Hvordan maskinlæring reducerer falske positiver i AML-screening: En fintech-løsning

Introduktion: Alarmtræthedskrisen der udmatter dit compliance-team

Compliance-analytikere hos hurtigt voksende fintechs bruger en uforholdsmæssig stor del af deres dag på at vurdere alarmer, der i sidste ende viser sig at være legitime. Brancheanalyser fra konsulentvirksomheder, akademiske kredse og tilsynsmyndigheder nævner gentagne gange falsk-positive-rater på 90 til 95 procent i traditionelle transaktionsovervågningsprogrammer.[1][2] Dashboards fyldes hver morgen med alarmer af lav kvalitet, hvilket gør screening til gentagen triagering, mens ægte hvidvaskningsrisici gemmer sig i støjen.

Europas regulatoriske arkitektur gør problemet mere akut. Den kommende Anti-Money Laundering Authority vil forene tilsynsforventninger, MiCA udvider overvågningspligter til udbydere af kryptoaktivtjenester, og GDPR håndhæver streng datahåndteringsdisciplin selv under undersøgelser.[10][11][12] Fintechs, der ignorerer falske positiver, pådrager sig derfor ikke kun operationel belastning, men også risikoen for at komme til kort over for forpligtelser på tværs af flere reguleringsregimer.

Tilsynsmyndigheder og revisorer har bemærket belastningen. Deloittes 2020 AML-beredskabsundersøgelse nævnte falske positiver som den største operationelle hindring for regulerede virksomheder, der accelererer digital onboarding.[3] Nylige europæiske casestudier understreger omfanget: store detail- og universalbanker dokumenterer titusindvis af månedlige alarmer med falsk-positive-andele langt over halvfems procent, hvilket efterlader slanke compliance-teams til at sortere gennem støj.[4][5]

Tilsynsorganer har intensiveret håndhævelsen, når institutioner undlader at prioritere væsentlig risiko. FCA's indsats mod Starling Bank og BaFin's sanktion af N26 nævnte eksplicit alarmbaglog og svagheder i eskalationer, hvilket understreger, at tilsynsmyndigheder betragter uhåndterede falske positiver som en systemisk svaghed snarere end en ulempe.[14][15] For fintech-stiftere, der opererer under stramme budgetter, kan kombinationen af operationelt spild og regulatorisk eksponering standse lanceringer eller afspore fundraising.

Maskinlæring tilbyder et praktisk svar. Dokumenterede implementeringer viser målbare reduktioner på 31 til 33 procent i falske positiver inden for de første udgivelsescyklusser, med bredere brancheoversigter, der beskriver 30 til 60 procent forbedringer, når adfærdsanalyse, anomalidetektion og analytiker-feedbackløkker udføres med ordentlig styring.[4][5][7] Denne artikel beskriver, hvorfor regelbaserede systemer skaber alarmtræthed, hvordan maskinlæring ændrer ligningen, hvordan business casen ser ud, og hvordan Veridaq tilpasser teknologien til udviklende europæiske regulatoriske forventninger.

Hvorfor traditionelle AML-systemer genererer for mange falske positiver

Traditionel regelbaseret AML-screening anvender statiske tærskelværdier og heuristikker, der ikke kan følge med dynamiske fintech-kundegrupper.[6] Regler som "markér enhver overførsel over 5.000 EUR" eller "udløs en alarm efter ti transaktioner pr. dag" ignorerer kontekstuelle signaler, så perfekt legitim aktivitet eskaleres simpelthen fordi den krydser en sløv tærskel.

Hvorfor regler fejler i skala:[6][7]

• Statisk logik i en dynamisk forretning. Tærskelværdier hårdkodet til ét produkt eller én geografi afviger fra virkeligheden, efterhånden som kundemixet udvikler sig.
• Kontekstblindhed. Regler behandler en 10.000 EUR-betaling ens uanset kundehistorik, enhed eller modpartsrelation.
• Segmentmismatch. Freelancere, gig-arbejdere, små virksomheder og detailkunder opfører sig forskelligt, men regelbiblioteker anvender ofte én-størrelse-passer-alle-logik.
• Manuel vedligeholdelsesbelastning. Compliance-teams bruger snesevis af timer om måneden på at finjustere regler, kun for at skabe nye blinde vinkler et andet sted.

