【玉山AI实例3】自建反洗钱黑名单侦测模型，快速揪出问题

反洗钱（AML）一直是整个金融业兢兢业业、严阵以待的议题，他们拼命抓漏，也不愿放过任何风险。对玉山银行来说，更是如此。

用NLP快速分类、揪出特定名词，加速负面新闻分类

反洗钱机制如此重要，玉山银行靠AI模型和三大步骤，来简化传统耗时耗力的AML负面新闻搜集工作。他们设计一套新AML黑名单侦测流程，以自然语言处理（NLP）技术来加速负面新闻辨识；新流程拆解了玉山旧有的人工阅读和辨识作业，可分为负面新闻分类、事件聚合分析、黑名单资讯撷取三大步骤。首先，团队先用人工标注的新闻资料，来微调NLP经典预训练模型BERT，建立二元分类器、分辨负面新闻。再来，第二步进入事件聚合分析阶段，将相似的新闻文章归为同类。此处会由预训练模型产出文章语意向量，再将语意相似的文章向量，归为相同事件。

最后进入黑名单资讯撷取阶段，利用人工标注的文章黑名单出现位置、外部训练资料和BERT模型，打造一套人名辨识（NER）模型、罪名QA模型和地名撷取模型，来产出黑名单预测结果。

这些资讯，最终会呈现在前端界面，包括新闻文本、涉案人名、罪名和犯案地等，同仁可直接编辑、验证，省下原本要手动查询大量新闻、将文章复制贴上的时间成本。

而且，新流程在阅读上也大有帮助。因为，传统方法需要人工阅读所有与特定人物相关的新闻，一个人可能就有上百篇，但NLP模型可直接分类文章、挑出有问题的几篇新闻，再由人工精读即可。未来，玉山银行还要让这套AML黑名单侦测模型学会更多技能，比如能进一步回答人与时间、地点和金额的对应关系，变得更聪明。