Mục lục Lời giới thiệu: Mạng nơron nhân tạo là một lĩnh vực đang được quan tâm nghiên cứu ứng dụng trong các ngành kinh tế, kỹ thuật và thương mại. Vì khả năng ứng dụng thực tiễn của nó đang ngày càng mở rộng, nên nó đã trở thành một môn học chuyên ngành của sinh viên hệ cử nhân ngành Công nghệ thông tin, cũng như một số ngành kỹ thuật khác trong các trường Đại học kỹ thuật. Điều đó đã nói lên tính cần thiết của khoa học về mạng nơron trong việc áp dụng giải quyết các bài toán truyền thống. Trong khuôn khổ của khoá luận, em xin trình bày ứng dụng của mạng nơron trong việc phát hiện nạn rửa tiền qua ngân hàng. Với ý tưởng trên, để trình bày một cách lôgíc các vấn đề và các kỹ thuật trong việc phát hiện nạn rửa tiền qua ngân hàng bằng mạng nơron, luận văn được chia làm 4 chương. Chương 1 trình bày về nạn rửa tiền và các phương pháp cảnh báo hiện tượng rửa tiền hiện tại. Chương 2 giới thiệu về mạng nơron mục đích của chương này nhằm cung cấp cho người đọc các khái niệm, các thành phần cơ bản tạo nên mạng nơron, một số mạng nơron kiểu hàm cơ sở Radian (RBF) và cách thức hoạt động của nó. Chương 3 trình bày về ứng dụng mạng nơron cảnh báo hiện tượng rửa tiền, thuật toán của mạng và cách lập trình cơ bản. Chương 4 là phần cài đặt thử nghiệm ứng dụng mạng vào thực tế. Do thời gian và kiến thức cũng như kinh nghiệm còn hạn chế, nên đồ án không tránh khỏi còn thiếu sót. Kính mong các thầy cô chỉ bảo và các bạn đồng nghiệp quan tâm góp ý. 1 Một lần nữa em xin chân thành cám ơn tất cả các thầy cô đã truyền thụ cho em kiến thức khoa học và dẫn dắt chúng em trưởng thành. Chương 1: Nạn rửa tiền và các phương pháp cảnh báo hiện tượng rửa tiền 1.1. Các khái niệm về nạn rửa tiền Rửa tiền đã trở thành một tội phạm ngày càng tăng chống lại các tổ chức, các thể chế tài chính và các hãng đầu tư trên toàn thế giới. Tính nghiêm trọng của vấn đề này và sự tấn công tinh vi của nó vào một thể chế tài chính đòi hỏi một biện pháp phát hiện đặc biệt và phức tạp hơn rất nhiều hệ thống dựa vào các quy tắc đang được sử dụng hiện nay. Rửa tiền được xác định như là một quá trình giao dịch để chuyển những nguồn tiền bất hợp pháp sang một hình thức mới, làm cho nó có vẻ như xuất phát từ những nguồn chính đáng và bằng cách đó che dấu nhân dạng của các cá nhân nắm giữ nguồn tiền đó. Ngay cả sau khi được rửa, những đồng tiền này không bao giờ là hợp pháp bởi vì vẻ bề ngoài chính đáng không tương ứng với một bản chất được hợp pháp hoá. Luợng tiền rửa trên toàn thế giới ước tính khoảng một nghìn tỷ đô la Mỹ (1). Vì mục tiêu của rửa tiền là che dấu và các tổ chức riêng lẻ không có các nguồn dữ liệu rõ ràng về những nguồn tiền được rửa qua tài khoản của họ, khó có thể có được những con số chính xác. Xét đến các thể chế tài chính riêng lẻ, ước tính tỷ lệ phần trăm của hoạt động rửa tiền trên tổng số các giao dịch cũng khó có được mặc dù các con số không chính thức mà Nestor tìm được nằm trong khoảng 0 – 5% của tất cả các giao dịch, tuỳ thuộc vào quy mô của