Zo werken wij

TMNL brengt transactiegegevens van verschillende banken bij elkaar en legt daar betekenisvolle verbanden tussen. Om deze mogelijk ongebruikelijke transacties te kunnen detecteren, bouwt TMNL steeds slimmere modellen. Deze modellen worden doelmatig en verantwoord ingezet, waarbij risico’s op bijvoorbeeld discriminatie worden uitgesloten.

De verbanden die gelegd worden door deze modellen zorgen voor nieuwe inzichten op het gebied van mogelijk witwassen en terrorismefinanciering. Het realiseren van dergelijke modellen gebeurd door kleine multidisciplinaire teams bestaande uit AML-experts, data scientists, data engineers en machine learning engineers die volgens een vaste aanpak samenwerken.

Initiëren

AML-experts van TMNL, banken en publieke partijen bespreken witwasrisico’s en -patronen die TMNL zou kunnen analyseren.
TMNL stemt haar modellen mede af op nationale prioriteiten in de strijd tegen witwassen, en pakt het aan op een manier die niet mogelijk is voor afzonderlijke banken.
Op basis van input uit het bredere stakeholderveld stelt TMNL de ontwikkeling voor van een specifiek model (bijv. m.b.t. ondergronds bankieren).
Als de banken dit voorstel goedkeuren, begint het daadwerkelijke bouwproces.

Bouwen & testen

AML-experts formuleren de doelen en principes van het nieuwe model.
Met data scientists, data engineers en machine learning engineers ontwerpen ze het model en testen ze het in meerdere iteraties.
De data scientists en machine learning engineers schrijven de onderliggende technische code en zorgen dat deze de verwachte interactie laat zien met de geselecteerde data van TMNL.
Via steekproeven wordt het model gevalideerd en verder aangescherpt. Technische tests valideren de juistheid van de code.
Risico’s rond data(kwaliteit), privacy, onbedoelde vooringenomenheid en ethiek worden intern besproken (ook met het TMNL Risk team), gewogen, gemitigeerd en gedocumenteerd.
Na goedkeuring door de TMNL model board en de gebruikersraad (waarin de banken zijn vertegenwoordigd) worden de eerste alerts naar de banken gestuurd ter review.

Opvolgen

Gespecialiseerde alert reviewers bij de banken krijgen specifieke training en ondersteuning m.b.t. het nieuwe model.
Reviewers krijgen via de TMNL alert review portal toegang tot de alerts, en kunnen daar hun feedback vastleggen. Toegang tot klant- en transactieinformatie gebeurt via het systeem van de bank.
Dataspecialisten bij de bank koppelen de alerts aan de interne datasets van de bank zelf om de reviewers van de benodigde informatie te voorzien.
Reviewers leggen de alert naast het klantprofiel en nemen zo nodig contact op met de klant voor aanvullende informatie.
Feedback over de onderzoekswaardigheid per alert wordt naar TMNL gestuurd, zonder informatie te geven over de klant of over het eindoordeel m.b.t. de alert.

Evalueren

TMNL evalueert de feedback die de alert reviewers op de portal achterlaten.
De effectiviteit van het model wordt kwantitatief en kwalitatief geanalyseerd.
TMNL onderzoekt hoe het model beter en effectiever kan worden gemaakt.
TMNL stelt vervolgstappen en eventuele verdere iteraties van het model voor.
Na feedback en goedkeuring van de TMNL model board en gebruikersraad kan TMNL een verbeterde versie van het model ontwikkelen of stoppen met het model.