XV Международная студенческая научная конференция Студенческий научный форум - 2023

В условиях информационного общества и увеличения объема необходимых для анализа данных особенно актуальным является проблема использования технологии “искусственного интеллекта” в финансовой сфере. Ввиду включения большей части экономически активного населения в информационную среду, традиционные методы анализа экономического поведения как отдельных хозяйствующих субъектов так и их групп, а равно выстраивание прогностических моделей их поведения существенно затруднено: информация образует новую самостоятельную реальность, основанную на специфических принципах и законах, в которых реализуется “психология толпы”, характеризующаяся децентрализацией и невозможностью использования единой системы верификации намерений хозяйствующих субъектов. Главной концепцией правового регулирования искусственного интеллекта на современном этапе развития финансового права является первоначальное аккумулирование нормативного материала. Поскольку искусственный интеллект является достаточно новым объектом правового регулирования, перед законодателем и правоприменителем возникает вопрос о правовой природе данного явления. Так в 2020 году был принят Федеральный закон от 24.04.2020 N 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 статьи 6 и 10 Федерального закона «О персональных данных». Данный нормативный правовой акт определяет цели, задачи и основные принципы установления экспериментального правового режима, а также регулирует отношения, возникающие в связи с установлением экспериментального правового режима. Само определение «искусственного интеллекта» в данном ФЗ достаточно расплывчатое, однако включает в себя основные признаки машинного обучения. Одной из целей экспериментального правового режима является повышение эффективности деятельности хозяйствующих субъектов в ходе внедрения технологий искусственного интеллекта. Рассмотрим основные черты машинного обучения на соответствие заявленной цели экспериментального правового режима.

Колоссальный объем информации в сфере деятельности хозяйствующих субъектов представляется наиболее обоснованным подвергать анализу с использованием ресурсов машинного обучения, которое также именуют “искусственным интеллектом”. Машинное обучение как таковое основано на принципе “нейронной сети”, то есть математической модели, построенной по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма. Данная аналогия, как и определение “искусственный интеллект”, является метафорой и описывает принципы машинного обучения, которое заключается в использовании нескольких циклов анализа данных. Основой машинного обучения является теория распознавания образов в общем смысле (теория распознавания образов - раздел информатики и смежных дисциплин, развивающий основы и методы классификации и идентификации различных объектов) и дискриминантный анализ в частности¹. Такое “распознавание” как раз выстраивается на основе нескольких циклов анализа данных, представляющих собой множество отдельных процессов анализа небольшой части информации и выстраивание корреляций исходя из последовательного движения от результатов более частных процессов к более общим. Разберем данный принцип на конкретном примере. Мошенничество представляет собой хищение, совершенное путем обмана или злоупотребления доверием - в данном определении выделяем главную часть “хищение” и равноценные подчиненные части “обман” и “злоупотребление доверием” (в данном случае мы двигаемся от общего к частному, поскольку изучаем сам принцип машинного обучения, а не конкретный пример, в котором существуют исходные данные). В свою очередь, “хищение” представляет собой совершённое с корыстной целью противоправное безвозмездное изъятие и (или) обращение чужого имущества в пользу виновного или других лиц, причинившее ущерб собственнику или иному владельцу этого имущества - практически каждое слово в определении хищения представляет собой отдельный предмет для анализа, наиболее логически затратным в нем является часть “и (или)”, утраивающая все аналитические процессы, ведь нужно учитывать все возможные ситуации как для “и” или “или”, так и одновременные ситуации, в которых обе эти части неразрывно присутствуют. Таким образом, правовое регулирование «машинной квалификации» правонарушений и преступлений в финансовой сфере невозможно apriori, поскольку оно не соответствует доктринальным и законодательным принципам квалификации правонарушений и преступлений.

Получая исходные данные, система машинного обучения будет продвигаться постепенно, анализируя на предмет соответствия фактические данные и их идеальное выражение в приведенном определении мошенничества. Безусловно, для таких процессов требуются колоссальные мощности, а ведь также нужно еще учитывать необходимость отграничения действительно преступных деяний от правомерных, что в целом удваивает все аналитические затраты. Также минусом машинного обучения является, как бы ни парадоксально это звучало, его прецедентный характер и консервативность. Нейронные сети являются практическим воплощением теории распознавания, что обуславливает прямую необходимость следования единому образцу - прецеденту. Более того, поскольку данные операции совершает компьютер, невозможно исключить “чрезмерную рационализацию” аналитических процессов, включающую в себя последовательное обобщение накопленного опыта и его унификацию. Вмешаться в данный процесс невозможно, поскольку в случае искусственного усложнения процессов анализа будут затронуты все его этапы, ведь для машины понятия “имущество” с тремя критериями (физический, экономический, юридический) и “вина” с бесчисленным множеством критериев и нюансов являются одинаковыми операндами.

Как мы видим, использование технологии машинного обучения для получения готового ответа о мошеннических действиях в финансовой системе невозможно, однако его можно использовать для более частных процессов, не касающихся квалификации экономических преступлений. Вначале следует определиться с тем, что включает в себя финансовая сфера. Традиционно исследователи относят к ней следующие подсистемы²:

1. Финансы государства

2. Финансы субъектов хозяйствования

3. Финансовый рынок

4. Международные финансы

Государственную финансовую систему, систему субъектов хозяйствования из сферы действия машинного обучения можно исключить сразу: первую из соображений обеспечения национальной безопасности, вторую по причине новаторского подхода хозяйствующих субъектов к экономической деятельности. На финансовом рынке, который представляет собой обменные и перераспределительные отношения, которые возникают в процессе покупки и продажи финансовых ресурсов, перспективы внедрения технологии искусственного интеллекта находятся в автоматизации рутинных операций с big data и в предупреждении рисков, связанных с экономическими правонарушениями.

