Comment la technologie prévient les abus de marché dans la Fintech

Lorsqu’il s’agit de détecter et d’arrêter une mauvaise conduite ou un comportement non conforme, les équipes de surveillance doivent agir comme des détectives – en organisant de grands volumes de données, en découvrant la vérité et en agissant sur ce qu’elles trouvent. Les équipes ont la tâche difficile de trouver essentiellement l’aiguille dans la botte de foin, juste pour s’assurer que les quelques cas d’abus de marché sont arrêtés et signalés.

Pourtant, malgré le fait que la surveillance proactive des e-mails est une exigence réglementaire depuis un certain temps, de nombreuses organisations s’appuient sur des méthodes de surveillance désuètes. Ces approches dépendent de l’utilisation de certains termes de recherche ou de lexiques pour identifier les problèmes potentiels et alerter les équipes de conformité. Cette approche héritée de la détection des fautes provoque un flot d’alertes pour la plupart non pertinentes – parfois des centaines de milliers par jour – qui doivent être traitées par les examinateurs.

Le problème des mots

Le simple fait de signaler les mots à risque n’est pas un système infaillible pour détecter les fautes. Par exemple, dans une conversation de tous les jours, je peux dire à quelqu’un que je garantie ils passeront un bon moment au match de football ou à la fête ce week-end. Mais si je suis un conseiller financier communiquant avec un client, je ne peux pas dire que je garantis quelque chose – en particulier une certaine action qui monte demain parce que c’est un actif risqué et qu’il y a de fortes chances qu’elle baisse.

Ainsi, lorsqu’un système de surveillance hérité surveillant les e-mails voit le mot « garantie » dans un message ou une autre communication, il signale le message pour examen sans comprendre le contexte. Le problème est que nous utilisons chaque jour des mots courants, comme garantie, dans d’autres contextes qui n’ont rien à voir avec les risques de conformité ou les marchés financiers. Lorsque vous vous fiez uniquement aux lexiques, vous examinez principalement les communications indésirables qui n’ont rien à voir avec les risques que vous recherchez.

Une usine d’alerte

L’objectif principal, lorsque nous parlons de surveillance des communications dans le secteur financier, est de prévenir les problèmes avant qu’ils ne deviennent de véritables problèmes. Nous entendons beaucoup parler d’inconduite – qui peut faire référence à des choses comme le blanchiment d’argent, la collusion ou le délit d’initié – dans les services financiers, et nombre d’entre elles auraient pu être rapidement détectées avec une surveillance proactive. Mais pour ce faire, les plates-formes de surveillance doivent réduire considérablement les faux positifs afin de disposer de la bande passante nécessaire pour enquêter sur les risques significatifs.

Historiquement, la surveillance a plutôt été une fabrique d’alertes. Les organisations disposent d’une armée d’examinateurs qui passent leurs journées à examiner une montagne d’alertes, celles qui sont pour la plupart non pertinentes. Ils examinent, escaladent et répètent jour après jour, passant principalement au crible les déchets. Lorsque vous avez autant de faux positifs, une armée de personnes perd beaucoup de temps à examiner et à effacer ces alertes.

Une meilleure approche

Cela commence par deux domaines technologiques en plein essor aujourd’hui : l’intelligence artificielle (IA) et l’apprentissage automatique. L’objectif est de rendre toutes les communications, y compris les e-mails, le chat et l’audio consultables, en tirant parti de la puissance de l’IA et de l’apprentissage automatique pour ne présenter que les données les plus pertinentes aux examinateurs.

Les plates-formes modernes de surveillance des communications extraient de manière transparente les communications de chaque système de communication d’entreprise pour vous assurer une couverture complète. Une interface utilisateur intuitive avec une configurabilité de flux de travail avancée, s’adapte à vos flux de travail organisationnels en toute sécurité dans le cloud. L’apprentissage automatique fonctionne toujours en arrière-plan et devient plus intelligent à chaque révision pour ne diffuser que le contenu le plus risqué et réduire les volumes d’alertes faussement positives.

Lorsqu’une alerte est valide et appelle une véritable enquête, les examinateurs peuvent utiliser le même système moderne pour lancer cette enquête avec une gestion de cas intégrée.

La déduplication des fils d’e-mails est une autre fonctionnalité clé – qui localise l’ancien contenu des e-mails dans les nouveaux e-mails, vérifie qu’il a déjà été analysé et l’empêche de générer une autre alerte. Les capacités de nettoyage des données des systèmes modernes identifient les en-têtes de courrier électronique, les signatures et les clauses de non-responsabilité. Ils empêchent la génération d’alertes sur ce contenu dupliqué ou non créé, de sorte que les réviseurs ne sont informés que de la partie pertinente écrite par l’expéditeur. Les réviseurs peuvent également voir le contenu qui a été effacé, ce qui offre une transparence totale sur le fonctionnement de l’apprentissage automatique.

Avec toutes les grandes avancées en matière de surveillance et les systèmes modernes disponibles, la question évidente est de savoir pourquoi toutes les organisations ne sont pas passées à cet état futur ? Une réponse peut être le manque historique de transparence de ces modèles.

Les lexiques, bien qu’inefficaces, s’expliquent facilement (par exemple, cet e-mail a été alerté parce qu’il contenait ce mot). Il y a beaucoup de craintes dans l’industrie quant à la transition vers des modèles d’apprentissage automatique, car vous devez maintenant la défendre. À mesure que nous avançons, il incombe aux innovateurs de la surveillance de s’assurer que toute l’IA est transparente et explicable, et finalement défendable pour les régulateurs. Les entreprises technologiques continueront d’investir dans ces nouvelles technologies pour aider à rendre les processus plus précis et efficaces et aider les équipes de surveillance à détecter les fautes. Pendant ce temps, les utilisateurs pourront découvrir la vérité dans les données et agir en conséquence pour lutter contre la manipulation.

À propos de l’auteur : Jordan Domash est Relativitédirecteur général de Trace de relativité. Il guide une équipe ciblée dans le développement de cet outil, construit sur la plateforme Relativity, pour une surveillance proactive de la conformité, en soutenant l’ingénierie, le marketing et les ventes.