Operationelle konsekvenser:[3][6][7]

• Alarmkøer svulmer op. Analytikere rydder hundredvis af lavrisiko-alarmer, før de når en ægte mistænkelig sag, hvilket øger baglog.
• Undersøgelseskvalitet lider. Alarmtræthed eroderer koncentration og øger sandsynligheden for at overse kritiske typologier.
• Dokumentationshuller opstår. Teams under pres kæmper for at producere revisionsklar begrundelse for at afvise alarmer.
• Tilsynsmyndigheder intensiverer kontrollen. Europæiske myndigheder forventer nu bevis for, at virksomheder kan prioritere meningsfulde alarmer og undgå at misse frister for Suspicious Activity Report (SAR).[14][15]

Sådan ser det ud i praksis. En seed-stage betalings-startup, der ekspanderer til Tyskland, kan arve en vendor-regelpakke, der markerer enhver betaling over 2.000 EUR. Når freelancere fakturerer virksomhedskunder, udløser legitime transaktioner alarmer, som analytikere skal rydde manuelt, ofte med ringe kontekst ud over transaktionsbeløbet. Analytikere skifter mellem core banking, onboarding og sanktionsskærme for at samle beviser og bruger 20 til 30 minutter pr. alarm blot for at bekræfte rutinemæssig pengestrøm. Deloittes 2024-feltarbejde bekræfter, at teams konfronteret med sådanne baglog omprioriterer undersøgelser til "ældste først", hvilket forsinker ægte risikoeskaleringer og eroderer SAR-rettidighed.[7] Når dette mønster fortsætter, behandler tilsynsmyndigheder baglogen som en indikator for systemisk kontrolfejl.[14][15]

Menneskelige omkostninger ved manuel tuning. Compliance-ingeniører, der har til opgave at opdatere regelbiblioteker, har sjældent den luksus at have rene historiske labels. FATF bemærker, at organisationer ofte bolter nye tærskelværdier på efter hver regulatorisk gennemgang, hvilket skaber modstridende logik på tværs af jurisdiktioner.[6] Den resulterende regelspredning er skrøbelig: nye regler producerer uventede interaktioner, ældre regler forbliver af frygt for at misse edge cases, og analytikere modtager blandede beskeder om, hvad der udgør risiko. Over tid genererer "quick fix"-cyklussen flere alarmer, end den løser, hvilket driver nedslidning blandt erfarne medarbejdere og efterlader junioranalytikere til at bære undersøgelsesarbejdsbyrder uden robust institutionel viden.[3][7]

Nettoresultatet er forudsigeligt: regelbaserede systemer overrapporterer godartet adfærd, underrapporterer subtil hvidvaskning og presser compliance-personale mod udbrændthed præcis når tilsynsforventningerne stiger.

Hvordan maskinlæring transformerer AML falsk-positive-rater

Maskinlæring tackler alarmtræthed ved at bygge adaptive risikomodeller, der lærer af ægte kundeadfærd i stedet for at stole på statiske heuristikker.[6] I stedet for at behandle enhver afvigelse som mistænkelig, sammenligner ML-motorer hver transaktion mod rige adfærdsbaselines og tværsignal-kontekst, hvilket tillader legitim variation, mens ægte anomal aktivitet markeres.

