsel av informasjon Robot Kognitiv RPA Automatisert sammenstilling av informasjon Kunstig intelligens Saksbehandler Falske alarmer Reelle alarmer Page 17

18 Ved hjelp av robotteknologi tilføres ny informasjon og samles i et saksoppsett til compliance-medarbeider 2 Roboten settes i arbeid 45 sekunder per person Henter data fra interne systemer Bruker søkemotor til å finne mer informasjon Oppsummerer funn i rapport og legger inn i sakssystem Page 18

19 Video Cognitive investigator 2 Page 19

20 Det er essensielt å ha kontroll på (personinformasjon og sensitive) data 3 Vanlige kilder til tap av data Tap og tyveri av PCer og mobiltelefoner Uautorisert overføring av data til minnepenner ol. Brudd på taushetsplikt I samtaler Sensitive data lagret på ubeskyttede områder Fildeling Sosiale media, chat, personlig epost Kopiering og printing av sensitive data Page 20

21 Med ny teknologi kan vi nå identifisere datatap og legge til rette for mer målrettet arbeid for å forhindre dette 3 Endpoint Kontrollere brukermuligheter i endesystemer Data som ikke brukes Databaser Oppdage Scanne nettverket og maskiner for å oppdage og rapportere ubeskyttede sensitive data Data i bruk Datamaskiner Switch Data i bevegelse Overvåke Oppdage og rapportere sensitive dataflyt Forhindre Oppdage sensitiv dataflyt og blokkere trafikk som bryter interne retningslinjer , SSL, Web proxy Switch Internett Page 21

22 Formålet med RegTech er å redusere kostnadene og forbedre compliance Kort sikt Lang sikt Reduserte kostnader ved compliance Økt kundetilfredshet Skalerbare løsninger Bedre risikohåndtering og økt tillit i markedet Økt grad av compliance (100% test) Styrket governance Forhindre uønsket adferd Bedre rapportering/oversikt Page 22