Adverse-Media-Screening, das den Lärm herausfiltert

Adverse-Media-Screening scheitert, wenn Tools einen Namen matchen und dann aufhören. Ein häufiger Name zieht Hunderte Artikel über Namensvettern herein, und eine Stichwortliste kann eine Betrugsverurteilung nicht von einem Zitat in einem Lokalsportbericht trennen. Zwei Modelle beheben das: Entity Resolution entscheidet, ob ein Artikel überhaupt von Ihrem Kunden handelt, und Relevanz-Scoring entscheidet, ob er ein Verhalten beschreibt, das für Sie relevant ist.

Das Scheitern lässt sich in jeder Warteschlange beobachten. Ein Analyst öffnet einen Fall, findet vierhundert Artikel, die an einen häufigen Namen gehängt wurden, und klickt sich durch die ersten vierzig, bevor er den Alert als Müll abtut. Die restlichen dreihundertsechzig bleiben ungelesen. Das ist ein Suchfeld mit einem Compliance-Etikett darauf, und es scheitert in genau der Richtung, die niemand bemerkt, denn der eine Artikel, der zählte, stand an vierhundertzweiter Stelle.

Der Name ist nicht die Person

Entity Resolution ist der Teil, den die meisten Anbieter stillschweigend überspringen, weil er schwierig ist und sich schlecht demonstrieren lässt. Die Frage, die er beantwortet, ist eng gefasst: Handelt dieser Artikel von derselben Person oder demselben Unternehmen wie in Ihrem Kundendatensatz? Ein String-Match kann das nicht beantworten. “James Miller” liefert einen Betrüger, einen Fußballer, einen Stadtrat und einen Mann, der einen Kuchenwettbewerb gewonnen hat, zurück, und das Tool behandelt alle vier als denselben Alert.

Resolution funktioniert, indem sie die Übereinstimmung zwischen den Attributen, die Sie vorliegen haben, und den Attributen, die der Artikel offenlegt, bewertet.

• Geburtsdatum oder Gründungsdatum, sofern der Artikel eines nennt.
• Standort: die eingetragene Adresse des Kunden gegenüber der Geografie der Berichterstattung.
• Arbeitgeber, Rolle und Branche, die zwei Personen mit tatsächlich gleichem Namen voneinander abgrenzen.
• Bekannte Verbindungen und Unternehmensstruktur, die es Ihnen ermöglichen, einen Geschäftsführer mit einem in einem Bußgeldbescheid genannten Unternehmen zu verknüpfen.

Keines dieser Attribute ist garantiert vorhanden, und das ist die entwurfsbedingte Randbedingung. Ein guter Resolver liefert eine kalibrierte Wahrscheinlichkeit, dass die Erwähnung und der Kunde dieselbe Entität sind, und er verschlechtert sich kontrolliert, wenn der Artikel Ihnen fast nichts zum Arbeiten gibt. Treffer mit niedriger Konfidenz werden nicht verworfen. Sie werden anders geroutet, und es wird festgehalten, warum. Das ist dasselbe Matching-Problem, das auch das Sanctions-Screening hat, weshalb das Entity-Modell zwischen beiden geteilt und nicht pro Feed neu gebaut werden sollte.

Relevanz ist eine bewertete Entscheidung

Sobald Sie überzeugt sind, dass ein Artikel von der richtigen Entität handelt, müssen Sie immer noch entscheiden, ob er etwas Relevantes aussagt. Negative Presse ist eine weite Kategorie. Ein Parkstreit, eine Verleumdungsklage, die der Betroffene gewonnen hat, ein zehn Jahre alter Artikel über ein gleichnamiges Unternehmen und eine laufende Anklage wegen Geldwäsche lösen alle dieselben Stichwortlisten aus. Sie als gleichwertig zu behandeln, ist genau das, was die Warteschlange flutet.

