Aprendizado de máquina operacional para detectar lavagem de dinheiro móvel em Ruanda

Resumo

Este artigo desenvolve uma estrutura de monitoramento de transações para detectar lavagem de dinheiro em serviços de dinheiro móvel ruandeses. Aborda o forte desequilíbrio entre classes, os rótulos limitados e atrasados e a capacidade finita de investigação. Usando um conjunto de dados sintético com mais de nove milhões de transações que abrange 17 tipologias de lavagem de dinheiro, constrói características comportamentais por conta, como velocidade de transação, direção do fluxo, diversidade de contrapartes e picos de atividade. Compara classificadores supervisionados, detectores de anomalias, um autoencoder e um modelo que combina previsões.

A avaliação se concentra na utilidade operacional: área sob a curva precisão-revocação, revocação em uma precisão-alvo, revocação dentro de um volume limitado de alertas e taxas de alerta. Em um período de teste cronológico, um modelo de fusão supera ligeiramente o LightGBM em PR-AUC e alcança cerca de 91% de precisão, identificando 59 casos; o LightGBM identifica 64 com cerca de 89% de precisão. Os autores relacionam faixas de pontuação à revisão por analistas e aos fluxos de trabalho de escalonamento, e propõem validar a abordagem com dados reais. Os resultados se baseiam em dados sintéticos, portanto o desempenho no monitoramento ao vivo continua sem verificação; a contribuição é uma estrutura de avaliação e governança, não um novo algoritmo de detecção.

Ideias principais

• A estrutura foi concebida para lidar com forte desequilíbrio entre classes, poucos rótulos e capacidade limitada de investigação.
• As características por conta resumem o ritmo das transações, a direção do fluxo, as contrapartes e os picos de atividade.
• Vários métodos supervisionados e de detecção de anomalias são avaliados junto a um modelo de fusão de previsões.
• Métricas operacionais medem a qualidade da detecção sob restrições de precisão e volume de alertas.
• Os resultados relatados usam dados sintéticos e precisam ser validados com transações reais.

Tags

# Detecting Money Laundering in Rwandan Mobile Money: A Machine Learning Framework


# Detecting Money Laundering in Rwandan Mobile Money: A Machine Learning Framework









Mobile money has widened financial access across Sub-Saharan Africa and enlarged the surface for money-laundering and terrorism-financing (ML/TF) activity in ecosystems dominated by high-volume, low-value transactions. Rwanda is a case in point: several million active mobile-money users, telecom-led wallets on the MTN and Airtel networks, and a Financial Intelligence Centre (FIC) supervising transaction streams whose scale exceeds static rule-based monitoring. This paper develops and evaluates a transaction-monitoring framework aligned to the Rwandan AML/CFT regime under (i) extreme class imbalance (~0.1% prevalence), (ii) scarce and delayed labels, and (iii) bounded investigator capacity. Using SAML-D, a synthetic dataset of 9,504,852 transactions with 17 laundering typologies, we engineer account-centric behavioural features (rolling velocity, net-flow directionality, counterparty diversity, burstiness) and benchmark supervised classifiers (Logistic Regression, Random Forest, LightGBM), unsupervised anomaly detectors (Isolation Forest, Local Outlier Factor), a dense autoencoder, and a late-fusion meta-learner. Evaluation is operational: PR-AUC, recall at a calibrated ~90%-precision point, recall at top-K%, and alerts per 10,000. On the chronologically held-out test period, LightGBM attains PR-AUC = 0.0469, capturing 64 laundering cases at precision ~0.89 with 0.51 alerts per 10,000; the fusion stacker reaches PR-AUC = 0.0477 at precision ~0.91 and 0.46 alerts per 10,000, recovering 59 true positives. We map score bands to Rwanda-relevant analyst workflows and STR/SAR escalation, and outline a staged path from synthetic prototyping to real-data validation with the National Bank of Rwanda and FIC. The contribution is operational: a governance-aware pipeline and evaluation protocol calibrated to the constraints of an African mobile-money regulator, not a new algorithm.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.