Kernevirkninger af ML, der reducerer falske positiver:[6][7][8][9]

• Adfærdsprofilering. Baselines bygges pr. kunde eller kundesegment, så freelancere, SMV'er, lønmodtagere og kryptobrugere vurderes mod peers med lignende mønstre.
• Anomalidetektion. Usuperviserede teknikker markerer afvigelser fra disse baselines og fanger tidligere usete typologier uden at stole på foruddefinerede regler.
• Kontekstuel risikoscoring. Modeller indfører tidsmæssige, geografiske, enheds-, modparts- og hastigheds-data og producerer sammensatte risikopoint baseret på den fulde transaktionsfortælling.
• Human-in-the-loop læring. Analytiker-dispositioner føres tilbage i modellerne, hvilket forbedrer præcision over tid, mens governance-standarder for tilsyn og dokumentation opfyldes.
• Forklarbarhed ved design. Feature-niveau-årsagskoder og afstamningslogfiler tillader teams at demonstrere, hvordan hver beslutning blev truffet, hvilket stemmer overens med EU's forventninger til transparent AI i finansielle tjenester.

Sådan ser succes ud i praksis:[4][5][7]

• En europæisk universalbank dokumenterede en 31 procent reduktion i falske positiver efter implementering af ML-baseret triagering, hvilket frigjorde efterforskere til at fokusere på højrisiko-alarmer.[4]
• En stor detailbank opnåede en 33 procent reduktion og forkortede undersøgelsescyklusser, når den parrede maskinlæring med analytiker-feedbackløkker.[5]
• Deloittes 2024-benchmarking viser, at institutioner, der bruger adfærdsanalyse, rapporterer skarpere prioritering og hurtigere eskaleringsveje end peers, der udelukkende stoler på tærskelværdier.[7]

Disse forbedringer eliminerer ikke menneskelig ekspertise; de forstærker den. Analytikere bruger tid på de alarmer, der betyder noget, governance-teams får bedre bevis til tilsynsmyndigheder, og ingeniørteams undgår endeløs omskrivning af skrøbelige regelbiblioteker.

Implementeringsforudsætninger:[6][8][9]

• Høj kvalitet mærkede data. Parallelle kørelser med menneskelig gennemgang giver de feedbackløkker, modeller kræver for at skelne mellem ægte risiko og godartet adfærd.
• Modelrisikostyring. Institutioner skal vedligeholde fortegnelser, valideringskadencer og udfordrermodeller for at opfylde EBA- og BIS-forventninger til AI-systemer i kritiske processer.
• Privatliv og adgangskontrol. GDPR Artikel 25-principper kræver minimering af data, der bruges til modellering, og håndhævelse af finmasket adgang, selv når man opererer inden for EU-datacentre.[10]
• Tværfunktionelt samarbejde. Produkt-, ingeniør- og compliance-teams har brug for delte taksonomier for alarmkategorier og dispositionsårsager, så feedback kan fortolkes af modellen.
• Løbende performance-overvågning. Etablér dashboards til drift-detektion, datakvalitets-anomalier og backtesting-resultater, så problemer fanges, før tilsynsmyndigheder gør.

FATF understreger, at nye teknologier kun leverer værdi, når de balanceres med sund styring.[6] Forklarbarhedsartefakter som feature-bidragstabeller og årsagskoder tillader compliance-ansvarlige at forhøre, hvorfor en model markerede en transaktion, mens udfordrermodeller og periodisk validering beskytter mod drift. BIS- og EBA-vejledning anbefaler formel testning under stressscenarier (for eksempel pludselige stigninger i grænseoverskridende betalinger) for at sikre, at modeller opretholder ydeevnen under produktlanceringer eller markedschok.[8][9]

Parallelt kræver GDPR, at virksomheder fører revisionsspor over, hvem der har adgang til hvilke kundedata og hvorfor.[10] Veridaq leverer afstamningsrapporter, der viser modelinputs, transformationer og outputs - kritisk bevis, når man demonstrerer, at persondata blev behandlet lovligt og proportionelt under undersøgelser.