thể chế. Do sự phát triển của công nghệ thông tin, các nước tiên tiến đã ứng dụng mạng Nơron để phát hiện các phương pháp rửa tiền tinh vi. 2 Rửa tiền được xác định như là một quá trình giao dịch để chuyển những nguồn tiền bất hợp pháp sang một hình thức mới, làm cho nó có vẻ như xuất phát từ những nguồn chính đáng và bằng cách đó che dấu nhân dạng của các cá nhân nắm giữ nguồn tiền đó. Ngay cả sau khi được rửa, những đồng tiền này không bao giờ là hợp pháp bởi vì vẻ bề ngoài chính đáng không tương ứng với một bản chất được hợp pháp hoá. Luợng tiền rửa trên toàn thế giới ước tính khoảng một nghìn tỷ đô la Mỹ. Vì mục tiêu của rửa tiền là che dấu và các thể chế riêng lẻ không có các nguồn dữ liệu rõ ràng về những nguồn tiền được rửa qua tài khoản của họ, khó có thể có được những con số chính xác. Xét đến các thể chế tài chính riêng lẻ, ước tính tỷ lệ phần trăm của hoạt động rửa tiền trên tổng số các giao dịch cũng khó có được mặc dù các con số không chính thức mà Nestor tìm được nằm trong khoảng 0 – 5% của tất cả các giao dịch, tuỳ thuộc vào quy mô của thể chế. 1.2. Các thủ thuật rửa tiền tinh vi: Các cơ chế rửa tiền dẫn đến sự chuyển dịch của các nguồn tiền thông qua các thể chế thay đổi và không ngừng tiến triển bởi các nỗ lực của các tổ chức thực hiện rửa tiền. Phần lớn các cơ chế bao gồm 3 giai đoạn: đưa tiền thâm nhập vào hệ thống tài chính, chuyển đổi và đầu tư hợp pháp. Trong giai đoạn đưa tiền thâm nhập vào hệ thống tài chính, những kẻ rửa tiền thay đổi vẻ bên ngoài của đồng tiền, thường là gửi vào tài khoản dưới dạng tiền mặt. Trong giai đoạn chuyển đổi, các giao dịch phức tạp được thực hiện để cắt đứt mối liên hệ giữa số tiền ban đầu với kẻ rửa tiền. ở giai đoạn đầu tư hợp pháp, kẻ rửa tiền gắn cho số tiền một nguồn gốc có vẻ hợp lệ, thường là một công việc kinh doanh chính đáng. Với những cơ chế liên quan đến các thể chế tài chính, các giao dịch xảy ra ở cả 3 giai đoạn. Điều này làm tăng khả năng có thể sử dụng một hệ thống phát thiện đủ tinh vi để tìm ra những phương thức khó nhận ra của những cơ chế này. Một ví dụ đơn giản về một cơ chế rửa tiền là một số lượng lớn tiền buôn ma tuý được gửi vào các tài khoản tiết kiệm, từ đó được 3 chuyển tới một số tài khoản khác nhằm mục đích chuyển đổi. Cuối cùng, nó được chuyển vào tài khoản của một doanh nghiệp hợp lệ rồi được rút ra dưới dạng tiền mặt hoàn toàn hợp pháp. Phần lớn các cơ chế phức tạp hơn thế rất nhiều và thường dính líu đến rất các tài khoản, thể chế tài chính và phương tiện rửa tiền đa dạng. Các phương tiện tài chính có thể dính líu với việc rửa tiền bao gồm không chỉ là các tài khoản tiết kiệm, ghi nợ, tín dụng và đầu tư. Những kẻ rửa tiền không thực hiện các giao dịch thông qua các tài khoản kinh doanh của chúng mà còn sử dụng cả những tài khoản hợp pháp của các cá nhân – những người cho phép chúng sử dụng với mục đích rửa tiền. Những người này thường được đền bù từ việc cho phép sử dụng tài khoản của họ chứ không tự mình thực hiện các giao dịch