|| हृषिकेश दत्ताराम शेर्लेकर काळा पैसा पांढरा करण्याच्या कारवाया गुंतागुंतीच्या; त्यांना कृत्रिम प्रज्ञेद्वारे रोखण्याचे प्रयोग सध्या सुरू आहेत.. ‘वर्ल्ड पेमेंट्स २०१५’ अहवालानुसार जगात दिवसाला एक अब्ज ‘कॅशलेस’ आर्थिक व्यवहार होतात. यात किरकोळ/ घाऊक व्यवहार समाविष्ट आहेत. रिझव्‍‌र्ह बँकेच्या अहवालात भारतातील २०९ बँकांत फेब्रु.२०१९ मध्ये २० कोटी डिजिटल व्यवहार झाले, म्हणजे हिशेब करायचा झाल्यास जवळपास अडीच मिनिटांत एक व्यवहार. आणि मी फक्त बँकिंग नेफ्ट, ईसीस, मोबाइल पेमेंट्सबद्दल बोलतोय. आता यातले कुठले व्यवहार ‘गर’ हे कसे शोधणार? तेही मनुष्यबळ वापरून? किती मानवी फौज लागेल प्रत्येक बँकेला? आणि शोधलेच तरी खात्री काय की प्रत्येक व्यवहार तपासलाय? आज आपण बघणार आहोत आर्थिक जगत आणि त्यातील अँटी मनी लाँडिरग (एएमएल), फ्रॉड, आर्थिक फसवणूक शोध यावर कृत्रिम बुद्धिमत्तेमुळे उपलब्ध झालेले नवीन पर्याय. व्याख्या: सर्वप्रथम ‘मनी लाँडिरग’ म्हणजे नक्की काय? तर, ‘गरमार्गाने मिळविलेल्या उत्पन्नाचे मूळ उत्पत्तिस्थान लपवण्यासाठी वा कर वाचवण्यासाठी, अवैध मार्गाने पसे अनेक गुंतागुंतीच्या क्रमाने वेगवेगळ्या खात्यांतून वळवून, शेवटी तो पसा कायदेशीर करण्याचा/ देशाबाहेर नेण्याचा प्रयत्न करणे’. इथे तुमच्या मनात येतील सध्या ऐकून असलेली दोनतीन कुप्रसिद्ध नावे; परंतु हे प्रकार अत्यंत छोटय़ा पातळीवरदेखील होतात. उदाहरणार्थ अनेक छोटय़ा रोख ठेवी जमा करून ते पसे इतरत्र- कधीकधी परदेशी बँकेत- वळविणे, त्यापासून वस्तू, मालमत्ता खरेदी करणे. मोठय़ा प्रमाणात ड्रग्स, दहशतवाद, मानवी तस्करी वा अन्य गुन्ह्यांसंदर्भात पसा अनेक देशांच्या सीमा ओलांडून अशाच मार्गाने हस्तांतरित होत असतो. मनी लाँडिरग तीन टप्प्यांत होते, एक ‘प्लेसमेंट’ म्हणजे गर मार्गाने मिळविलेला पसा विविध क्ऌप्त्या वापरून आर्थिक संस्थांमध्ये आणणे. दोन, ‘लेअिरग’ म्हणजे तेच पसे विदेशी वा परदेशी बँकेच्या विविध खात्यांत वळवणे. अशी वळती कधीच थेट होत नसून, एकातून दुसऱ्या, मग तिसऱ्या खात्यांत, तेही रकमेचे अनेक हिस्से बनवून मगच, केले जाते. तीन ‘इंटिग्रेशन’ म्हणजे अंतिम अकाऊंटमधून पसे वापरून मौल्यवान वस्तूंची खरेदी किंवा आर्थिक गुंतवणूक. इथे एक लक्षात घ्यावे की प्रत्यक्ष माफिया, गुन्हेगार मनी लाँडिरग मुळीच करत नाहीत, त्यासाठी असतात आर्थिक विश्व, संगणक वापर व कायद्यांतील त्रुटी माहीत असलेल्या तज्ज्ञमंडळींच्या अत्यंत बुद्धिमान टोळ्या. अर्थातच नवनवीन क्ऌप्त्या शोधून काढून लाँडिरग करणे हा त्यांचा रोजचाच विषय. संयुक्त राष्ट्रांच्या अहवालानुसार फक्त ड्रग्ज आणि गुन्हे जगतातील मनी लाँडिरग हे जवळपास एक ते अडीच लाख अब्ज रुपये इतके प्रचंड आहे. एकंदरीत जागतिक मनी-लाँडिरग जगाच्या सकल घरेलू उत्पादनाच्या (जीडीपी) दोन ते पाच टक्के असेल. गेल्या दशकात अँटी मनी लाँडरिंगमुळे जगभर बँकांना सुमारे २६ अब्ज डॉलर्स इतका दंड सोसावा लागलाय. मार्च २०१७ मध्ये