Databeredskab er ofte den største praktiske hindring. Fintech-datamodeller kan spænde over core banking, betalingsgateways, kortbehandlere og krypto-ledgere, hver med lidt forskellige identifikatorer. Deloittes 2024-forskning fremhæver, at succesfulde ML-programmer investerer i master data management, så transaktioner kan afstemmes på tværs af systemer, mens FATF advarer om, at dårlig datahygiejne underminerer enhver teknologisk fordel.[6][7] Veridaq leverer integrationsakcelleratorer og skemaskabeloner, så teams kan tilpasse forskellige datakilder uden måneders ingeniørindsats.

Reel effekt: ROI-data for fintech compliance-teams

Business casen for ML-drevet AML-overvågning hviler på tre søjler: effektivitetsgevinster, regulatorisk robusthed og kundeoplevelse. Hver har empirisk støtte fra casestudier, tilsynshandlinger og branchebenchmarking.

1. Effektivitetsgevinster fra målrettede undersøgelser

• Bevis. Dokumenterede europæiske implementeringer rapporterer 31 til 33 procent reduktioner i falske positiver, hvilket oversættes til væsentligt færre alarmer, der kommer ind i manuelle køer.[4][5] Deloittes 2024-analyse bemærker, at institutioner, der indlejrer adfærdsanalyse, omfordeler analytikertimer fra triagering til arbejde med højere værdi.[7]
• Implikation. Slanke fintech compliance-teams kan absorbere transaktionsvækst uden lineært at øge medarbejdertallet. Tid generhvervet fra at rydde godartede alarmer geninvesteres i forbedret due diligence, typologiudvikling og koordinering med produktteams.
• I praksis. En Serie A-fintech, der behandler titusindvis af månedlige transaktioner, kan omfordele analytikere fra at rydde gentagne småværdi-alarmer til at bygge entitetsopløsningslogik, samarbejde med svindelmodparter og automatisere SAR-fortællinger. Disse højere ordensopgaver blev tidligere presset ud af manuel kø-administration.

2. Regulatorisk robusthed og revisionsberedskab

• Bevis. FCA's 2024 endelige meddelelse til Starling Bank og BaFin's 2024 sanktion mod N26 nævnte hver især svagheder i alarmstyring og SAR-rettidighed.[14][15] FATF-vejledning opfordrer eksplicit regulerede enheder til at adoptere nye teknologier med passende sikkerhedsforanstaltninger for at forbedre detektionskvalitet.[6]
• Implikation. At demonstrere risikobaseret alarmprioritering, dokumenteret modelstyring og rettidig SAR-indberetning positionerer fintechs gunstigt under tilsynsgennemgange. ML-systemer, der leverer sporbare beslutninger, hjælper med at opfylde gennemsigtigheds-forventningerne nu indlejret i EU-tilsynsdialogerne.[8][9]
• I praksis. Under tematiske gennemgange anmoder tilsynsmyndigheder i stigende grad om bevis for, hvordan alarmer triageres, og hvordan modeller overvåges. Virksomheder, der kan producere modelfortegnelser, valideringsresultater og efterforskernoter knyttet til hver alarm, strømliner disse engagementer og undgår afhjælpningsdirektiver, der kan standse markedsekspansion.

3. Kundeoplevelse og indtægtsbeskyttelse

• Bevis. Deloittes 2024-undersøgelse forbinder hurtigere onboarding og færre unødvendige holds til programmer, der digitaliserer risikovurdering og inkorporerer adfærdsanalyse.[7]
• Implikation. Ved at reducere falske alarmer på legitime kunder minimerer fintechs onboarding-friktion og reducerer opgivelse. Hurtigere tid til aktivering understøtter vækstmål, mens compliance holdes på linje med GDPR- og PSD2-forpligtelser.
• I praksis. Når lav-risiko-kunder cleares automatisk, kan produktteams muliggøre øjeblikkelig kontoudstedelse eller kortforsyning. Kundesupport ser færre eskaleringer relateret til "afventende compliance-gennemgang," og marketing kan trygt fremme hurtig aktivering uden at risikere regulatoriske undtagelser.

