| Form of studies |
Bachelor |
| Title of the study programm |
Computer Science and Organizational Technologies |
| Title in original language |
Noziedzīgi iegūtu līdzekļu legalizācijas novēršana praksē: cilvēku ekspertīzes un mākslīgā intelekta salīdzinošs pētījums aizdomīgu darījumu atklāšanā. |
| Title in English |
AML Monitoring in Practice: A Comparative Study of Human Expertise and AI in Detecting Suspicious Transactions. |
| Department |
Riga Business School |
| Scientific advisor |
Kārlis Zars |
| Reviewer |
Jānis Paksis |
| Abstract |
Šajā darbā tiek pētīts nelikumīgi iegūtu līdzekļu legalizācijas novēršanas (NILLN) analītiķu un mākslīgā intelekta (MI) valodas modeļu salīdzinošais sniegums aizdomīgu finanšu darījumu atklāšanā. Pētījums aplūko dažādas MI modeļu konfigurācijas, tostarp mākoņdatošanas un lokāli izvietotus modeļus, un to efektivitāti aizdomīgas darbības identificēšanā un izmeklēšanas argumentācijas veidošanā. Izmantojot kvantitatīvu salīdzinošo pētījumu dizainu ar 16 anonimizētiem darījumu uzraudzības brīdinājumu scenārijiem no finanšu iestādes, pētījums novērtē klasifikācijas precizitāti, viltus pozitīvo rādītājus un izmeklēšanas kvalitāti cilvēku un MI dalībnieku vidū. Rezultāti liecina, ka cilvēku analītiķi sasniedza augstāko kopējo klasifikācijas precizitāti sasniedzot 93,75%, kas pārsniedza visu novērtēto MI modeļu sniegumus - apmācītajam mākoņdatošanas modelim sasniedzot 81,25%, pamata mākoņdatošanas modelim sasniedzot 75%, savukārt abiem lokāli izvietotajiem modeļiem sasniedzot tikai 50%. Pētījums arī parāda, ka nozarei specifiska regulatīvā apmācība, kas balstīta uz Finanšu darbības darba grupas (FATF) ieteikumiem, būtiski uzlabo MI sniegumu. Pētījums turklāt uzsver MI ieviešanas izaicinājumus NILLN atbilstības nodrošināšanā, tostarp datu kvalitātes ierobežojumus, modeļa pārredzamības problēmas un augstās izvietošanas izmaksas. Finanšu iestādēm tiek rekomendēts ieviest cilvēka un MI sadarbības sistēmas un saskaņot MI ieviešanu ar regulatīvajiem standartiem. Pētījums secina, ka MI piedāvā daudzsološas iespējas darījumu uzraudzības uzlabošanai, tomēr pašreizējā MI attīstības posmā cilvēka analītiķi joprojām sasniedz augstāku klasifikācijas precizitāti un demonstrē spēcīgāku izmeklēšanas argumentāciju. |
| Keywords |
nelikumīgi iegūtu līdzekļu legalizācijas novēršana, mākslīgais intelekts, atbilstība, cilvēka un MI sadarbība, darījumu uzraudzība, snieguma novērtēšana, viltus pozitīvie. |
| Keywords in English |
Anti-Money Laundering, artificial intelligence, compliance, human and AI collaboration, transaction monitoring, performance evaluation, false positives. |
| Language |
eng |
| Year |
2026 |
| Date and time of uploading |
19.04.2026 15:50:50 |