rửa tiền. Điều này làm cho việc phát hiện rất khó khăn vì sự trà trộn giữa giao dịch hợp pháp và bất hợp pháp. Kỹ thuật hiện đại của rửa tiền bắt đầu xuất hiện sau những năm 1920 khi mà ở Canada xuất khẩu rượu cồn vào Mỹ không phải là bất hợp pháp và chỉ bất hợp pháp khi nhập khẩu nó từ nước Mỹ. Như để làm chúng ở ngoài một công ty có tên là Bronfmans mở ra một tài khoản tại Ngân hàng của thành phố Montreal dưới cái tên khác “ J. Norton ”. Không ai biết bất cứ chút nào về “J. Norton”, nhưng tiền vẫn có thể được chuyển bằng điện thoại cho tài khoản này từ Mỹ. Một khoản USD bằng tiền mặt hoặc những chi phiếu có thể sử dụng để mua một hối phiếu đứng tên “ J. Norton ” tại bất kỳ chi nhánh nào của Ngân hàng ở Montreal. Những “bản thảo” này có thể rồi được đặt vào trong tài khoản ngân hàng của bất kỳ Bronfman nào - công ty kiểm soát và khi thủ quỹ của công ty nhìn thấy tên “ J. Norton ” thì gửi những đề nghị thanh toán tới công ty ở Mỹ. Giống như với các vấn đề quản lý rủi ro khác, phương thức hoạt động của 4 những kẻ rửa tiền cũng tương tự, đôi khi không phân biệt được với hành vi của chủ các tài khoản hợp lệ. Vì thế, ngoài việc đưa ra được một tỷ lệ thấp trong các dữ liệu, phát hiện ra việc rửa tiền mang tính sác xuất. Hơn nữa mạng nơron kiểu đặc biệt mà yêu cầu của sự phân ly giữa các mục tiêu gồm cả hai dạng phân bố không tuyến tính và non-Gaussian. Hơn nữa, không gian đặc tính là một sự ồn ào: không kẻ rửa tiền nào hoặc người nắm giữ tài khoản thích ứng với sự phân biệt những ranh giới trong đặc trưng không gian, trừ phi những ranh giới đặc trưng hiện hữu không rõ ràng và sắp xếp theo mức độ. 1. 3. Các phương pháp cảnh báo hiện tượng rửa tiền Các quốc gia khác nhau có các luật lệ khác nhau liên quan đến việc giám sát và báo cáo về các luân chuyển của tiền tệ. Phần lớn các nước có một giá trị ngưỡng. Bất cứ khối lượng nào vượt qua ngưỡng này, kể cả chi tiết đầy đủ của giao dịch phải được báo cáo tới các cơ quan nhà nước thích hợp. Nhiều nước cũng có các luật lệ yêu cầu phải báo cáo về các hoạt động bị cho là đáng nghi ngờ bởi các thể chế tài chính mặc dù một số nước có các chính sách tự do hơn các nước khác. Kết quả là, những kẻ rửa tiền thường nhằm vào những nước này. Các cân nhắc đạo đức và kinh doanh cùng với các luật lệ nói trên buộc các thể chế tài chính phải nỗ lực phát hiện các hoạt động rửa tiền. Bản chất chính xác của các luật lệ và các quy tắc về khối lượng giao dịch khiến họ thích ứng với việc thực hiện một hệ thống phát hiện dựa vào quy tắc. Các hệ thống này cho phép nhà quản lý rủi ro xác định các quy tắc chính xác để thuyết phục các luật lệ và lọc ra các hoạt động tài chính có thể bị nghi ngờ. Hình 1 dưới đây mô tả 2 quy tắc được biểu đồ hoá trong một khoảng trống hai chiều. Trục đứng thể hiện số khoản tiền gửi một người chủ tài khoản thực hiện trong một khoảng thời gian xác định. Trục ngang thể khối lượng tiền gửi tối đa cho các giao dịch này. Quy tắc trong trường hợp này là: Nếu {(5 <= Số các khoản tiền