Stopping Crime in the Era of AI: How Compliance Can Stay Ahead
Notice bibliographique
Résumé
240-260Criminals are using artificial intelligence to scale money laundering in ways that were not possible only a few years ago. Synthetic identities built from fragments of real documents, deepfake onboarding videos that pass liveness checks and automated networks of mule accounts allow bad actors to move funds faster and hide their tracks more effectively. Traditional compliance systems, based on static rules and manual review, struggle to keep up. This presentation looks at how the AML landscape is shifting and why financial institutions need more adaptive technology. The industry is moving from simple red-flag detection toward richer behavioural analysis that understands how legitimate customers behave so anomalies become clearer. Graph intelligence is helping compliance teams uncover hidden relationships between accounts, wallets and devices that would never appear suspicious on their own. AI can reduce false positives and highlight the real threats that matter. The future of AML is not about replacing compliance teams. It is about equipping them with smarter tools that learn from new fraud patterns, integrate global sanctions intelligence and provide confidence at scale. With Singapores ambition to lead regional fintech innovation, the region is well positioned to adopt these capabilities early and set a benchmark for safer digital finance in Asia. Drawing on real-world implementation experience in high-risk sectors, this talk explores what is working today, how the technology must evolve and what forward-leaning financial institutions can do to stay ahead as criminals increasingly think and operate like algorithms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,024 |
| Communication savante | 0,025 | 0,031 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,008 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».