Машинное распознавание отдельных символов позволяет автоматизировать множество рутинных, трудоемких задач, которые раньше занимали тысячи рабочих часов и увеличивали затраты на заработную плату специалистов. Нейронная сеть проверяет данные и формирует отчеты по заданным параметрам, просматривает документы и извлекает информацию из форм (заявлений, договоров и т. д.). Использование автоматизации процессов с помощью машинного обучения для часто повторяющихся задач исключает возможность человеческой ошибки и позволяет финансовому учреждению перенаправить усилия сотрудников на процессы, требующие участия человека. Например, Ernst & Young сообщила о снижении затрат на такого рода задачи на 50-70%, а Forbes назвал это «средством для цифровой трансформации»³. Одна из ведущих американских консалтинговых компаний JP Morgan Chase уже некоторое время успешно использует автоматизацию процессов с помощью машинного обучения для выполнения таких задач, как извлечение данных и сбор документов⁴.

Нейронные сети в сфере предупреждения рисков, связанных с экономическими правонарушениями, могут эффективно действовать в двух случаях: в предотвращении хищений с банковских счетов и в предотвращении одной из множества схем отмывания денежных средств (smurfing). В первом случае системы обнаружения хищений анализируют поведение клиентов банков, их местонахождение и потребительские привычки и на основании этих данных могут блокировать доступ к банковскому счету с конкретного устройства с последующим обращением специалиста к клиенту. Во втором случае системы машинного обучения могут выявлять отдельные подозрительные транзакции среди всего их массива с целью предотвращения отмывания денежных средств. Smurfing представляет собой схему отмывания денежных средств, в процессе реализации которой лицо разделяет крупные транзакции на ряд менее крупных (чуть ниже лимита) и использует несколько счетов для перевода. Отследить вручную каждый такой случай не представляется возможным: каждый день финансовые организации обрабатывают колоссальное число транзакций, среди которых идентифицировать подозрительные порой просто физически невозможно, также специалист далеко не всегда имеет доступ к истории транзакций конкретного лица.

В данном случае инструментарий машинного обучения реализует себя исключительно с положительной стороны - с его помощью становится возможным отслеживать все транзакции по заданным критериям в реальном времени, существует возможность настройки отчетов в любой форме (насколько транзакция ниже лимита, на какие счета осуществлялись переводы и с какой периодичностью и так далее), а также у нейросети всегда есть доступ к истории транзакций конкретного лица, на основании которой можно проанализировать его потребительские привычки. Представляется, что использование технологий машинного обучения также может быть обоснованным и в предупреждении мошенничества в кредитной сфере. Как известно, в настоящее время распространены случаи мошенничества, когда преступник представляется представителем власти или сотрудником банка и требует оформить кредит на потерпевшее лицо. Если нейронная сеть будет отслеживать необычное для клиента финансово-кредитное поведение, то станет возможным пресекать подобные преступления либо до их совершения (например в момент оформления заявки на получение кредита), либо сразу после совершения преступления. Маркерами в данном случае может быть способ оформления заявки на получение кредита: оформление через мобильное приложение достаточно серьезной суммы; место оформления вместе со способом: лицо оформляет заявку через мобильное приложение, находясь в городе, в котором находится отделение банка, в котором оно обычно обслуживается и так далее. Основным принципом использования технологий машинного обучения должно быть использование технологий исключительно для решения частных задач, не связанных с высшей мыслительной деятельностью человека и делегирование человеку принятие всех решений по всем случаям. Необходимо отметить, что хотя технологии нейронных сетей и используются в финансовой сфере на практике, их правовое регулирование на данном этапе идентично правовому регулированию традиционного программного обеспечения, что в корне не верно (подтверждением этому является введение экспериментального правового режима).

Таким образом, технологии машинного обучения обладают как сильными чертами, так и недостатками. Прецедентный и консервативный характер нейронных сетей исключает их использование в ряде финансовых подсистем. Технологии машинного обучения могут эффективно действовать в двух случаях: в предотвращении хищений с банковских счетов и в предотвращении одной из множества схем отмывания денежных средств, однако решение по всем случаям всегда должно оставаться за человеком. На современном этапе отсутствует законодательное регулирование использование нейронных сетей и технологии машинного обучения в финансовой сфере: существующие инициативы регулируются как традиционное программное обеспечение, что является необоснованным. Также возникает вопрос о необходимости распространения экспериментального правового режима не только на город Москва, но и на всю Российскую Федерацию, что обусловлено не только характером нейронных сетей, но и требованиями национальной безопасности. Для дальнейшего развития применения искусственного интеллекта необходимо ликвидировать образовавшийся пробел в правовом регулировании.

Список использованных источников

Асстапов, Р. Л. Автоматизация подбора параметров машинного обучения и обучение модели машинного обучения / Р. Л. Астапов, Р. М. Мухамадеева // Актуальные научные исследования в современном мире. – 2021. – № 5-2(73). – С. 34-37.

Матьянова Губенко, Е. С. К вопросу о соотношении финансовой системы, системы финансового рынка и национальной платежной системы / Е. С. Матьянова Губенко // Труды кафедры финансового права Российского государственного университета правосудия : сборник научных трудов / Под редакцией И. А. Цинделиани. – Москва : Общество с ограниченной ответственностью "Проспект", 2019. – С. 121-130.

Can robots help your business be more human? [электронный ресурс], URL: https://www.ey.com/en_gl/digital/can-robots-help-your-business-be-more-human (дата обращения 26.12.2022)

Demystifying New Technologies in Treasury [электронныйресурс], URL: https://www.jpmorgan.com/solutions/treasury-payments/insights/demystifying-tech (датаобращения 26.12.2022)