gửi 20) và (Khối lượng tiền gửi > = 10.000)}thì 5 Kiểm tra tài khoản có nghi vấn. Các tài khoản có bất kỳ giao dịch nào bằng hoặc lớn hơn 10.000 đơn vị sẽ bị báo động cũng như các tài khoản nhận từ 2 đến 5 khoản tiền gửi trong một khoảng thời gian xác định. Các quy tắc khác có thể thêm vào dưới dạng các chiều khác trong khoảng trống, điều này có thể cô lập được các giao dịch rửa tiền. Mặc dù quy tắc như vậy có thể thoả mãn các nguyên tắc của chính phủ nhưng những hạn chế của nó là rõ ràng. Chẳng hạn một chủ tài khoản hợp pháp có 5 khoản tiền gửi trong một thời gian xác định có thể bị báo động nhầm. Ngược lại, một kẻ rửa tiền thực hiện 4 lần gửi tiền trong một thời gian xác định hoặc có một giao dịch 9.500 đơn vị lại không bị báo động. Hơn nữa, một chuyên gia hiểu biết về rửa tiền phải xác định được các giá trị của ranh giới của các quy tắc. Đây là một vấn đề đối với các thể chế tài chính chưa vận hành một hệ thống phát hiện rửa tiền. Cuối cùng, các quy tắc này mang tính tĩnh và không được cập nhập theo phương thức tự động khi kẻ rửa tiền và các chủ tài khoản hợp lệ thay đổi phương thức hoạt động. Hệ quả là một hệ thống trong sự cô lập như vậy sẽ tạo ra số lượng nhiều hơn các khẳng định và phủ định sai. Mặc dù chưa có một khảo sát kỹ lưỡng nào về các loại hệ thống phát hiện rửa tiền mà các thể chế tài chính sử dụng. Một khảo sát không chính thức của các tác giả Bernard Chartier & Thomas Spillane đã chỉ ra rằng một số lượng lớn các thể chế hoặc áp dụng một hệ thống dựa trên các quy tắc hoặc không có hệ thống nào cả. Vì hệ thống dựa trên các quy tắc có rất nhiều hạn chế, rõ ràng là cần có thêm một cấu phần trí tuệ nhân tạo để tối đa hóa các phát hiện và hạn chế tối thiểu những khẳng định sai và thích ứng với phương thức rửa tiền đang thay đổi cũng như những khuynh hướng tốt trong các danh mục đầu tư. Hình 1: Hai đường kẻ mô tả qui tắc nhận dạng để phát hiện các giao dịch rửa tiền B Số khoản gửi 6 20 10.000 Khối lượng tiền gửi Chương 2: Giới thiệu về mạng nơron 2.1 – Giới thiệu chung về mạng nơron 2.1.1 - Khái niệm về nơron nhân tạo: Nơron nhân tạo (Atificial Neural Networks) là sự mô phỏng đơn giản của nơron sinh học. Mỗi nơron nhân tạo thực hiện hai chức năng: chức năng tổng hợp đầu vào và chức năng tạo đầu ra. Mỗi nơron nhân tạo có một số đầu vào và một đầu ra. Mỗi đầu vào được gắn một hệ số nhân gọi là trọng số (weight) có ý nghĩa như mức độ liên kết tại khớp nối trong mạng nơron sinh học. Trọng số có thể là dương hoặc âm, tương ứng như trong mạng nơron sinh học có hai loại khớp nối: khớp nối kích thích và khớp nối ức chế. Mỗi nơron có một giá trị ngưỡng; chức năng đầu vào chính là tổng có trọng số các tín hiệu vào kết hợp với ngưỡng để tạo tín hiệu đầu vào net input. Sự kết hợp này được thực hiện bằng một bộ tổng hay theo một số tài liệu gọi là hàm PSP (Post Synaptic Potential function) – hàm thế sau khớp nối. Chức năng tạo đầu ra được thể hiện bằng hàm truyền (transfer function). Hàm này sẽ nhận tín hiệu đầu vào và tạo tín hiệu đầu ra của nơron. 