Machine learning en risico-identificatie

Machinaal leren oftewel: machine learning, is een onderdeel van kunstmatige intelligentie. Het houdt in dat computers gegevens analyseren op basis van algoritmes om patronen te herkennen en voorspellende modellen te construeren. Naarmate deze modellen worden blootgesteld aan nieuwe gegevens, passen ze zich automatisch aan, zodat ze steeds betrouwbaarder en inzichtelijker worden – met minimale menselijke interventie.

Dit soort computergestuurde intelligentie kan voor veel doeleinden worden ingezet. Het verandert bijvoorbeeld de manier waarop (inkoop)afdelingen risico's herkennen en beperken – van de selectie van mogelijke leveranciers tot de doorlopende bewaking van juridische, financiële en reputatierisic's.

Hoe werkt machinaal leren?

De term 'machinaal leren' werd in 1959 voor het eerst gebruikt door Arthur Samuel, een Amerikaanse pionier op het gebied van computerspellen en kunstmatige intelligentie. Bij de klassieke vorm van machinaal leren worden statistische problemen opgelost met behulp van goed gedefinieerde en gestructureerde datasets. Dit kan worden uitgebreid tot 'diep leren' – een methode die het gelaagde leerproces in de neuronen van het menselijke brein imiteert. Algoritmes worden op elkaar gestapeld en één algoritme vindt een bepaald kenmerk in de gegevens dat het vervolgens doorgeeft aan het volgende algoritme, dat hier weer een bepaald kenmerk in ontdekt enzovoorts. Deze gelaagde structuur is dus niet meer ontworpen door mensen, maar wordt door een bepaalde rekenmethode uit de gegevens zelf gedestilleerd.

Omdat machinaal leren gebaseerd is op grote datasets en een enorme rekenkracht nodig heeft, wordt het vaak in verband gebracht met 'big data', zegt Bart van Liebergen, Associate Policy Advisor bij het Institute of International Finance, in zijn artikel Machine Learning: A revolution in risk management and compliance? 'Sommige elementen van machinaal leren dateren uit het begin van de 20e eeuw,' zegt Van Liebergen, 'maar de echte doorbraak kwam toen het, doordat computers steeds beter werden en er steeds meer hoogfrequente gegevens kwamen, mogelijk werd om complexe, non-lineaire relaties te modelleren, en omdat het steeds eenvoudiger werd om machinaal leren te gebruiken.'

En alhoewel gestapelde algoritmes, gestructureerde datasets en voorspellende analyses geen dagelijkse kost zijn voor de meeste mensen, is het niet moeilijk om de voordelen ervan te zien. Zelfrijdende auto's, online productadvies op basis van je aankoopgeschiedenis, analyses en trends van de gegevens van bijvoorbeeld smartwatches – dit soort dingen maakt ons leven een stuk eenvoudiger.

Op dezelfde manier zorgen bedrijfsapplicaties ervoor dat organisaties hun risico's beter kunnen beperken – van het voorspellen van defecten aan sensoren en het optimaliseren van de grondstoffendistributie in de olie- en gasindustrie tot het herkennen van informatie uit enorme hoeveelheden transacties en fraudepreventie in de financiële sector. Machinaal leren kan ook helpen om het risico op omkoping en corruptie of dwangarbeid binnen leverketens te analyseren.

'Een gebied waar machinaal leren al meer dan tien jaar lang met veel succes wordt gebruikt, is het opsporen van creditcardfraude,' zegt Van Liebergen. 'Op basis van datasets van historische transacties heeft men een groot aantal fraude-identificatoren kunnen opstellen die normaal kaartgebruik onderscheiden van frauduleus kaartgebruik.' Machinaal leren levert dus waardevolle inzichten op omdat het complexe patronen in gegevens sneller kan herkennen dan menselijke analyses.  Dit betekent dat organisaties interne en externe gegevens kunnen gebruiken om meer inzicht te krijgen in de risico's die hun klanten, leveranciers of andere partijen vormen. Op basis van deze inzichten kunnen organisaties proactief reageren en maatregelen nemen als ze geconfronteerd worden met verschillende risico's.

Waarom zijn externe gegevens zo belangrijk voor machinaal leren?

Veel organisaties beschikken al over grote hoeveelheden informatie – van gegevens die opgeslagen zijn in hun financiële systemen en CRM's tot de gegevens die geproduceerd worden door slimme apparaten in productielijnen. Maar interne gegevens zijn op zich niet voldoende om echte inzichten te genereren met machinaal leren.

Welke externe gegevens geven een totaaloverzicht van de risico's?

• Negatief nieuws (adverse media) van gedrukte en webbronnen om mogelijke dreigingen voor te blijven
• Rapporten over landen en sectoren om strategische problemen en kansen te voorspellen
• Bedrijfsgegevens en financiële informatie om het faillissementsrisico te beoordelen
• Bedrijfshiërarchieën om economisch eigendom te achterhalen
• Lijsten met sancties, watchlists en politiek prominente personen (PEP's) om de risico's op omkoping, corruptie, witwassen en financiering van terrorisme te beperken
• Juridische gegevens van mogelijke klanten of leveranciers

Machinaal leren is ongetwijfeld een belangrijk middel om voorspellende analyses nog verder te verbeteren. Maar als het gaat om due diligence en risicobeheer – en de steeds toenemende wet- en regelgeving waar het internationale bedrijfsleven mee te maken heeft – loopt deze 'machine' het beste met de juiste brandstof.

Vervolgstappen

Machinaal leren heeft dus voordelen. Organisaties zetten verschillende tools in die gebruik maken van machinaal leren om efficienter om te gaan met de data die ze tot hun beschikking hebben. Wij hebben verschillende oplossingen die je met machine learning kunnen helpen:  

1. Meer informatie over risicobewaking met Nexis® Entity Insight, dat geavanceerde algoritmes gebruikt om indicatoren voor mogelijke PESTEL-risico's eerder te ontdekken.
2. Meer informatie over Nexis® Data as a Service als brandstof voor nieuwe en bestaande machinaal-lerenapplicaties.