项目背景

反洗钱工作一直是银行风险防控的重要防线，银行的产品或服务被不法分子利用从事洗钱活动，会对银行在法律、合规经营方面造成不良影响。长期以来，银行的反洗钱体系都依赖反洗钱专家的经验和规则，整个审核流程由人工完成，这套模式的检出率不高，人工审核的效率瓶颈明显，极易产生漏报、误报、迟报等问题，制约了反洗钱风控效果。人工智能技术为反洗钱工作带来新的突破，一些银行尝试利用机器学习（Machine Learning）技术实现反洗钱并取得初步成效。

西安银行是西部领先的上市银行，也是国内城商行12家“领头羊”银行之一。该行以数字化转型为引领，积极推进科技与金融的深度融合，2019年以“科技赋能业务、数据驱动业务、人工智能改变业务”的创新理念再次蝉联《银行家》“最佳金融创新奖”，金融科技对业务创新和运营管理的支撑能力不断增强。

西安银行高度重视并全面推进反洗钱工作，长期坚持“风险为本”原则，通过采取动态化风险等级管理措施、组织全行开展涉恐洗钱账户排查、针对可疑交易账户调高风险等级等措施，将洗钱风险控制在合理范围内。随着西安银行业务的快速发展，传统人工审核模式全量筛查难、检出率低、漏检和误检率高等弊端愈发明显，难以支撑西安银行开展全面的反洗钱风控工作。

为解决反洗钱工作中存在的痛点，西安银行率先携手追一科技，联合打造基于机器学习（Machine Learning）技术的反洗钱平台，以提高可疑案件的筛选效率和甄别准确率，降低对人工审核的依赖，推进反洗钱的智能化。

 

追一科技AI反洗钱平台解决方案

追一科技基于西安银行反洗钱工作目标和主要举措，为其量身打造了贴近业务场景和需求的AI反洗钱平台，支持筛查规则自由配置、模型自动优化；通过多维数据勾勒全息金融画像，精准暴露潜在风险；严密的可疑置信度计算，有效避免错判和误判；智能梳理典型案例，完成知识沉淀和传承。

规则自由配置，模型自动优化：结合西安银行的账户特点和反洗钱筛查工作的实际情况，通过灵活配置筛查规则的方式，精准暴露风险。系统能有效利用银行反洗钱业务的存量和增量案例，完成产品系统数据流程的闭环，通过自学习进行反洗钱模型的自动优化与迭代，实现持续的效果调优。

多维数据勾勒全息金融画像：利用机器学习技术对多维数据进行归类和关联，结合主体特征、行为特征、交易特征，输出不同用户的全息金融画像，提炼相应的属性标签，精准暴露潜在风险，提高案件审核的清晰度和审核效率。

计算可疑置信度，摆脱非黑即白的甄别模式：通过机器学习将海量交易数据进行降维分析，针对每个客户主体输出“洗钱可疑置信度”，业务人员按照可疑置信度高低排序，锁定区间重点筛查，同时摆脱传统“非黑即白”的案件性质判定方式，避免错判、误判，精准暴露风险，提高甄别效率。

复盘典型案例，沉淀知识和经验：反洗钱平台结合外部数据与人工复审意见的留存，帮助银行梳理典型案例。对以往案例进行回溯和复盘，实现审核知识和经验的沉淀。

 

项目效果

该项目仅用了不到一年时间，完成了需求讨论、立项、系统研发、上线全流程。反洗钱平台在西安银行总行上线后，平均每天筛选出数十个可疑案件，每个案件平均审核时长仅20分钟，相比其他厂商产品提高了近一倍效率。在保证检出率的同时，提升了审核效率，大幅降低了人力工作量。目前，西安银行正在计划将该系统向各分行开放，全面推动反洗钱的智能化。