2.1.2 - Mô hình Nơron Mạng nơron nhân tạo gồm hai thành phần: các nút (đơn vị sử lý,nơron) và các liên kết giữa chúng được gán một trọng số nào đó đặc trưng cho cường độ liên kết. Ta ký hiệu P i là tín hiệu đầu vào, X i là tín hiệu đầu ra của nơron thứ i, 7 trạng thái đầu vào của nơron thứ i được xác định bởi tổng tuyến tính của các tín hiệu vào có trọng số từ các nơron thứ j khác P w n a b 1 Đầu vào Bộ tổng Hàm truyền Hình 2: Mô hình Nơron một đầu vào Một nơron đơn giản với một đầu vào được diễn tả bởi hình vẽ trên. Đầu vào vô hướng p được nhân với trọng số vô hướng w thành wp là một trong hai số hạng được đưa vào bộ tổng. Một đầu vào khác là 1 được nhân với hệ số bias b sau đó được đưa vào bộ tổng. Bộ tổng cho ra n, thường được gọi là tín hiệu đầu vào net input; n được cho qua hàm truyền f kết quả được đầu ra a của nơron. Một số tài liệu gọi hàm f là hàm hoạt hoá (activation function) Nếu chúng ta liên hệ mô hình đơn giản này với một nơron sinh học thì trọng số w tương ứng với độ liên kết của khớp nối (synapse), đầu vào p tương ứng với dây thần kinh tiếp nhận (dendrite) còn thân nơron (cell body) được mô hình bởi bộ tổng và hàm truyền, đầu ra của nơron a diễn tả tín hiệu ra trên sợi trục nơron sinh học (axon). Đầu ra của nơron được tính bởi: a = f (wp + b) (1.1) Đầu ra a phụ thuộc vào hàm truyền f được chọn là hàm nào đó trong từng trường hợp cụ thể. Hệ số bias cũng giống như một trọng số với đầu vào luôn là 1. Nơron có thể có hoặc không có hệ số bias. Ta thấy rằng w và b là các tham số vô hướng có thể điều chỉnh được của nơron.Thông thường dạng hàm truyền được chọn bởi người thiết kế và sau đó các tham số w và b sẽ được điều chỉnh bởi một số luật học để mối quan hệ vào/ra của nơron thoả mãn mục đích cụ thể của người thiết kế. Hàm truyền f có 8 ∑ f thể là hàm tuyến tính hoặc phi tuyến đối với n. Có rất nhiều dạng hàm truyền được sủ dụng. Thông thường nơron có nhiều đầu vào. Mỗi đầu vào riêng biệt p 1 , p 2 , …p R đều tương ứng với một trọng số w 1.1 , w 1.2 ,… w 1.R trong ma trận trọng số W. Ta có: n = w 1.1 p 1 + w 1.2 p 2 + … + w 1.R p R + b Hay viết dưới dạng ma trận: n = Wp + b, trong trường hợp này ma trận W chỉ gồm một hàng. Véctơ tín hiệu vào được biểu diễn dưới dạng ma trận sau: Đầu ra của nơron được tính: a = f (Wp + b). Đối với mỗi phần tử của ma trận W, ta qui ước để chỉ trọng số nối đầu vào thứ j với nơron thứ i (trong trường hợp này chỉ có một nơron nên i = 1). 2.1.3 - Khái niệm về mạng nơron: Mạng nơron nhân tạo là sự liên kết giữa các nơron nhân tạo với nhau. Mỗi liên kết kèm theo một trọng số nào đó đặc trưng cho đặc tính kích hoạt / ức chế giữa các nơron. Các nơron còn gọi là các nút được sắp xếp trong mạng theo các lớp, bao gồm lớp ra (output layer) và các lớp che dấu (hiden layer). Mạng nơron nhân tạo có các đặc điểm sau: + Mạng được xây dựng bằng các nơron liên kết lại với nhau + Chức năng của mạng được xác định bởi cấu trúc mạng, quá trình xử lý bên trong của