Fraude- en AML-detectie: ensemble in plaats van vervanging
Onze typische fraude-architectuur is een ensemble van drie modellen. Een gradient-boosting model (XGBoost of LightGBM) levert binnen 50 milliseconden een risico-score voor elke transactie. Een grafische analyse — Neo4j of een eigen graph-implementatie — detecteert netwerkpatronen: ongebruikelijke geldstromen tussen klanten, mule-accounts, structuringsindicaties. De derde laag is een LLM die voor de top-100 dagelijkse alerts een onderzoeksdossier opstelt: relevante transactiehistorie, KYC-data, externe sancties-lookups, en een Wwft-conform conceptrapport. De fraudeanalist beslist; de LLM voorbereidt. Dit ontwerp respecteert EU AI Act-vereisten (menselijk toezicht op hoog-risico besluiten) én levert directe productiviteit.
Compliance-corpus en juridische ontsluiting
Wwft, Wft, PSD2, EBA-richtlijnen, ECB-circulaires, DNB Q&A's — een gemiddelde compliance-officer raadpleegt tientallen documenten per onderzoek. Wij bouwen RAG-systemen op basis van Pinecone of Weaviate die deze corpora doorzoekbaar maken met Claude 3.5 Sonnet als generator. Elke uitspraak verwijst naar een paragraafnummer in het brondocument; geen citaat, geen antwoord. Tegenover open ChatGPT-gebruik — wat veel banken stilzwijgend tolereren — biedt dit drie voordelen: data blijft binnen de tenant, antwoorden zijn audit-baar, en hallucinaties op juridische passages zijn vrijwel uitgesloten. Onderzoeken die voorheen drie tot vier uur kostten lopen nu in 45 tot 90 minuten.
Risk modelling onder Annex III
Kredietrisico, marktrisico en operationeel risico — alle drie vallen onder EU AI Act Annex III als ze zelfstandig kredietbeoordelingen aansturen. Wij ontwerpen modellen met uitlegbaarheid ingebakken: SHAP- of LIME-uitleg per individuele beslissing, fairness-metrics over beschermde categorieën (geslacht, leeftijd, etniciteit waar wettelijk toegestaan), en een menselijke beoordelaar bij elke afwijzing. De modellen worden getraind binnen MLflow met versionering, validatie volgens uw bestaande model risk management raamwerk, en post-market monitoring conform EU AI Act artikel 17. Validatieteams (intern en extern) krijgen toegang tot trainingsdata, evaluatieresultaten en monitoring-dashboard.
NIS2 en operationele weerbaarheid
NIS2 classificeert banken als essentiële entiteit. Voor AI-systemen betekent dit: vastgelegde incident response (modelincidenten zijn meldplichtig zodra ze de dienstverlening raken), continuïteitsplanning (wat gebeurt er als Azure OpenAI uitvalt?), en supply-chain-beveiliging (welke modelleveranciers, hoe gevalideerd?). Wij implementeren multi-vendor strategieën: GPT-4o als primair, Claude 3.5 Sonnet of Llama 3 als fallback, met een gateway-laag die binnen seconden kan omschakelen. Audit-logs voldoen aan NIS2-meldingseisen en zijn integraal met ISO 27001 incident management. Eén logregel telt voor drie regelingen — wat de governance-overhead aanzienlijk verlaagt.