Relevanz-Scoring weist dem beschriebenen Verhalten eine Kategorie und eine Schweregrad-Stufe zu, gebunden an Ihre eigene Risikotaxonomie: Finanzkriminalität, Korruption, Sanktionsumgehung, Gewaltverbrechen, aufsichtsrechtliche Maßnahmen und so weiter. Ein paar Entscheidungen zählen mehr als die Modellarchitektur:

• Lesen Sie die Rolle des Betroffenen. Die Rolle des Betroffenen verändert alles: Ein Betrugsopfer ist kein Risikoereignis, der Beschuldigte schon, und ein als Experte zitierter Kommentator ist weder das eine noch das andere.
• Gewichten Sie nach Quelle und Aktualität. Die Vollzugsseite einer Aufsichtsbehörde schlägt einen Aggregator, der sie umgeschrieben hat, und eine 2009 abgeschlossene Angelegenheit ist kein aktuelles Anliegen.
• Halten Sie die Kategorie im Output explizit, sodass ein Analyst “aufsichtsrechtliche Maßnahme, hoher Schweregrad” liest statt einer nackten Zahl, die er zurückentwickeln muss.

Was einen Analysten erreicht, sollte eine kurze, priorisierte Liste sein, die eine ausgewiesene Kategorie, einen Schweregrad, eine Resolution-Konfidenz und den Satz trägt, der den Score ausgelöst hat. Das kann ein Mensch in Minuten abarbeiten oder eskalieren. Vierhundert undifferenzierte Links kann er das nicht.

Governance für das Modell, von dem Sie jetzt abhängen

In dem Moment, in dem Relevanz-Scoring entscheidet, was ein Analyst nie zu sehen bekommt, wird es zu einem Kontrollmechanismus und muss auch wie einer regiert werden. Unter SR 11-7 bedeutet das: Das Modell ist dokumentiert, unabhängig validiert und im Produktivbetrieb überwacht, wobei das False-Negative-Verhalten als primäres Risiko behandelt wird und nicht als nachgelagerte Überlegung.

• Halten Sie ein gelabeltes Eval-Set vor, das schwierige True Positives enthält, die realen Fälle, die ein Analyst eskaliert hat. Verfolgen Sie den Recall darauf bei jeder Änderung am Modell, am Prompt oder am Feed. Ein Präzisionsgewinn, der stillschweigend Recall kostet, ist ein Verlust.
• Setzen Sie ein False-Positive-Budget und eine konservative Auto-Close-Schwelle, und behalten Sie alles unterhalb der Auto-Close-Linie in einer menschlichen Warteschlange, statt es zu löschen. Das automatische Schließen eines Treffers ist eine protokollierte Entscheidung, und so sollte sie im Audit-Trail auch lesbar sein.
• Achten Sie auf Drift. Nachrichtensprache verschiebt sich, Quellen kommen und gehen, und ein neuer Syndication-Partner kann über Nacht die Mischung dessen verändern, was das Modell zu sehen bekommt. Alarmieren Sie auf die Verteilung der Scores, nicht nur auf die modelleigene Konfidenz.
• Bewahren Sie die Lineage für jede Entscheidung auf. Der Artikel, seine Quelle, die Resolution-Wahrscheinlichkeit, die Relevanzkategorie und der Score müssen alle bis zu einem Audit in zwei Jahren überleben, wenn eine Aufsichtsbehörde fragt, warum ein Kunde mit belastender Berichterstattung freigegeben wurde.

Hier gibt es ein Problem der zeitpunktbezogenen Korrektheit, das leicht zu übersehen ist. Wenn Sie einen Kunden erneut screenen, fragen Sie danach, was zum Prüfdatum bekannt sein konnte, nicht danach, was das Internet heute sagt. Ein im März freigegebener Fall sollte so rekonstruierbar sein, wie er im März stand, mit den damals verfügbaren Quellen, sodass ein späterer Prüfer die Entscheidung beurteilt und nicht den Lauf der Zeit. Ein Screening, das seinen eigenen früheren Zustand nicht reproduzieren kann, kann ihn auch nicht verteidigen.

Es gibt also keinen Filter zum Einschalten. Was funktioniert, sind zwei Modelle, ein Eval-Set, das übersehenes Risiko bestraft, und eine Lineage, die tief genug reicht, um jede einzelne Entscheidung bei Bedarf zu rekonstruieren. Machen Sie das richtig, und der Analyst liest die Fälle, die zählen. Überspringen Sie es, und Sie haben das Wegschauen automatisiert.