रशियामधून चालविलेल्या गेलेल्या मनी लाँडिरगच्या प्रकारांत ब्रिटनस्थित अनेक वित्तीय संस्था व बार्कलेज, रॉयल बँक ऑफ स्कॉटलंड, लॉयड्स, एचएसबीसीसारख्या बँकांद्वारे सुमारे ७४ कोटी डॉलर्स ‘पांढरे’ केले गेले असा अंदाज आहे, ज्याचे ‘द ग्लोबल लॉन्ड्रोमॅट्’ असे नामकरण केले गेले. थोडक्यात, मनी लाँडिरग ही एक जागतिक समस्या असून त्यावर विकसनशील देशांतील सोडा पण अद्ययावत पश्चिमात्य आर्थिक संस्थांनादेखील पूर्णपणे मात करणे अद्याप तरी शक्य झालेले नाही. तर मग ‘अँटी मनी लाँडरिंग’ (एएमएल) सध्या कसे हाताळतात? तसले व्यवहार शोधण्या, पकडण्यासाठी काय करतात? ‘एएमएल’ म्हणजे बेकायदा क्रियांद्वारे मिळविलेले उत्पन्न कायदेशीर करणे थांबविण्यासाठी तयार केलेल्या प्रक्रिया, कायदे आणि नियम. बँका या आर्थिक जगतातील द्वारपाल, पहारेकरी असल्यामुळे त्यांनी सर्वप्रथम संशयास्पद व्यवहार शोधावेत आणि ते शक्य तर रोखून, लगेच शासकीय संस्थांना कळवावेत अशी अपेक्षा असते, न केल्यास भरुदड व कारवाई होऊ शकते. फक्त मनुष्यबळ वापरून प्रत्येक व्यवहार ‘ऑडिट’ करायचा, तर लाखो लोक लागतील आणि दुसरे म्हणजे इथे वेळेला महत्त्व असते. हल्ली वापरात असलेले ‘एएमएल’ सॉफ्टवेअर्स बऱ्याच प्रमाणात प्राथमिक देखरेख ठेवून संशयास्पद व्यवहार, खातेदाराबद्दल ‘अलर्ट’ देतात. असे अलर्टस मग बँकेचे ‘कम्प्लायन्स’ कर्मचारी सविस्तरपणे तपासतात. बँकांमध्ये ‘केवायसी’ प्रकिया आपण केलीच असेल, तोदेखील ‘एएमएल’ नियमांतील एक अनिवार्य भाग आहे. मात्र ही सध्याची ‘एएमएल’ पद्धती वापरूनसुद्धा आर्थिक गुन्हे तर होतच आहेत शिवाय आर्थिक संस्थांना प्रचंड मनुष्यबळ, खर्च, भरुदडदेखील येतोय. का? कारण वरील एएमएल सॉफ्टवअर्स हे याच सदरात आधीच्या काही लेखांत पाहिल्याप्रमाणे ‘प्रश्न + सूत्र = उत्तर’ अशा ‘नियमावली’ पद्धतीने बनविलेली असतात. म्हणजेच काय शोधायचे हे आपल्याला ठरवावे लागते, इथेच अनेकमितीय विश्लेषण मानवी बुद्धी करू शकत नसल्यामुळे असंबंधित असे कल शोधायला आपण कमी पडतो मशीनपेक्षा. दुसरे अशी ‘एएमएल’ सॉफ्टवेअर्स हजारो-लाखो अलर्टस देत राहतात, त्यात काही ‘फॉल्स-पॉझिटिव्ह’ तर काही ‘ट्र-निगेटिव्ह’. म्हणजे कधी गर व्यवहार नसूनही सॉफ्टवेअर चुकीचा अलर्ट देते,तर कधी व्यवहार गैर असताना अलर्ट मिळत नाही. साधारणपणे पारंपरिक ‘एएमएल’ सॉफ्टवेअर्स ९५ टक्के फौल्स-पॉजिटिव्ह देऊ शकतात, ज्यातले फक्त दोन टक्के व्यवहार ‘एसटीआर’म्हणजे संशयास्पद रिपोर्टमध्ये रूपांतरित होतात. ते ‘क्लिअर’ करण्यात उगीचच वेळ वाया जातो, खर्च वाढतो आणि कामाचा ढिगाराही (बॅकलॉग) वाढतो. आर्टििफशिअल इंटेलिजन्स (एआय) हा अँटी मनी लाँडिरगसाठी उपयुक्त आहे आणि याबद्दल बरेच संशोधन, प्रयोगिक तत्त्वावर चाचण्या सुरू आहेत. बऱ्याच वित्तीय संस्थांनी काहीना काही प्रयत्न सुरू केलेही आहेत, त्यापैकी काही प्रमुख प्रकारांची माहिती घेऊ : (१) रोबोटिक ऑटोमेशन : सध्याची पद्धत (म्हणजे ‘एएमएल’ पारंपरिक सॉफ्टवेअर)>> प्रचंड प्रमाणात