TigerGraph：图数据库反洗钱解决方案

本文来源于：“鑫智奖”2019首届金融数据智能优秀解决方案评选，作者：

2019-04-15 关键词：知识图谱,风控,智能反欺诈,监管科技7246

为促进AI大数据与金融业务的深度融合，配合北京市《金融科技规划》落实，帮助各金融机构在产品和解决方案选型过程中提供有价值的参考，北京软件和信息服务业协会联合金科创新社共同开展金融AI大数据优秀解决方案评选活动，为广大金融机构和解决方案提供商搭建一个交流分享、开拓思路的平台。其中，TigerGraph的图数据库反洗钱解决方案为参评项目之一。

解决方案简介

如今，犯罪团体使用极其复杂并不断变换的技巧来逃过传统反洗钱系统的监管。许多企业都拥有可以发现非法活动的数据，但它们却无法将数据及数据间的关系结合在一起。

TigerGraph将所有的数据关联起来，通过高级分析建立更智能的规则和风险评估措施。这可以减少误报的几率并从宏观层面实现反洗钱目标。通过深度链路分析图引擎，企业可以在反洗钱过程中整合包括数据流分析，社会网络分析和机器学习等各种数据科学技术，从而提高反洗钱的检测成功率。企业组织可以远离繁琐的交易过程，朝着更自动化、更具战略性和更高效的方向发展。

TigerGraph实时链路分析帮助提高机器学习效率，基于图特性训练机器学习不仅可以用于反洗钱，TigerGraph实时生成的图特性同时也被用于大量其它场景，包括大规模并发交易处理、训练机器学习算法以检测各种其他类型的异常行为——包括信用卡诈骗、保险欺诈，以及横跨了整个金融服务生态系统的洗钱行为。这些违法行为的影响面涉及到银行、支付服务提供商以及当下新兴的数字货币市场（例如比特币，以太坊以及瑞波币（Ripple）等）。

应用场景痛点简介

每年全球洗钱犯罪的交易额占到了全球GDP的2%-5%，达到了约一到二万亿美元（来源：普华永道报告）。任何涉及金融交易的组织，无论是如数字移动支付之类的非银行货币业务，还是人寿保险或是零售商，都属于反洗钱（AML）的法律监管范围。某世界排名前五的支付渠道提供商深陷在联邦反洗钱法规所带来的高监管成本和漏检罚金之中。该组织依赖于数百名反洗钱调查人员所进行的人工检测。整个过程缓慢、昂贵、低效，且误报率超过90%。

解决方案亮点介绍

图将信息以节点和关联的方式组织，所以它适合存储和分析交易性的、社会网络性的关联关系。由于有了实时深度链接分析系统，冗长且复杂的关联模式被迅速理顺，欺诈行为被限制到小程度。TigerGraph的深层链接分析系统可以帮助金融机构遍历数据，塑造更智能的人工智能和机器学习能力，提高反洗钱检测的成功率、降低反洗钱开支、简化反洗钱流程。

通过实施由TigerGraph提供的强大而又灵活的图引擎，该公司成功将反洗钱过程现代化。此前，他们只能通过人工将琐碎的碎片拼接；如今，他们则能够在个体、账户、公司和地点之间发现潜在的深度关联，通过强大的图分析系统完成反洗钱的工作。

金融行业客户名单

某信用卡发行组织

本网站案例，除特殊标明来源的，版权归金科创新社所有，未经许可不得转载，否则将视为侵权，对于不遵守此声明或者其他违法使用本文内容者，本网站依法保留追究权。另，本网站部分案例、观点文章来源于网络素材，如有侵权，请邮件联系 fenglei@fintechinchina.com 处理！
特别提示: 本网站免费为广大金融企业提供IT选型咨询服务，详情点击【需求提交】。

推荐阅读