DOI: 10.14489/vkit.2024.02.рр.037-045

Коновалов В. А.
СПОСОБЫ СИНТЕЗА ПРИЗНАКОВ РИСКОВ ОТМЫВАНИЯ ДОХОДОВ, ПОЛУЧЕННЫХ ПРЕСТУПНЫМ ПУТЕМ
(с. 37-45)

Аннотация. Приведены способы синтеза признаков рисков в интересах создания методики классификации типологий рисков отмывания доходов (ОД), полученных преступным путем, и финансирования терроризма (ФТ) в больших данных множества источников данных организационных систем. Исследуется новое пространство признаков рисков, состоящее из слов и их морфизмов, представленных диаграммами марковских вхождений слов в друг друга, полученных путем синтеза с использованием N-схемы алгоритма Маркова. Рассмотрены типологии отдельных рисков отмывания доходов, полученных преступным путем, и финансирования терроризма как отдельные знания о риске. Эти знания имеют изменчивую природу и должны пересматриваться и уточняться в процессе противодействия. Некоторые знания достаточно далеко отстоят друг от друга, если их рассматривать через структуру категорий, которые они образуют. Предложено синтезировать способы исключения и приостановки действия признаков рисков в перспективном классификаторе рисков. Отмечен способ исключения признаков рисков из перспективного классификатора, который проиллюстрирован примером действующего признака в классификаторе Центрального Банка Российской Федерации, введенного Положением Банка России от 02.03.2012 N 375-П (ред. от 20.10.2020). Представлен способ приостановки действия признака риска без исключения его из перспективного классификатора. Приведены примеры доработки признака без исключения из классификатора и синтеза типологии риска для оработанного признака. Представленные способы исключения и приостановки действия признаков рисков в классификаторе рисков позволяют более широко использовать полученные знания в виде типологий отдельных рисков и учитывают их изменчивую природу, иначе обеспечивают конкретизацию знаний.

Ключевые слова:  методика классификации типологий; риски ОД/ФТ; большие данные; теория категорий; теория алгоритмов Маркова; искусственный интеллект.

Konovalov V. A.
METHODS FOR SYNTHESIZING SIGNS OF THE RISKS OF LAUNDERING PROCEEDS FROM CRIME
(рр. 37-45)

Abstract. Methods for synthesizing risk features are being explored in the interest of creating a methodology for classifying MLB and TF risk typologies in big data from multiple data sources of organizational systems. A new space of risk features is investigated, consisting of words and their morphisms, represented by diagrams of Markov occurrences of words in each other, obtained by synthesis using the N-scheme of the Markov algorithm.  Typologies of individual risks of money laundering and terrorist financing are considered as separate risk knowledge. When considering knowledge, it is taken into account that they are of a changeable nature, therefore, they must be reviewed and refined in the process of counteraction. Knowledge is treated with the assumption that some of them are quite far apart when viewed through the structure of the categories they form. The study shows synthesized methods for excluding and suspending risk features in a promising risk classifier. The method for excluding risk features from a promising classifier is considered and illustrated by an example of a valid feature in the classifier of the Central Bank of the Russian Federation, introduced by the Bank of Russia Regulation No. 375-P dated March 2, 2012 (as amended on October 20, 2020), which requires exclusion from it. The way to suspend the action of a risk attribute, without excluding it from a promising classifier, is presented in the study, using the example of a risk from the classifier of the Central Bank of the Russian Federation. Examples of refinement of a risk attribute, without excluding it from the classifier and synthesizing a risk typology for it, are presented in the form of categorical formulas with restrictions on some morphism parameters. The presented methods of excluding and suspending the action of risk features in the risk classifier allow a wider use of the acquired knowledge, which is understood as typologies of individual risks, and take into account the changing nature of this knowledge, understood as a specification of knowledge.

Keywords: Methods of classification of typologies; ML/TF-risk; Big data; Category theory; Theory of Markov algorithms; Artificial intelligence.