CC BY
26Научная статья УДК 343.79
ИННОВАЦИОННЫЕ ТЕХНОЛОГИИ В ПРЕДУПРЕЖДЕНИИ ЛЕГАЛИЗАЦИИ (ОТМЫВАНИЯ) ДЕНЕЖНЫХ СРЕДСТВ ИЛИ ИНОГО ИМУЩЕСТВА, ПРИОБРЕТЕННЫХ ПРЕСТУПНЫМ ПУТЁМ
Лащенко Роман Александрович
Белгородский юридический институт МВД России имени И. Д. Путилина, Белгород, Россия
Аннотация. В статье рассматривается развитие высокотехнологичных систем противодействия отмыванию преступных доходов, в частности автоматизации выявления подозрительных операций с использованием искусственного интеллекта и машинного обучения. Отмечается способность данных технологий обрабатывать большие объёмы данных и их потенциал для выявления моделей финансового поведения. Автор акцентирует внимание на проблемах мониторинга и анализа отмывания преступных доходов, отмечая, что их потенциал сильно ограничен существующими правовыми структурами, механизмами обмена данными между правоохранительными органами и финансовыми организациями, а также относительно высокой стоимостью, сложностью и предполагаемым риском этих решений.
Ключевые слова: искусственный интеллект, машинное обучение, легализация (отмывание) денежных средств, мониторинг и анализ отмывания преступных доходов, риск-ориентированный подход, транзакции, криптовалюта.
Для цитирования: Лащенко Р. А. Инновационные технологии в предупреждении легализации (отмыванию) денежных средств или иного имущества, приобретенных преступным путем // Научный вестник Орловского юридического института МВД России имени В. В. Лукьянова. 2024. № 1(98) С. 146-152.
INNOVATIVE TECHNOLOGIES IN THE PREVENTION
OF LEGALIZATION (LAUNDERING) MONEY OR OTHER PROPERTY ACQUIRED BY CRIMINAL MEANS
Roman A. Laschenko
Putilin Belgorod Law Institute of the Ministry of the Internal of Russia, Belgorod,
Russia
Abstract. The article discusses the development of high-tech systems to counter money laundering, in particular, the automation of the detection of suspicious transactions using artificial intelligence and machine learning. The ability of these technologies to process large amounts of data and their potential to identify patterns of financial behavior is noted. The author focuses on the problems of monitoring and analyzing the laundering of criminal proceeds, noting that their potential is severely limited by existing legal structures, data exchange mechanisms between law enforcement agencies and financial organizations, as well as the relatively high cost, complexity and perceived risk of these solutions.
Keywords: artificial intelligence, machine learning, money laundering, monitoring and analysis of money laundering, risk-based approach, transactions, cryptocurrency.
For citation: Lashchenko R. A. Innovative technologies in preventing the legalization (laundering) of funds or other property acquired by criminal means // Scientific Bulletin of the Orel Law Institute of the Ministry of the Interior of the Russian Federation named after V. V. Lukyanov. 2024. № 1(98) Р. 146-152.
В течение продолжительного времени повышение эффективности противодействия отмыванию денег (далее - AML) остаётся одной из самых сложных проблем для всех мировых финансовых организаций. Учитывая внедрение информационно-телекоммуникационных сетей и новых цифровых технологий в различные сферы нашей жизни, преступники также используют высокотехнологичные способы совершения преступлений.
По данным Организации Объединенных Наций, отмывание денег во всём мире каждый год составляет 2-5 % от общего мирового ВВП, т. е. от 800 миллиардов до 2 триллионов долларов. Не обошли стороной масштабы «отмывочных» процессов и Российскую Федерацию. По информации заместителя руководителя Федеральной службы по финансовому мониторингу (Росфинмониторинг) Олега Крылова, в 2022 году ведомством проведено более 6 000 расследований в финансово-кредитной сфере, по результатам которых правоохранительными органами возбуждено около 1 300 уголовных дел, возмещено в бюджет более 5 млрд рублей, арестовано имущество фигурантов на сумму более 5 млрд рублей (в том числе за рубежом на сумму 72 млн рублей)1.
Эти факторы обязывают субъектов противодействия отмыванию денег различного уровня автоматизировать технологии (AML) путём внедрения искусственного интеллекта и машинного обучения (далее ИИ и МО) с целью прогнозирования и выявления подозрительных операций, так называемые функции должной осмотрительности потребителей (CDD) и «знай своего клиента» (KYC), а также генерацию отчётов о подозрительных действиях (SAR) на основе агрегированных данных о профилях потребительского риска2.
