هامینگ‌برد با خرید کوانتیمون، پای یادگیری ماشین را به پایش تراکنش‌ها برای مبارزه با پول‌شویی باز می‌کند
خرید کوانتیمون توسط هامینگ‌برد، نشانه حرکت به‌سوی سامانه‌های یکپارچه و بازخورد‌محور برای مبارزه با پول‌شویی (AML) است. این شرکت فناوری مالی با ادغام مدل‌های یادگیری ماشینی که مستقیماً از نتایج رسیدگی به هشدارها یاد می‌گیرند، قصد دارد حجم بالای هشدارهای کاذب را که همواره تیم‌های تطبیق مقررات را با مشکل روبه‌رو کرده است، کاهش دهد. در نتیجه، مؤسسات مالی می‌توانند منابع خود را به‌جای ورود دستی داده‌ها، بر شناسایی فعالیت‌های مجرمانه واقعی متمرکز کنند.
چه چیزی اعلام شده است؟
با این خرید، قابلیت‌های یادگیری ماشین کوانتیمون مستقیماً در پلتفرم هماهنگ‌سازی مبتنی بر هوش مصنوعی هامینگ‌برد ادغام می‌شود. پایش تراکنش‌ها برای مبارزه با پول‌شویی تاکنون عمدتاً بر قواعد ثابت متکی بوده است؛ قواعدی که حجم زیادی هشدار کاذب تولید می‌کنند. یادگیری ماشین نیز تاکنون نتوانسته این مشکل را به‌سرعت برطرف کند، زیرا نتایج برچسب‌گذاری‌شده موردنیاز برای آموزش مدل‌ها، یعنی تصمیم‌هایی که تحلیلگران انسانی درباره هشدارها می‌گیرند، اغلب در یادداشت‌های نامنظم پرونده‌ها ثبت می‌شوند و استفاده از آن‌ها برای آموزش مدل‌ها دشوار است. ادغام کوانتیمون این امکان را فراهم می‌کند که هر تصمیم ثبت‌شده درباره سرنوشت یک هشدار، چه از سوی عامل هوش مصنوعی و چه از سوی تحلیلگر انسانی، به داده‌ای ساختاریافته برای آموزش مدل‌های تشخیص تبدیل شود و در یک چرخه بازخوردی به بهبود عملکرد آن‌ها کمک کند.
تیم کوانتیمون به هامینگ‌برد می‌پیوندد تا راهکار پایش تراکنش این شرکت را تقویت کند. این ادغام سه بهبود اصلی را به همراه خواهد داشت: قابلیت‌های غنی‌تر تشخیص مبتنی بر قواعد که مدیریت برنامه‌های پیچیده را ساده‌تر می‌کند؛ مدل‌های یادگیری ماشینی که با تکیه بر سابقه ارجاع پرونده‌ها و گزارش‌های ثبت‌شده، هشدارها را بر اساس میزان ریسک رتبه‌بندی می‌کنند؛ و یک شبکه یادگیری فدرال. این شبکه به‌گونه‌ای طراحی شده است که تیم‌های تطبیق مقررات بتوانند از الگوهای ریسک شناسایی‌شده در سراسر اکوسیستم هامینگ‌برد بهره ببرند، بی‌آنکه داده‌های اختصاصی مشتریان به اشتراک گذاشته شود. هدف این رویکرد، شناسایی تهدیدهای نوظهوری است که ممکن است از دید یک مؤسسه مالی به‌تنهایی پنهان بمانند؛ این کار با استفاده از اطلاعات شرکت‌های ثالث و الگوهای مشترک شناسایی‌شده در شبکه انجام می‌شود.
شرکت‌های حاضر در این معامله
هامینگ‌برد یک پلتفرم هماهنگ‌سازی مبتنی بر هوش مصنوعی برای رعایت الزامات مقابله با جرایم مالی است. این شرکت که دفتر مرکزی آن در سان‌فرانسیسکو قرار دارد، تحت مدیریت جو رابینسون، هم‌بنیان‌گذار و مدیرعامل، فعالیت می‌کند. جو رابینسون و تیمش پلتفرمی ارائه می‌کنند که به مؤسسات مالی در بررسی و گزارش فعالیت‌های مشکوک کمک می‌کند. هامینگ‌برد خود را جایگزینی مدرن برای سامانه‌های قدیمی تطبیق مقررات معرفی می‌کند و بر ساده‌سازی گردش کار و خودکارسازی بخش‌های تکراری گزارش‌دهی نظارتی تمرکز دارد.