từng nơron và mức độ liên kết giữa các nơron. + Mức độ liên kết giữa các nơron được xác định thông qua quá trình học của mạng (quá trình huấn luyện mạng). Có thể xem các trọng số là các phương tiện để lưu trữ thông tin dài hạn trong mạng nơron. Nhiệm vụ của quá trình huấn luyện mạng là cập nhật các trọng số khi có thông tin về các mẫu học. Người ta nêu ra một số định nghĩa về mạng nơron như sau: + Mạng nơron là một hệ thống gồm nhiều phần tử xử lý hoạt động song song. Chức năng của nó được xác định bởi cấu trúc mạng, độ lớn các liên kết và quá trình xử lý tại mỗi nút hoặc đơn vị tính toán. 9 + Một mạng nơron là một bộ xử lý song song đồ sộ, có xu hướng tự nhiên là lưu trữ các tri thức dựa trên kinh nghiệm và tạo ra tri thức mới dựa vào cái đã có. Nó tương tự như bộ não ở hai khía cạnh: - Tri thức được thông qua quá trình học - độ lớn liên kết giữ các nơron được dùng như một phương tiện lưu trữ thông tin. + Hệ thống nơron nhân tạo, hay còn gọi là mạng nơron, là một tập hợp các tế bào vật lý, được liên kết với nhau nhằm mục đích thu thập, lưu trữ và sử dụng tri thức, kinh nghiệm một cách tốt nhất. 2.1.4. - Một số chức năng của mạng nơron: 2.1.4.1 – Chức năng phân loại mẫu: Phân loại mẫu là sự sắp xếp các mẫu thành các nhóm khác nhau. Mạng nơron có thể tạo ra một mẫu ra khi đưa vcho nó một mẫu vào, đây là chức năng phân loại mẫu của mạng nơron. Nó nhận mẫu đầu vào và tạo một mẫu ở đầu ra đúng với phân loại. Có thể nói mạng nơron là một bộ phân loại mẫu. Điểm khác của mạng nơron với các bộ phân loại mẫu khác là khả năng học và tổng quát hoá của nó. 2.1.4.2 – Học và tổng quát hoá: Đầu tiên là việc học, có thể hiểu việc này là: cho mạng nơron xem một ít mẫu kèm với đầu ra tương ứng với mẫu đó và mạng rơron phải học để phân loại đúng được các mẫu này. Khả năng tổng quát hoá là: mạng rơron không chỉ nhận biết được các mẫu nó đã được học mà có thể nhận được các mẫu gần với mẫu nó đã đưọc học. Tức là mạng nơron có thể suy ra các đặc tính chung của các lớp khác nhau từ các mẫu đã cho. Chức năng này tạo ra một chiến lược tính toán rất phù hợp cho việc giải quayết các vấn đề mang tính “động”, tức là thông tin về chúng có rất ít hoặc không đầy đủ. Điều quan trọng là tìm được mô hình mạng và phương pháp học thích hợp đối với từng bài toán. Ngoài ra 10 [...]... hiện phương trình: n h oi = net i = ∑ wij −o o j (1.4) 1 trong đó oi là các đầu ra của các đơn vị bên trong (cơ sở xuyên tâm) và h wij −o là các trọng số đơn vị che dấu -đầu ra Tất nhiên khái niệm này dễ dàng mở rộng cho các lớp đầu ra gồm các đơn vị Sigmoidal hoặc tanh cũng như cho các lớp nhiều đầu ra 2.2.4 – Diễn giải hàm cơ sở 15 Trên cơ sở các phương. .. được trình bày ở hình 3 2.2.3 – Các đặc trưng đơn vị RBF Một dạng phổ biến của đơn vị RBF bên trong hoặc lớp che dấu ứng dụng một hàm kích hoạt Gau-xơ có thể được mô tả bởi phương trình: oi = f (net i ) = e net i = i − wi Trong đó: và − ( i − wi ) 2 (1.1) 2 (1.2) wi là véctơ trọng số ứng với đơn vị thứ i các trọng số