Юридически понятие «искусственный интеллект» в России впервые было сформулировано Указом Президента РФ от 10.10.2019 № 490 «О развитии искусственного интеллекта в Российской Федерации», а впоследствии в Федеральном законе № 123-ФЗ «О проведении эксперимента по установлению специального регулирования в целях создания необходимых условий для разработки и внедрения технологий искусственного интеллекта в субъекте Российской Федерации - городе федерального значения Москве - и внесении изменений в ст. 6 и 10 Федерального закона «О персональных данных» [1, с. 173].
Комплекс технологических решений включает в себя информационно-коммуникационную инфраструктуру, программное обеспечение (в том числе, в котором используются методы машинного обучения), процессы и сервисы по обработке данных и поиску решений. Принцип работы ИИ заключается в сочетании большого объёма данных с возможностями быстрой, интерактивной обработки этих данных интеллектуальными алгоритмами, что позволяет программам автоматически обучаться на базе закономерностей и признаков, содержащихся в данных [2, с. 75].
Как справедливо отмечает директор Департамента финансового мониторинга и валютного контроля Банка России И. В. Ясинский: «В содержательном плане замена труда человека работой программы на наиболее трудоёмких этапах проверки критериев риска позволила бы полностью исключить человеческий фактор на всех этапах,
1 Честный бизнес не боится. Замглавы Росфинмониторинга о «дропе» и мошенниках [Электронныйресурс].URL:https://aif.ru/money/economy/chestnyy_biznes_ne_boitsya_zamglavy_rosíinmonit oringa_o_drope_i_moshennikah (дата обращения 21.03.2023).
2 Противодействие отмыванию денег и валютный контроль [Электронный ресурс]. URL: https://cbr.ru/counteraction_m_ter/platform_zsk/ (дата обращения 21.03.2023).
обеспечить проверяемость, объективность и беспристрастность оценки (учёт как отрицательных, так и положительных (реабилитирующих) факторов), корректный свод отдельных факторов в интегральную оценку по единым зафиксированным в скоринговом алгоритме правилам» [3, с. 14].
Незаконные финансовые операции часто носят трансграничный характер, поэтому борьба с отмыванием денег, полученных преступным путём, и финансированием терроризма наиболее эффективно проводится на международном уровне. В указанных целях разработаны и постоянно актуализируются международные стандарты в сфере противодействия отмыванию денег, финансированию терроризма (далее - ПОД/ФТ). Разработкой стандартов и контролем за их выполнением всеми государствами занимается специализированная межправительственная организация — Группа разработки финансовых мер борьбы с отмыванием денег (далее - Financial Action Task Force, FATF)1.
В 2015 году Генеральная Ассамблея Организации Объединенных Наций изложила концепцию устойчивого развития «Преобразование нашего мира: повестка дня в области устойчивого развития на период до 2030 года», которая содержит 17 взаимосвязанных целей в области устойчивого развития (ЦУР) .
Каждая отдельная цель связана с конкретной социальной, экономической или экологической проблемой, начиная от ликвидации нищеты (цель 1) и заканчивая укреплением глобального партнёрства (цель 17). В совокупности эти цели составляют глобальную программу экономического, социального и экологического развития, требующих согласованных усилий правительств и частных организаций по всем целям до 2030 года. Учитывая, что преступность напрямую влияет на процессы экономического развития, шестнадцатая ЦУР направлена на снижение преступной деятельности во всём мире, таких как значительное сокращение всех форм насилия, прекращение торговли людьми, обеспечение доступа к правосудию, борьба с организованной преступностью и отмыванием преступных доходов. Снижение уровня преступности является важным шагом на пути к устойчивому развитию, поскольку это будет способствовать созданию стабильного общества, повышению эффективности управления и благосостояния людей.
Финансовые активы являются ключевым мотиватором для тех, кто занимается незаконной деятельностью, например по данным ФАТФ, являющейся основной межправительственной организацией по разработке стандартов противодействия отмыванию преступных доходов и осуществлению оценки соответствия национальных систем, доходы преступных организаций составляют около 150,2 млрд долларов США в год, за счёт таких преступлений, как принудительный труд, сексуальная эксплуатация и торговля людьми с целью извлечения органов3.
С момента своего создания ФАТФ инициировала использование новейших технологий для мониторинга деятельности по отмыванию денег и финансированию терроризма. Финансовые транзакции (кроме прямых платежей наличными) оставляют электронные следы, и их можно обрабатывать и анализировать с целью выявления преступлений и последующего доказывания. В связи с чем такие технические решения,
1 Обзор событий в сфере противодействия отмыванию доходов, полученных преступным путем, и финансированию терроризма [Электронный ресурс]. URL: https://cbr.ru/counteraction_m_ter/ (дата обращения 21.03.2023).