کوانتیمون یک پلتفرم یادگیری ماشین است که به‌طور تخصصی در زمینه تشخیص ریسک پول‌شویی فعالیت می‌کند. این شرکت به مدیریت بن دورانسکی، هم‌بنیان‌گذار و مدیرعامل آن، شکل گرفت تا ناکارآمدی ناشی از انباشته‌شدن هشدارهای رسیدگی‌نشده را برطرف کند؛ مشکلی که اعضای تیم مدیریتی پیش‌تر در شرکت‌های بزرگی مانند اپل، زوم و پی‌پل با آن مواجه شده بودند. فناوری اصلی کوانتیمون شامل یادگیری فدرال است؛ روشی حافظ حریم خصوصی که به مدل‌ها امکان می‌دهد از منابع داده غیرمتمرکز یاد بگیرند. هدف از به‌کارگیری این تخصص در یادگیری ماشین و پایش تراکنش، انتقال تمرکز فرایند تطبیق مقررات به مراحل پیشین تشخیص است؛ یعنی به‌جای صرفاً مدیریت هشدارها، دقت خود فرایند شناسایی تخلف افزایش یابد.
گزارش‌های پیشین FF News درباره هامینگ‌برد
FF News روند گسترش هامینگ‌برد و تبدیل‌شدن آن به ارائه‌دهنده‌ای جامع در حوزه فناوری نظارتی (RegTech) را از نزدیک دنبال کرده است. این شرکت در سال ۲۰۲۵ از پلتفرم یکپارچه ریسک و تطبیق مقررات خود رونمایی کرد که راهکارهای اختصاصی پایش تراکنش‌ها و غربالگری مشتریان را در بر می‌گرفت. این اقدام پس از خرید شرکت لاجیک‌لوپ در سال ۲۰۲۴ انجام شد؛ معامله‌ای که امکان یکپارچه‌سازی بهتر داده‌ها و خودکارسازی فرایندها را برای تیم‌های مدیریت ریسک فراهم کرد. این اقدامات نشان‌دهنده راهبرد مستمر هامینگ‌برد برای یکپارچه‌سازی مجموعه ابزارهای تطبیق مقررات است. با وجود فعالیت‌های قابل‌توجه در زمینه جذب سرمایه در بخش‌های دیگر بازار، از جمله جذب ۱۸۰ میلیون دلار سرمایه توسط آگوستوس برای تسهیل دسترسی شرکت‌های فناوری مالی بین‌المللی به خدمات دلاری، تمرکز هامینگ‌برد همچنان بر افزایش کارایی عملیاتی واحدهای تطبیق مقررات قرار دارد.
این معامله چه معنایی دارد؟
این خرید از تغییر مسیری مهم در صنعت فناوری نظارتی حکایت دارد: حرکت از مدیریت صرف هشدارها به بهبود فعالانه شیوه تولید آن‌ها. صنعت سال‌ها با نرخ بالای هشدارهای کاذب، که در سامانه‌های قدیمی پایش از ۹۵ درصد فراتر می‌رود، دست‌وپنجه نرم کرده است. یکی از دلایل اصلی این مشکل آن بوده که بخش تشخیص تخلف از فرایند بررسی و رسیدگی به آن جدا مانده است. هامینگ‌برد با ادغام این دو بخش، فروشندگان قدیمی سامانه‌های تطبیق مقررات را که مجموعه‌ای ثابت از قواعد را بدون چرخه بازخورد یکپارچه ارائه می‌کنند، تحت فشار قرار می‌دهد. افزودن یادگیری فدرال نیز اهمیت ویژه‌ای دارد؛ زیرا می‌تواند نشانه حرکت صنعت به‌سوی هوش جمعی برای مقابله با شبکه‌های پیچیده پول‌شویی باشد و این پرسش را مطرح کند که رقبا با چه سرعتی قادر خواهند بود مدل‌های همکاری مبتنی بر حفظ حریم خصوصی را به کار بگیرند.
متن اصلی اطلاعیه مطبوعاتی
سان‌فرانسیسکو، ۲۸ اکتبر ۲۰۲۶ — هامینگ‌برد، پلتفرم هماهنگ‌سازی مبتنی بر هوش مصنوعی برای مقابله با جرایم مالی، امروز از خرید کوانتیمون، پلتفرم یادگیری ماشین برای تشخیص ریسک پول‌شویی، خبر داد. این معامله سرمایه‌گذاری هامینگ‌برد در حوزه پایش تراکنش‌ها را گسترش می‌دهد و مدل‌های یادگیری ماشینی را که از نتایج رسیدگی به هشدارها می‌آموزند، همراه با فناوری یادگیری فدرال، به همان پلتفرمی می‌آورد که تیم‌های تطبیق مقررات برای رسیدگی به هشدارها از آن استفاده می‌کنند.
