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]