2 Резолюция, принятая Генеральной Ассамблеей 25 сентября 2015 года 70/1. Преобразование нашего мира: Повестка дня в области устойчивого развития на период до 2030 года [Электронный ресурс]. URL: https://unctad.org/system/files/official-document/ares70d1_ru.pdf (дата обращения 21.03.2023).
3 Доклад ФАТФ Финансовые потоки, связанные с торговлей людьми Июль 2018 г. [Электронный ресурс] https://eurasiangroup.org/files/uploads/files/Human-Trafficking-2018_ru_.pdf (дата обращения 21.03.2023).
как аналитика больших данных, технология распределенного реестра, позиционируются как важный компонент обнаружения отмывания денег1.
В частности, также растёт интерес к изучению потенциала искусственного интеллекта и машинного обучения в целях поддержки программ противодействия отмыванию денег и финансированию терроризма. Отмечается способность данных технологий обрабатывать большие объёмы данных как структурированных, так и неструктурированных и их потенциал для выявления моделей финансового поведения. Несмотря на многие преимущества, тем не менее отрасль остаётся новаторской, и использование этих технологий носит, скорее, экспериментальный, чем системный характер [4, с. 84].
11 марта 2019 года глава Росфинмониторинга Юрий Чиханчин на встрече с президентом РФ Владимиром Путиным сообщил, что в ведомстве внедряется использование искусственного интеллекта в деятельность по противодействию отмыванию преступных доходов. Разработки проведены совместно с Российской академией наук и Минобразования, также в проекте участвовали партнёры из ВТБ и «Газпрома». По словам Ю. Чиханчина, завершены научно-исследовательские работы и проведено успешное тестирование конструкторских образцов.2
Мониторинг отмывочных процессов является сложной задачей из-за характера моделируемого явления, т. к. они соответствует не одному конкретному поведению, а зачастую связаны с любым типом предикатного преступления, от уклонения от уплаты налогов до незаконного оборота оружия массового уничтожения. Это также охватывает факты, когда деньги имеют законное происхождение (например, заработная плата), но используются для финансирования преступной деятельности, как например, в случае благотворительных пожертвований организациям, поддерживающим терроризм. В иных случаях лица, занимающиеся отмыванием преступных доходов, могут совершать одновременно несколько преступлений. Так, зачастую незаконная игорная деятельность сопровождается взяточничеством и уклонением от уплаты налогов. Кроме того, в отмывании денег может участвовать различное количество субъектов: от индивидуальных предпринимателей до очень сложных организованных преступных групп с разветвлённой финансовой структурой.
Таким образом, в отличие от сценариев принятия решений, используемых в системах, моделирующих конкретное поведение с чётко определёнными границами и участниками, системы ПОД и ФТ должны учитывать различные поведенческие алгоритмы и комбинации участвующих субъектов. Наряду со сложностью разработки моделей отмывания денег, имеются проблемы с оценкой их эффективности. Прогнозируемые результаты, полученные с помощью модели, необходимо будет сравнить с подтверждёнными случаями отмывания денег, с целью настройки модели и повышения ее точности3.
Кроме того, лица, занимающиеся отмыванием преступных доходов, зачастую меняют тактику своей деятельности в зависимости от многих внешних и внутренних факторов [5, с. 35]. Например, закрытие национальных границ и ограничение передвижения, вызванное пандемией COVID-19, привело к сокращению контактного сбыта наркотиков и увеличению онлайн-продаж в сочетании с курьерской или почтовой доставкой или так называемым «закладкам». Преступники при этом в основном используют новые финансовые продукты, такие как мобильные платежи
Доклад ЦБР Развитие технологии распределенных реестров Декабрь 2017 [Электронный ресурс]. URL:https://cbr.ru/Content/Document/File/50678/Consultaüon_Paper_171229(2).pdf (дата обращения 21.03.2023).
2 Встреча Президента РФ с главой Росфинмониторинга Юрием Чиханчиным 2019-03-11 [Электронный ресурс]. URL: http://www.kremlin.ru/events/president/transcripts/copy/60031 (дата обращения 21.03.2023).
3 Как искусственный интеллект меняет борьбу с отмыванием денег. Женева, Швейцария: Всемирный экономический форум [Электронный ресурс]. URL: https://www.weforum.org/agenda/2019/01/how-ai-can-knock-the-starch-out-of-money-laundering/ (дата обращения 21.03.2023).