بخش عمده سامانه‌های پایش تراکنش برای مبارزه با پول‌شویی همچنان بر قواعد ازپیش‌تعریف‌شده متکی است و بیشتر هشدارهایی که این قواعد تولید می‌کنند، در نهایت به مواردی بی‌اهمیت مربوط می‌شوند. یادگیری ماشین نیز به‌کندی توانسته به حل این مشکل کمک کند، زیرا مدل‌ها به نتایج برچسب‌گذاری‌شده نیاز دارند و در بیشتر مؤسسات، این نتایج در یادداشت‌های پرونده‌هایی ثبت می‌شوند که تبدیل آن‌ها به داده آموزشی هزینه زیادی دارد. هوش مصنوعی در حال تغییر این وضعیت است. هنگامی که عامل‌های هوش مصنوعی و تحلیلگران تطبیق مقررات در هامینگ‌برد به هشدارها رسیدگی می‌کنند، تصمیم مربوط به هر هشدار به‌شکلی ساختاریافته ثبت می‌شود تا مدل بتواند از آن یاد بگیرد. با ادغام کوانتیمون در پلتفرم، این تصمیم‌ها دوباره به فرایند تشخیص بازمی‌گردند و به بهبود آن کمک می‌کنند.
جو رابینسون، هم‌بنیان‌گذار و مدیرعامل هامینگ‌برد، گفت: «هوش مصنوعی شیوه بررسی جرایم مالی را برای تیم‌های تطبیق مقررات تغییر داده است، اما سامانه‌هایی که هشدارها را تولید می‌کنند، تا حد زیادی همان شکل سابق را حفظ کرده‌اند. مشتریان ما اکنون می‌توانند هشدارها را سریع‌تر از همیشه بررسی و تعیین تکلیف کنند، اما نباید مجبور باشند این ظرفیت را صرف هشدارهای بی‌مورد کنند. با پیوستن کوانتیمون، هر هشداری که یک عامل هوش مصنوعی یا تحلیلگر بررسی می‌کند، دقت سامانه تشخیص را افزایش می‌دهد؛ بنابراین، سهم بیشتری از هشدارهایی که به مشتریان ما می‌رسند، واقعاً ارزش صرف وقت خواهند داشت.»
مدل‌های یادگیری ماشین کوانتیمون با استفاده از نحوه تعیین تکلیف هشدارها آموزش می‌بینند و در یک چرخه بازخوردی بسته از داده‌های خود هر مؤسسه بهره می‌گیرند. این شرکت همچنین شبکه‌ای مبتنی بر یادگیری فدرال ایجاد کرده است که به تیم‌های تطبیق مقررات امکان می‌دهد از الگوهای مشاهده‌شده در مؤسسات دیگر استفاده کنند، بدون آنکه داده‌های مشتریان به اشتراک گذاشته شود.
بن دورانسکی، هم‌بنیان‌گذار و مدیرعامل کوانتیمون، گفت: «در اپل، زوم و پی‌پل شاهد بودیم که تیم‌های تطبیق مقررات روزهای خود را صرف رسیدگی به صف‌های ظاهراً پایان‌ناپذیر هشدارها می‌کردند. کوانتیمون را تأسیس کردیم تا این مشکل را از ریشه برطرف کنیم. از اینکه کوانتیمون به هامینگ‌برد می‌پیوندد بسیار خوشحالم؛ جایی که فناوری ما می‌تواند در مرکز چرخه‌ای قرار گیرد که هم فرایند تشخیص و هم فرایند بررسی را هوشمندتر می‌کند.»
تیم کوانتیمون به هامینگ‌برد می‌پیوندد تا راهکار پایش تراکنش این پلتفرم را ارتقا دهد. مشتریان می‌توانند انتظار قابلیت‌های زیر را داشته باشند:
- تشخیص غنی‌تر مبتنی بر قواعد: قواعدی که تدوین، آزمایش و مدیریت آن‌ها برای برنامه‌های پایش بزرگ‌تر و پیچیده‌تر آسان‌تر است. پوشش قوی قواعد در حوزه مبارزه با پول‌شویی، زیربنایی است که یادگیری ماشین بر اساس آن بهترین عملکرد را دارد.
- مدل‌های یادگیری ماشین آموزش‌دیده با نتایج رسیدگی به هشدارهای هر مؤسسه: این مدل‌ها از تصمیم‌های تیم درباره بستن پرونده، ارجاع آن برای بررسی بیشتر یا ثبت گزارش رسمی یاد می‌گیرند. به این ترتیب، هشدارها بر اساس ریسک رتبه‌بندی می‌شوند و فعالیت‌های مشابه پرونده‌های تأییدشده نیز حتی در شرایطی که هیچ قاعده‌ای فعال نشده باشد، قابل شناسایی خواهند بود.
- شبکه‌ای فراتر از مرزهای هر مؤسسه: در گذر زمان، مشتریان می‌توانند از سیگنال‌های اطلاعاتی منابع ثالث یا الگوهای شناسایی‌شده در شبکه گسترده‌تر هامینگ‌برد بهره بگیرند تا تیم‌ها خطراتی را تشخیص دهند که حتی از وجود آن‌ها اطلاعی نداشته‌اند.