अलर्ट्स >> प्राथमिक मानवी विश्लेषण >> अनावश्यक अलर्ट्स वेगळे करणे (साधारणपणे ९५ टक्के) >> संशयास्पद व्यवहार रिपोìटग >> पुढील कारवाई. ‘एआय’ तंत्रज्ञान वापरून यातील प्राथमिक मानवी विश्लेषण, अनावश्यक अलर्ट्स वेगळे करणे हे वेळखाऊ, किचकट काम एखाद्या ‘ट्रेन’ केलेल्या मशीन लìनग अल्गोरिदमला सहजपणे हाताळता येऊ शकेल. इथे नियमावलीची गरज नसून सहा ते १२ महिन्यांचे मनुष्यबळ वापरून अनावश्यक अलर्ट्स हाताळण्याचा, आधीचा डेटा असला की पुरे. परत अशी मॉडेल्स ‘सेल्फ-लर्न’ करणार, म्हणजेच चुकांवरून स्वतहून सुधारणार. अशी पद्धत मनुष्य आणि मशीन यांची उत्तम सांगड आहे. (२) नॅचरल लँग्वेज प्रोसेसिंग, इमेज प्रोसेसिंग वापरून डेटा स्क्रीिनग : अलर्ट्सचे प्राथमिक मानवी विश्लेषण करताना खातेदारांची नावे, पत्ता, फोटो, इतर माहितीची पडताळणी करणे हे वेळखाऊ व किचकट काम ठरते. त्याऐवजी, ‘एआय’ आज्ञावली क्षणार्धात अचूक ‘सर्च’ करू शकते. पारंपरिक एएमएल सॉफ्टवेअर्स फोटो सर्च करू शकत नाहीत, तसेच ‘नॅचरल लँग्वेज’ (उदा. पत्ते आदी माहिती) देखील सर्च करू शकत नाहीत. (३) अ‍ॅनालिटिक्स - अ‍ॅनोमॅली डिटेक्शन (विसंगती विश्लेषण) : प्रचंड महाकाय डेटा आणि अनेकमिती विश्लेषण, त्यात मिसळा ‘नॅचरल लँग्वेज’ माहिती तसेच ईमेल, फोटो. पारंपरिक ‘एएमएल’ सॉफ्टवेअर्स व मनुष्यबळ या महाजालातून एखादा विशिष्ट अपवादात्मक व्यवहार, काही खातेदारांच्या सामान्य नजरेस न पडणाऱ्या िलक्स, ट्रेण्ड्स सहसा शोधू शकत नाहीत, तिथे ‘एआय’ मॉडेल्स कामाला येऊ शकतात. (४) अनॅलिटिक्स - फोरकािस्टग वापरून भविष्यातील गर व्यवहाराबद्दल अंदाज : आर्थिक गुन्हेगारी जगात नवीन नवीन क्ऌप्त्या शोधून त्याच टोळीकडून परत गरव्यवहार होण्याची शक्यता अधिक असते. खोटी नावे, फोटो, पत्ते वापरून असे केले जाते. मशीन लìनग मॉडेल्स, उपलब्ध असलेल्या अंतर्गत व बाजगातील डेटामधून अशी माहिती क्षणार्धात शोधून काढू शकतात,तसेच ठरावीक खातेदारांच्या सुरुवातीच्या व्यवहारांवरून एक ट्रेंड मिळवून, अशा खातेदारांना ‘खास देखरेख यादी’मध्ये टाकू शकतात. सारांश काय तर, ‘एआय’चा वापर अजूनही अँटी मनी लाँडिरगसाठी (एएमएल) प्रायोगिक तत्त्वावर सुरू आहे असे म्हणावे लागेल. तसेच, मशीन लìनग म्हणजे काही जादूची कांडी नव्हे की, एका फेऱ्यात सर्व प्रश्न एकदम चुटकीसरशी सुटतील. इथेही ‘ह्यूमन बायस’सारखे संभाव्य धोके आहेतच, म्हणजे एआय हे मनुष्याने केलेल्या उदाहरणावरून शिकते तेव्हा चुकीचे मार्गदर्शन मिळाल्यास चुकीचे परिणाम संभवतात. तसेच अशुद्ध, अपूर्ण डेटा-सेट, बँक कर्मचाऱ्याकडून प्रोग्रॅम्सचा चुकीचा वापर, ‘सिक्युरिटी ब्रीच’ अशा अनेक समस्या आहेत. तरीदेखील एक मात्र खरे की मनुष्य आणि मशीन यांची सांगड दिवसेंदिवस दृढ होऊनच पुढील आव्हाने ओलांडली जातील. लेखक टाटा कन्सल्टन्सी सव्‍‌र्हिसेसमध्ये साहाय्यक उपाध्यक्ष आणि सध्या अ‍ॅनालिटिक्स आणि इनसाइट्सच्या यूएसए सेंटरचे प्रमुख म्हणून कार्यरत आहेत. hrishikesh.sherlekar@gmail.com