или виртуальные валюты. В докладе американской аналитической компании Chainalysis «О преступлениях, совершаемых с помощью криптовалюты» за 2022 год отмечается, что в результате деятельности пяти криптовалютных бирж с 2021 по 2022 год зафиксирован существенный (почти 70 %) рост объёмов отмывания денег с помощью криптовалюты по всему миру1. Установлено, что объёмы криптовалют, направленных со связанных с преступной деятельностью IP-адресов на площадках этих бирж, достигли почти 24 млрд долларов США в 2022 году (для сравнения: 14 млрд долларов США в 2021 году). Зафиксирован значительный рост использования нелегальных сервисов, с помощью которых в 2022 году было легализовано 6 млрд долларов США (для сравнения: с помощью таких сервисов в 2021 году было легализовано 4,5 млрд долларов США). Обращается внимание на то, что операторы таких сервисов изначально, как правило, находят клиентов благодаря рекламе услуг по отмыванию денег в даркнете и частных приложениях для обмена сообщениями; затем принимают на хранение полученную преступным путём криптовалюту от таких клиентов; перемещают её c использованием множества IP-адресов на криптовалютную биржу; проводят операции по обмену такой валюты на фиатную валюту или «чистую» (clean) криптовалюту и впоследствии возвращают полученные легализованные средства клиентам за вычетом комиссии2.
Одной из основных проблем, с которой сталкиваются поставщики финансовых услуг при выявлении подозрительных транзакций, является объём и тип анализируемых данных [6, с. 77]. Финансовые организации непрерывно генерируют большие массивы записей о новых транзакциях в дополнение к ранее структурированным и неструктурированным данным - от входа в систему до биометрической информации или разговоров в чат-ботах [7, с. 149].
Таким образом, эффективность системы противодействия отмыванию преступных доходов напрямую зависит от инвестиций организаций, предоставляющих финансовые услуги, в мощные интеллектуальные технические системы, позволяющие в режиме реального времени обрабатывать большие массивы данных с целью выявления подозрительных транзакций и поведения клиентов. Согласно последним оценкам регулирующего органа, только в Великобритании финансовые учреждения инвестируют около 5 миллиардов фунтов стерлингов в год в технологии профилирования клиентов и мониторинга транзакций в целях противодействия отмыванию денег3.
Системы противодействия отмыванию денег (AML) должны быть не только технологически мощными, но и соответствовать другим критериям, таким как безопасность персональных и банковских данных, конфиденциальность клиентов, главным образом при биометрической идентификации личности, а также используемые технологии не должны являться необоснованно дискриминационными в отношении определённых клиентов [8, с. 74]. Однако этот потенциал сильно ограничен существующими правовыми структурами, механизмами обмена данными между правоохранительными органами и финансовыми организациями, а также относительно высокой стоимостью, сложностью и предполагаемым риском этих решений [9, с. 31].
Отметим ещё один важный момент: искусственный интеллект не панацея, а дополнение к основному инструментарию специалистов по информационной безопасности. Не стоит считать, что если подключить сервис с элементами ИИ и МО
Аналитический обзор Chainalysis-Криптопреступность 2022. [Электронный ресурс]. URL: https://is-systems.org/blog_article/11647251410 (дата обращения 21.03.2023).
2 Обзор событий в сфере противодействия отмыванию доходов, полученных преступным путем, и финансированию терроризма [Электронный ресурс]. URL: https://cbr.ru/Collection/Collection/File/43830/Feb_2023.pdf (дата обращения 21.03.2023).
3 HSBC использует искусственный интеллект, чтобы помочь обнаружить отмывание денег. Файнэншл Таймс. Лондон. [Электронный ресурс]. URL: https://www.ftcom/content/b9d7daa6-3983-11e8-8b98-2f31af407cc8 (дата обращения 21.03.2023).
к банковской системе без настройки соответствующих бизнес- и организационных процессов, то сразу же решаются все проблемы с информационной безопасностью. Последнее слово и принятие окончательного решения всё равно должны оставаться за специалистом по информационной безопасности1. Искусственный интеллект и его компоненты неизбежно становятся новой парадигмой работы банковского сектора, и это уже не остановить. Несмотря на все технологические сложности и риски, он несёт в себе значительно больше преимуществ как для банковского сектора, так и для его аудитории.
1. Колычева А. Н. Перспективы внедрения искусственного интеллекта в раскрытие и расследование преступлений // Научный вестник Орловского юридического института МВД России имени В.В. Лукьянова. 2022. № 3(92). С. 172-179.
2. Боровская E. B. Основы искусственного интеллекта: Учебное пособие. Москва, 2018. 130 с.