Samlet leverer disse søjler en pragmatisk ROI-fortælling: færre spildte undersøgelser, stærkere regulatorisk position og en glattere kundeoplevelse.

Målinger at overvåge undervejs:[7]

• Alarmpræcision og genkaldelse. Spor, hvor mange alarmer der konverteres til SAR'er eller forbedrede due diligence-undersøgelser for at bevise kvalitetsforbedringer.
• Analytikertimer pr. alarm. Kvantificér tid sparet til arbejdsstyrke-planlægning og for at underbygge budgetanmodninger til værktøjer.
• SAR-aldrings- og kvalitetsscorer. Demonstrér over for tilsynsmyndigheder, at eskaleringer accelererer, og fortællingskvalitet forbedres, efterhånden som analytikere fokuserer på substantielle sager.
• Kunde-aktiveringstider. Korrelér onboarding-hastighed med falsk-positive-reduktioner for at vise indtægtseffekt ved siden af compliance-fordele.

At indramme disse målinger inden for en business case hjælper med at sikre interessent-afstemning. Finansteams værdsætter modeller, der oversætter alarmreduktioner til omkostningsundgåelse, mens bestyrelser og investorer reagerer på fortællinger, der forbinder compliance-styrke med markedsadgang. At inkorporere FCA- og BaFin-håndhævelseseksemplerne i bestyrelsespakker illustrerer ulempen ved ikke at handle, hvilket gør opsiden af ML-investering mere håndgribelig.[14][15]

Veridaq: Specialbygget ML-drevet AML til europæiske fintechs

Veridaq blev udviklet til europæiske fintech-vækstbaner og kombinerer maskinlæring med regulatoriske designvalg, der forudser EU Anti-Money Laundering Authority (AMLA)-regimet og tilstødende reguleringer.

• AMLA-klar tilsyn. Med direkte AMLA-tilsyn, der begynder 1. januar 2028, vedligeholder Veridaq modelstyringskonstruktioner, ændringslogfiler og SAR-pipelines struktureret til at passe myndighedens tilsynsplan.[11] Skabeloner kortlægger alarmer til AMLA-rapporteringstaksonomier, så compliance-teams kan opfylde både nationale FIU-krav og EU-niveau-koordinering.
• MiCA- og betalingsafstemning. Indfødt support til kryptoaktiv-datamodeller og betalings-typologier afspejler den faseopdelte anvendelse af Markets in Crypto-Assets Regulation og relaterede tekniske standarder.[12][13] Veridaq fanger wallet-provenance, transaktions-hashes og rejseregel-attributter sammen med traditionel betalingsmetadata, hvilket muliggør samlet overvågning på tværs af fiat- og digital-aktiv-rails.
• GDPR og dataresidency. Al behandling sker inden for EU-datacentre (Frankfurt og Amsterdam), og platformkontroller følger privacy-by-design-forventninger, der er angivet i EDPB-retningslinjer 4/2019 om artikel 25.[10]
• Forklarbarhed og tilsyn. Feature-attribution, udfordrermodeller og periodiske valideringsworkflows følger European Banking Authority's vejledning om maskinlæringsstyring og BIS Financial Stability Institute's anbefalinger til AI-risikostyring.[8][9]
• Kommerciel fleksibilitet. Per-transaktions-prissætning og API-first-integration tillader seed-stage-teams at lancere overvågning hurtigt, mens den samme arkitektur skalerer til Serie B-volumener uden platformmigrationer.

Hvert designvalg stammer fra realiteten, at europæiske fintechs uundgåeligt står over for multi-jurisdiktionelt tilsyn. AMLA vil koordinere nationale tilsynsmyndigheder, MiCA introducerer ny rapportering for kryptoaktiver, og GDPR håndhæver strenge datahåndteringsforpligtelser. Veridaqs arkitektur forkorter afstanden mellem regulatorisk forventning og operationel eksekvering: dokumentation er eksporterbar til tilsynskollegier, dataresidency kan bevises gennem infrastrukturattestation, og prissætning skalerer med transaktionsvolumen snarere end at tvinge tidlige virksomheder ind i virksomhedsforpligtelser.

