金融機構進行反洗錢識別所依賴的基礎數據除了數量級大的特點，還兼有非連續性、低質量、缺乏數據字典和元數據等一系列負面特質，但卻為新興人工智能技術工具提供了一展身手的廣闊天地，主要包括：

1. 大數據技術。麥肯錫全球研究所給出的定義是：一種規模大到在獲取、存儲、管理、分析方面大大超出了傳統數據庫軟件工具能力范圍的數據集合，具有海量的數據規模、快速的數據流轉、多樣的數據類型和價值密度低四大特征。大數據技術的戰略意義不在于掌握龐大的數據信息，而在于對這些含有意義的數據進行專業化處理。換而言之，在于提高對數據的“加工能力”，通過“加工”實現數據的“增值”。

2. 知識圖譜。在圖書情報界稱為知識域可視化或知識領域映射地圖，是顯示知識發展進程與結構關系的一系列各種不同的圖形，用可視化技術描述知識資源及其載體，挖掘、分析、構建、繪制和顯示知識及它們之間的相互聯系。知識圖譜的重要應用方向即是呈現不同事物之間的聯系，從而為管理和決策提供切實的、有意義的參考。

3. 機器學習。機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹。

根據我國反洗錢法的規定，金融機構的反洗錢義務主要包括“依法采取預防、監控措施，建立健全客戶身份識別制度、客戶身份資料和交易記錄保存制度、大額交易和可疑交易報告制度”。結合金融機構的實際工作，人工智能技術可以從客戶身份識別和可以交易識別兩個方面幫助我們提高反洗錢識別能力。

1. 客戶身份識別

如果把金融機構識別風險客戶比作是漁夫用漁網捕魚，應用場景可以如下所述。

首先，金融機構獲取的海量客戶和交易數據就是制作漁網的原材料，利用大數據技術將相關數據按照流程存儲、傳輸、清洗、輸入模型，輸出了不同的客戶數據特征值，類比成輸出不同規格的魚線，用以編織不同規格的漁網。與傳統工藝所不同的是，利用大數據技術進行的數據加工過程不再因為量級、效率、維度等因素而受限。落地到客戶身份識別場景中，可以存儲和分析的信息不再局限于開戶申請中所獲取的有限信息項，通過有效引導，將會擴大到交易信息項。另一方面，大數據的流式計算技術使監控工作從事后分析逐步前移，為事中和事前監控開啟了可能。

其次，金融機構關于客戶風險等級的分類可以比作是漁夫期望捕魚的大小規格，用不同規格的魚線、根據設計的網口大小和圖案可以織出不同規格的漁網。同樣，根據不同的客戶數據特征值和金融機構設定的風險參數，利用機器學習和知識圖譜技術可以建立起客戶的風險視圖。知識圖譜可以打破傳統數據庫關聯的瓶頸，類比于神經元網絡，可以向任意方向拓展；機器學習可以解放產品經理，只要提供足夠的正負樣本，就可以讓程序自己去模擬人類學習過程，進一步明晰事物之間的聯系。以辦理一筆跨境匯款業務的客戶為例，只要有足夠的客戶信息數據、轉賬交易數據支撐，就可以通過知識圖譜技術，構建以該客戶為中心的網絡，找出最終的資金提供方與資金接收方。

最后，漁夫收網，金融機構識別出了客戶的風險等級。識別的過程同樣也可以作為管控的過程，對于高風險的大魚，直接收網（攔截、告警等），對于無風險或者風險可控的客戶，可以允許其辦理或者有條件的辦理業務。

上述比喻僅初步描述了金融機構利用新技術進行客戶身份識別的場景，實際應用當中必定更為復雜多樣。人工智能較之傳統的技術手段，將會給金融機構的反洗錢工作帶來革命性的改變。大數據技術使金融機構奠定了對于數據的掌控能力，通過高效率的機器學習，將會多維的刻畫出客戶及其行為，輔之以知識圖譜對于異步消息的整理，使金融機構對于客戶身份識別變的前所未有的清晰。

2. 可疑交易識別

嚴格來說，客戶身份識別和可疑交易識別是很難嚴格區分開的，如果把客戶看作是神經元網絡的細胞體，那么客戶交易在某種程度上可以看作是突起?？蛻艋拘畔⒖梢宰鳛殪o態因子，客戶交易則動態的描述了客戶行為，建立起不同客戶之間的聯系，可以輔助客戶風險視圖的完善。另一方面，客戶風險等級可以反作用于可疑交易的識別。

通過人工智能構建起的反洗錢可疑交易識別網絡，可以區分非實時、準實時、實時場景進行反洗錢管控。首先，非實時的場景，主要是針對于歷史數據進行的加工處理，通過對大量客戶數據、交易數據進行加工，形成多維度的識別結果，這些結果可以用于事后監控和分析，也可以用于實時校驗的參考值。因為無需考慮實時交易處理效率，上述場景可以支持海量數據的處理，運用的技術手段可以更加多樣，最終獲取的結果也更加豐富。其次，準實時和實時場景，主要是針對需要強控的業務，能夠在交易當步進行有效識別和管控，系統可以通過實時計算將交易網絡和其他有效信息直接展示給審核人員，并且可以根據歷史數據分析判斷交易的合理性，其判斷結果可以實時展示給審核人員參考，在這個過程中，人工審核的結果可以作為機器學習的輔助修正手段，用以持續優化識別模型。當系統模型判斷結果的準確度達到一定高度后，金融機構可以根據各自的內控制度、業務量級和人力資源情況，直接在系統中設定相應的閾值進行預警、阻斷等自動化處理，在降低人力成本的同時提高反洗錢識別效率。目前金融機構的常規做法是先由系統進行初步識別，對于可疑交易落入人工審核隊列，然后由專業人員決定交易是否放行。

誠然，相比于人類億萬年進化而來的文明和智慧，人工智能的發展仍然處于試驗和萌芽階段。雖然金融機構可以獲取到足夠豐富的信息，也都形成了向數據要結果的普遍共識，但是如何進行數據的有效融合和利用，真正發揮出數據的價值，目前仍沒有足夠多的有效方法。另一個方面，洗錢犯罪也處在同樣的科技軌道中，其犯罪成本更低、違法手段更加“高明”，因此，利用人工智能編織反洗錢的天網是金融機構的必然選擇，無論是縱向深入（數據深挖掘）還是橫向合作（跨機構或者跨行業），雖然道路險阻，但未來可期。