3. Ясинский И. В. Новые инструменты и технологии контрольно-надзорной деятельности Банка России в сфере противодействия легализации (отмыванию) доходов, полученных преступным путем и финансированию терроризма // Финансовая безопасность. 2022. № 35. С. 14-16.
4. Семеко Г. В. Искусственный интеллект в банковском секторе: возможности и проблемы // Социальные новации и социальные науки. 2021. № 2 С. 82-96.
5. Лавроненко Р. А. Противодействие легализации (отмыванию) доходов, полученных преступным путем, в кредитно-финансовой системе : дис. ...канд. юрид. наук. М., 2022. 206 с
6. Левашов М. В. Эффективность классификаторов для выявления фрода в финансовых транзакциях // Вопросы кибербезопасности. 2019. № 5. С. 76-81.
7. Раздорожный К. Б. Противодействие отмыванию денежных средств, полученных с использованием цифровых финансовых активов // Вестник Университета имени О. Е. Кутафина. 2019. № 7 С. 147-153.
8. Стройкова Н. А. Обнаружение мошеннических операций на рынке ценных бумаг с использованием методов машинного обучения // International Journal of Open Information Technologies. 2022. № 12 С. 74-76.
9. Бекетнова Ю. М. Методология анализа данных в сфере противодействия отмыванию доходов: дис. ...д-ра юрид. наук. М., 2022. 307 с.
1. Koly'cheva A. N. Perspektivy' vnedreniya iskusstvennogo intellekta v raskry'tie i rassledovanie prestuplenij // Nauchny'j vestnik Orlovskogo yuridicheskogo instituta MVD Rossii imeni V.V. Luk'yanova. 2022. № 3(92). S. 172-179.
2. Borovskaya E. B. Osnovy' iskusstvennogo intellekta: Uchebnoe posobie. M., 2018. 130 s.
3. Yasinskij I. V. Novy'e instrumenty' i texnologii kontrol'no-nadzornoj deyatel'nosti Banka Rossii v sfere protivodejstviya legalizacii (otmy'vaniyu) doxodov, poluchenny'x prestupny'm putem i finansirovaniyu terrorizma // Finansovaya bezopasnosf. 2022. № 35. S. 14-16.
4. Semeko G. V. Iskusstvenny'j intellekt v bankovskom sektore: vozmozhnosti i problemy' // Social'ny'e novacii i social'ny'e nauki. 2021. № 2 S. 82-96.
5. Lavronenko R. A. Protivodejstvie legalizacii (otmy'vaniyu) doxodov, poluchenny'x prestupny'm putem, v kreditno-finansovoj sisteme : dis. ...kand. yurid. nauk. M., 2022. 206 s
6. Levashov M. V. E'ffektivnost' klassifikatorov dlya vy'yavleniya froda v finansovy'x tranzakciyax // Voprosy' kiberbezopasnosti. 2019. № 5. S. 76-81.
1 Искусственный интеллект как защита: использование машинного обучения для обеспечения безопасности компании [Электронный ресурс]. URL: https://www.anti-malware.ru/analytics/Technology_Analysis/Using-machine-learning-to-keep-company-safe(дата обращения 21.03.2023).
7. Razdorozhnyj K. B. Protivodejstvie otmy'vaniyu denezhny'x sredstv, poluchenny'x s ispolzovaniem cifrovy'x finansovy'x aktivov // Vestnik Universiteta imeni O. E. Kutafina. 2019. № 7 S. 147-153.
8. Strojkova N. A. Obnaruzhenie moshennicheskix operacij na ry'nke cenny'x bumag s ispolzovaniem metodov mashinnogo obucheniya // International Journal of Open Information Technologies. 2022. № 12 S. 74-76.
9. Beketnova Yu. M. Metodologiya analiza danny'x v sfere protivodejstviya otmy'vaniyu doxodov : dis. ...d-ra yurid. nauk. M., 2022. 307 s.
Информация об авторе
Роман Александрович Лащенко. Старший преподаватель кафедры уголовно-правовых дисциплин.
Белгородский юридический институт МВД России имени И. Д. Путилина. 308024, Россия, г. Белгород, ул. Горького, д. 71.
Information about the author
Roman А. Laschenko. Senior Lecturer of the Department of Criminal Law Disciplines.
Putilin Belgorod Law Institute of the Ministry of the Internal of Russia. 308024, Russia, Belgorod, Gorky str. 71.
Статья поступила в редакцию 21.08.2023; одобрена после рецензирования 13.11.2023; принята к публикации 15.01.2024.
The article was submitted August 21, 2023; approved after reviewing November 13, 2023; accepted to the writing of the article for publication January 15, 2024.