Resultatet er en platform, der tackler falske positiver, samtidig med at den indlejrer dokumentationen, gennemsigtigheden og lokaliseringen, som europæiske tilsynsmyndigheder nu forventer.

FAQ: Maskinlærings-AML for fintech-stiftere

Har vi brug for ML-drevet AML på seed-stadiet, eller kan det vente til Serie A? Tilsynsmyndigheder forventer, at regulerede fintechs overvåger transaktioner fra dag ét, uanset medarbejdertallet.[6][14][15] At implementere ML tidligt holder alarmvolumener håndterbare for små teams og demonstrerer proaktiv risikostyring under investor- og tilsynsgennemgange. Stiftere, der kan bevise modelstyring og alarmmålinger under due diligence-samtaler, giver investorer tillid til, at compliance-risiko er under kontrol, hvilket igen accelererer produktgodkendelser med partnerbanker og betalingsordninger.[3][7]

Hvor lang tid, før vi ser meningsfuld falsk-positiv-reduktion? Europæiske casestudier registrerede 31 til 33 procent reduktioner inden for indledende implementeringsfaser, når adfærdsmodeller og analytiker-feedbackløkker var operationelle.[4][5] Tidlige gevinster viser sig typisk efter en parallel kørsel, der tillader teams at kalibrere tærskelværdier før fuld overgang. FATF anbefaler at kombinere pilotkørsler med struktureret validering for at sikre, at gevinster vedvarer på tværs af kundesegmenter, så teams bør afsætte tid til tværfunktionelle gennemgange før lukning af legacy-regler.[6]

Hvad sker der med compliance-analytikere, når alarmvolumener falder? Deloittes 2024-benchmarking viser, at teams omfordeler personale til undersøgelser, typologidesign og regulatorisk forbindelse, efterhånden som adfærdsanalyse reducerer gentaget triagerings-arbejde.[7] ML hæver analytikerarbejdet frem for at erstatte det. Analytikere bliver domæneeksperter, der forklarer typologier til produktledere, bidrager til modelvalideringsmøder og samarbejder med svindelteams om fælles detektionsstrategier - aktiviteter, der tidligere blev presset ud af konstant alarmtriagering.

Hvordan holder modeller sig foran nye hvidvaskningsteknikker? FATF-vejledning anbefaler at parre superviserede modeller (til kendte typologier) med usuperviseret anomalidetektion for at overflade nye mønstre, understøttet af menneskelig validering og styring.[6] Veridaq følger denne tilgang og kombinerer kontinuerlig læring med tilsyn, der er tilpasset EBA-forventninger.[9]

Er maskinlæring dyrere end traditionelle regelsæt? Selvom ML-platforme kan have højere softwarelicenser, indikerer Deloittes 2024-forskning, at besparelser fra reduceret manuel undersøgelse typisk opvejer licensomkostninger inden for det første driftsår.[7] Total cost of ownership forbedres, efterhånden som alarmkøer skrumper. Organisationer, der sporer målinger som alarmer pr. tusinde transaktioner, analytikertimer pr. alarm og SAR-aldring, vil se den finansielle effekt i deres dashboards, hvilket giver konkret bevis til budgetdiskussioner.

Hvilken datafundament har vi brug for, før vi tænder for ML? Succesfulde programmer afstemmer data på tværs af core banking, betalingsgateways, kortbehandlere og krypto-ledgere, så modeller ser den fulde kundehistorie.[6][7] EBA opfordrer virksomheder til at dokumentere dataafstamning og kvalitetstjek som en del af modelstyring, hvilket sikrer, at manglende værdier eller inkonsistente identifikatorer ikke eroderer ydeevnen.[9] Veridaqs skemaskabeloner accelererer denne afstemning, men teams bør stadig udføre dataprofilering og rensning før produktionsudrulning.

