Riciclaggio e nuove tecnologie: fenomeno globale tra prevenzione integrata e strumenti repressivi innovativi
Abstract
In the study, we saw that criminal organizations commit crimes for many
reasons but the most important of them is to make a profit and get value or money.
These crimes are "predicate offenses" for money laundering and cover any crime
that generates illegal proceeds. The criminal's ultimate goal is to conceal the illegal
origin of these proceeds through a series of money laundering techniques designed
to "clean up" the earnings and re-insert them into the real economy.
In particular, in this research work, we have studied the phenomenon of
recycling from a triple point of view: the legal one, that of the protagonists of the
phenomenon, and finally that of the best techniques and/or technologies to be
adopted to combat it. At the moment, an articulated national and/or international
control system has been created, supported by a legislative base and based on
economic and non-economic operators, without however equipping it with
adequate support of research, technology, and specialized professionals. The new
frontier of recycling is the internet, understood in all its forms and possible
applications.
The online world makes many of the methods previously used to counter the
phenomenon useless, given its intrinsic characteristics of anonymity, timelessness,
and above all the ability to generate an enormous amount of data, impossible to
process through the control of a human operator. Research has in fact demonstrated
the need to use new data analysis technologies, such as data science and deep
learning, in order to effectively combat the phenomenon. In this perspective, we
have seen how supervised learning approaches for detecting money laundering
must be constantly fed with historical data labeled to highlight suspicious patterns
similar to those identified during the training phase. Even the semi-supervised
approach is often rendered useless by the increasingly tech-savvy modern
launderer capable of manufacturing new money laundering techniques, literally
every day.
The best way to invest resources is therefore that of the unsupervised approach
because it detects suspicious transactions without knowing what a money
laundering model looks like, looking for similarities, hidden patterns, structures, or
groupings in all transactions, accounts, and customers without no training,
supervision or historical label dataset. Therefore, unsupervised machine learning is
the next evolution of anti-money laundering, as it can detect new money
laundering patterns, prevent them well in advance, and identify all accounts and
groups involved in money laundering while keeping the ratio of money laundering
to a minimum. false positives. [edited by Author] Nello studio abbiamo visto che le organizzazioni malavitose commettono
crimini per molte ragioni ma la più importante di esse è per trarre profitto e
ottenere valore o denaro. Questi crimini sono "reati presupposto" per il riciclaggio
e coprono qualsiasi crimine che genera proventi illegali. Il fine ultimo del criminale
è quello di celare l'origine illegale di questi proventi attraverso una serie di
tecniche di riciclaggio di denaro atte a “ripulire” i guadagni e a reinserirli
nell’economia reale.
In particolare in questo lavoro di ricerca abbiamo abbiamo studiato il
fenomeno del riciclaggio da un triplice punto di vista: quello giuridico, quello degli
attori protagonisti del fenomeno e in ultimo quello delle migliori tecniche e/o
tecnologie da adottare per contrastarlo. Al momento è stato creato un articolato
sistema di controllo nazionale e/o internazionale, supportato da una base legislativa
e basato su operatori economici e non economici, senza però dotarlo di pari passo
di un adeguato supporto di ricerca, tecnologia e professionalità specializzate. La
nuova frontiera del riciclaggio è internet, inteso in ogni sua forma e possibile
applicazione.
Il mondo online rende inutili molti dei metodi precedentemente utilizzati per
contrastare il fenomeno, viste le sue caratteristiche intrinseche di anonimato,
atemporalità e soprattutto la capacità di generare una enorme mole di dati,
impossibili da trattare attraverso il controllo di un operatore umano. La ricerca ha
infatti dimostrato la necessità di utilizzate nuove tecnologie di analisi dei dati, quali
il data science e il deep Learning, per poter efficacemente contrastare il fenomeno.
In questa ottica abbiamo visto come gli approcci di apprendimento supervisionati
per il rilevamento del riciclaggio di denaro devono essere costantemente alimentati
con dati storici etichettati per evidenziare modelli sospetti simili a quelli
individuati in fase di addestramento. Anche l’approccio semi-supervisionato spesso
viene reso inutile dal riciclatore moderno sempre più tech e capace di fabbricare
nuove tecniche di riciclaggio di denaro, letteralmente ogni giorno.
La strada migliore su cui investire risorse è quindi quella dell’approccio non
supervisionato perché rileva le transazioni sospette senza sapere come si presenta
un modello di riciclaggio di denaro, cercando somiglianze, schemi nascosti,
strutture o raggruppamenti in tutte le transazioni, conti e clienti senza alcuna
formazione, supervisione o dataset con etichetta storica. Pertanto, l'apprendimento
automatico senza supervisione è la prossima evoluzione dell’ antiriciclaggio, in
quanto può rilevare nuovi modelli di riciclaggio di denaro, prevenirlo con largo
anticipo e identificare tutti i conti e i gruppi coinvolti nel riciclaggio di denaro,
mantenendo al minimo il rapporto dei falsi positivi. [a cura dell'Autore]