ИИ в кредитных бюро и финансовой разведке: скоринг, anti-money laundering и OSINT

Финансовая разведка — война с теми, кто прячет деньги. По данным ООН, $1,6–4 трлн (2–5% мирового ВВП) отмывается ежегодно. ИИ — главный инструмент в борьбе с этим: только машина может обработать миллиарды транзакций в поисках подозрительных паттернов.

Кейс 1. FICO и Fair Isaac — ML-скоринг следующего поколения

Инструменты

• FICO Score XD — скоринг на альтернативных данных (без традиционной кредитной истории)
• ML-анализ: история оплаты телефона, ЖКУ, потокового видео
• Deep learning для выявления нелинейных зависимостей в кредитном поведении
• Explainable AI: объяснение решения по кредиту (требование регуляторов)

Что происходит

Традиционный кредитный скоринг: нет кредитной истории → нет кредита. Это замкнутый круг для молодых людей и недавних иммигрантов. FICO XD: анализирует альтернативные данные — регулярно платит за телефон 3+ года → хорошая платёжная дисциплина → кредитный балл. Это открывает доступ к кредитам для ~26 миллионов американцев без традиционной кредитной истории.

Explainable AI: регуляторы требуют, чтобы банк мог объяснить, почему отказал в кредите. Простая нейросеть — «чёрный ящик». FICO использует специальные техники (SHAP values), позволяющие объяснить: «отказ из-за: высокой нагрузки на доход (фактор 1), короткой кредитной истории (фактор 2), нескольких запросов кредита за последние 3 месяца (фактор 3)».

Результаты

• FICO Score XD: одобрение кредитов для ранее «невидимых» заёмщиков при сопоставимом риске дефолта
• Точность ML-скоринга vs традиционного: улучшение Gini coefficient на ~5–8 п.п. (существенно в кредитной аналитике)
• FICO: >90% крупнейших банков США используют FICO Score

Кейс 2. Росфинмониторинг + ML — AML в России

Инструменты

• ML-мониторинг финансовых транзакций в масштабе страны
• Graph Analytics: выявление схем отмывания через сети юрлиц
• NLP-анализ назначений платежей
• Risk-scoring каждого юридического лица

Что происходит

Росфинмониторинг (Федеральная служба по финансовому мониторингу) — российский аналог FinCEN в США. ML-системы анализируют транзакции в реальном времени: если компания получает деньги от десятков физлиц и сразу переводит их за рубеж — классическая схема вывода. Без ML: такая схема могла работать месяцами до обнаружения. С ML: паттерн выявляется за часы или дни.

Graph Analytics: компании связаны через директоров, учредителей, адреса. ML строит граф связей и выявляет «паучьи сети» — десятки компаний, управляемых одним человеком через номиналов, участвующих в круговых схемах.

Результаты

• Росфинмониторинг: выявление подозрительных операций выросло в разы после внедрения ML-аналитики
• Объём заблокированных подозрительных средств: >₽1 трлн ежегодно
• Время от появления схемы до её выявления: снижение с месяцев до дней в типичных случаях

Кейс 3. NBKI (Национальное бюро кредитных историй) — AI-скоринг в России

Инструменты

• ML-скоринговые модели на данных >100 миллионов россиян
• Поведенческий скоринг: динамика кредитного профиля
• Anti-fraud: выявление мошеннических заявок
• Альтернативные данные: телеком-скоринг совместно с операторами

Что происходит

НБКИ — крупнейшее кредитное бюро России. Скоринг по данным НБКИ используют >3 600 банков, МФО и лизинговых компаний. ML позволяет строить более тонкие модели: не просто «есть/нет просрочка», а динамика поведения — человек начал гасить досрочно → улучшающаяся платёжная дисциплина.

Anti-fraud: выявление синтетической идентичности (мошенники создают «виртуальных людей» из фрагментов реальных данных) через ML-паттерны в кредитных заявках.

Результаты

• Точность ML-скоринга НБКИ: улучшение предсказания дефолта на ~15% vs традиционные модели
• Anti-fraud: выявление мошеннических заявок — рост на ~40% с ML
• Потери банков от мошенничества при использовании ML-верификации: снижение на ~20–25%

Источники: FICO Annual Report 2023, Росфинмониторинг официальные отчёты, НБКИ пресс-релизы, ООН AML statistics.