này được sử dụng trong liên kết vơi... do các đơn vị đầu ra là tuyến tính, chúng dễ dàng được đào tạo (ví dụ sử dụng công thức giả nghịch đảo)ngay khi đã xác định được các giá trị wi thích hợp (các tâm nhóm) Phương pháp phổ biến nhất là thuật toán trung bình c I (các ký tự) 0…9 SOFM Unit centers 16 C-mean Trung bình - c i 0 0 0 L I N E A R Hình 6: Ví dụ về thiết kế RBF: đoán nhận số... mạng nơron Đã biết rằng rửa tiền là một sự tác động thấp, it ồn ào và vấn đề nhận dạng mẫu là sác xuất không tuyến tính, nó thích hợp với một mạng nơron Thêm vào đó một phương tiện nhận dạng mẫu chính xác, thuật toán neurol cần phải cho phép những thể chế luôn luôn cập nhật mạng neurol mô hình, sau đó nó đã phát triển, và gần đây hướng về việc... liệu được dùng để phát triển và kiểm tra mô hình đó cũng quan trọng không kém Dữ liệu có thể coi là nhân tố quyết định của mô hình, nếu không có nó ngay cả công cụ nhận biết phương thức tốt nhất cũng không thể tạo ra một mô hình hữu dụng Dữ liệu và hoạt động của mô hình được trình bày sau đây chỉ mang tính giả thuyết, tính toàn vẹn tương xứng của... theo, thông qua phân tích các đặc trưng và một số chiến lược lập mô hình chúng tôi tìm kiếm các thể loại giao dịch và tài khoản lấy ra từ hiệu suất của mô hình Bởi vì các phương thức rửa tiền có phần đặc thù đối với từng thể chế, việc xác định những giao dịch và tài khoản cần được lấy ra từ các dữ liệu sẽ được xác định trong quá trình lập... phát triển mô hình bằng thuật toán PRCE, Nestor tạo ra một số mô hình áp dụng các chiến lược lập mô hình đa dạng để tăng hiệu suất Hình 3 cho thấy hiệu suất của mô hình về phương diện tỷ lệ của các tài khoản rửa tiền được phát hiện trái với tỷ lệ các khẳng định sai về tài khoản ẩn trong đường cong là điểm của mô hình, điểm càng cao thì khả... về GUI của hệ thống không kể số điểm và do đó chúng có thể sử lý trên một công cụ dựa vào các quy tắc 3.5 Cập nhật mô hình 28 Như đã nói ở trên, một thuật toán nhận biết phương thức có chất lượng cao sẽ có những chức năng cho phép các thể chế tập hợp các xu hướng rửa tiền mới nhất vào mô hình mà không cần phải gửi các dữ liệu tới hệ thống... Nestor khuyến nghị những người sử dụng cập nhật mô hình 3 tháng một lần mặc dù một vài người sử dụng cập nhật thường xuyên hơn Cập nhật mô hình phù hợp với sự thay đổi các phương thức hoạt động của kẻ rửa tiền và chủ tài khoản hợp lệ hay sự phát triển hoặc suy giảm của các danh mục đầu tư Nó không phải là sự thay thế cho việc đạt được một danh . và thường dính líu đến rất các tài khoản, thể chế tài chính và phương tiện rửa tiền đa dạng. Các phương tiện tài chính có thể dính líu với việc rửa tiền bao gồm. này mang tính tĩnh và không được cập nhập theo phương thức tự động khi kẻ rửa tiền và các chủ tài khoản hợp lệ thay đổi phương thức hoạt động. Hệ quả là một hệ thống. của công nghệ thông tin, các nước tiên tiến đã ứng dụng mạng Nơron để phát hiện các phương pháp rửa tiền tinh vi. 2 Rửa tiền được xác định như là một quá trình giao dịch