Hvordan sikrer Veridaq forklarbarhed og GDPR-compliance? Platformen vedligeholder feature-niveau-årsagskoder, revisionsklar modeldokumentation og privacy-by-design-kontroller, der er i overensstemmelse med BIS-, EBA- og EDPB-vejledning.[8][9][10] Disse artefakter understøtter tilsynsundersøgelser og databeskyttelsesforpligtelser samtidigt. Under audits kan compliance-teams eksportere beslutningsspor, der viser, hvem der gennemgik hver alarm, hvilket bevis der blev overvejet, og hvordan modellens anbefaling sammenlignes med menneskelig vurdering - et kritisk krav under både AMLA- og GDPR-regimer.

[1]: McKinsey & Company (2017). The neglected art of risk detection. https://www.mckinsey.de/~/media/McKinsey/Business Functions/Risk/Our Insights/The neglected art of risk detection/The-neglected-art-of-risk-detection.pdf

[2]: Öztas, B. (2024). False positives in anti-money-laundering systems: A survey. Future Generation Computer Systems. https://www.sciencedirect.com/science/article/pii/S0167739X24002607

[3]: Deloitte (2020). AML Preparedness Survey. https://www.deloitte.com/in/en/services/consulting-financial/research/aml-preparedness-survey-report.html

[4]: NICE Actimize (2024). Large full-service bank reduces AML false positives by 31%. https://www.niceactimize.com/Lists/CustomerSuccesses/Attachments/52/aml_case_study_bank_reduces_false_positives_31_percent.pdf

[5]: NICE Actimize (2023). Large retail bank reduces AML false positives by 33%. https://www.niceactimize.com/Lists/CustomerSuccesses/Attachments/53/aml_case_study_bank_reduces_false_positives_33_percent.pdf

[6]: Financial Action Task Force (2021). Opportunities and Challenges of New Technologies for AML/CFT. https://www.fatf-gafi.org/content/dam/fatf-gafi/guidance/Opportunities-Challenges-of-New-Technologies-for-AML-CFT.pdf

[7]: Deloitte (2024). AML Transaction Monitoring: Challenges and opportunities. https://www.deloitte.com/ch/en/Industries/financial-services/blogs/aml-transaction-monitoring.html

[8]: BIS Financial Stability Institute (2024). Regulating AI in the financial sector: recent developments and main challenges (FSI Insights No.63). https://www.bis.org/fsi/publ/insights63.pdf

[9]: European Banking Authority (2023). Follow-up report on machine learning for IRB models. https://www.eba.europa.eu/sites/default/files/document_library/Publications/Reports/2023/1061483/Follow-up report on machine learning for IRB models.pdf

[10]: European Data Protection Board (2020). Guidelines 4/2019 on Article 25 Data Protection by Design and by Default. https://www.edpb.europa.eu/our-work-tools/our-documents/guidelines/guidelines-42019-article-25-data-protection-design-and_en

[11]: European Union Anti-Money Laundering Authority (2024). About AMLA. https://www.amla.europa.eu/about-amla_en

[12]: European Securities and Markets Authority (2025). Markets in Crypto-Assets Regulation overview. https://www.esma.europa.eu/esmas-activities/digital-finance-and-innovation/markets-crypto-assets-regulation-mica

[13]: European Securities and Markets Authority (2025). MiCA Level 2 and 3 measures timeline. https://www.esma.europa.eu/sites/default/files/2025-07/ESMA75-113276571-1510_MiCA_Level_2_and_3_table.pdf

[14]: Financial Conduct Authority (2024). Final Notice: Starling Bank Limited. https://www.fca.org.uk/publication/final-notices/starling-bank-limited-2024.pdf

[15]: N26 (2024). Statement on BaFin fine related to SAR reporting. https://n26.com/en-eu/press/press-release/statement-on-the-fine-issued-to-n26-bank-ag-by-the-federal-financial-supervisory-authority