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

Innledning: Alarmbyrden som tapper compliance-teamet ditt

Compliance-analytikere i raskt voksende fintechs bruker en uforholdsmessig stor del av dagen på å vurdere varsler som i siste instans viser seg å være legitime. Bransjeanalyser fra konsulentselskaper, akademiske miljøer og tilsynsmyndigheter viser gjentatte ganger til falsk-positiv-andeler på 90 til 95 prosent i tradisjonelle transaksjonsovervåkningsprogrammer.[1][2] Dashboards fylles hver morgen med varsler av lav kvalitet, som gjør screening til repetitiv triasje mens reelle hvitvaskingsrisikoer gjemmer seg i støyen.

Europas regulatoriske arkitektur gjør problemet mer akutt. Den kommende Anti-Money Laundering Authority vil harmonisere tilsynsforventninger, MiCA utvider overvåkningspliktene til tilbydere av kryptoaktiva-tjenester, og GDPR pålegger streng datahåndteringsdisiplin selv under etterforskning.[10][11][12] Fintechs som ignorerer falske positiver pådrar seg derfor ikke bare operasjonell bremsing, men også risikoen for å ikke oppfylle forpliktelser på tvers av flere regelverk.

Tilsynsmyndigheter og revisorer har lagt merke til belastningen. Deloittes AML-beredskapundersøkelse fra 2020 navnga falske positiver som den største operasjonelle utfordringen for regulerte selskaper som akselererer digital onboarding.[3] Nyere europeiske casestudier understreker omfanget: store detaljhandels- og universalbanker dokumenterer titusener av månedlige varsler med falsk-positiv-andeler godt over nitti prosent, noe som etterlater slitne compliance-team til å sile gjennom støy.[4][5]

Tilsynsorganer har trappet opp håndhevelsen når institusjoner ikke klarer å prioritere vesentlig risiko. FCAs tiltak mot Starling Bank og BaFins sanksjoner mot N26 siterte eksplisitt varselbaklogger og svakheter i eskaleringer, og understreket at tilsynsmyndigheter ser uhåndterte falske positiver som en systemisk svakhet snarere enn en ulempe.[14][15] For fintech-gründere som opererer med stramme budsjetter kan kombinasjonen av operasjonelt søl og regulatorisk eksponering forsinke lanseringer eller avspore finansieringsrunder.

Maskinlæring tilbyr et praktisk svar. Dokumenterte implementeringer viser målbare reduksjoner på 31 til 33 prosent i falske positiver innen de første utgivelsessyklusene, med bredere bransjegjennomganger som beskriver 30 til 60 prosent forbedringer når atferdsanalyse, anomalideteksjon og analyst-feedback-løkker utføres med god styring.[4][5][7] Denne artikkelen beskriver hvorfor regelbaserte systemer skaper alarmtretthet, hvordan maskinlæring endrer ligningen, hvordan forretningscasen ser ut, og hvordan Veridaq tilpasser teknologien til de utviklende europeiske regulatoriske forventningene.

Hvorfor tradisjonelle AML-systemer genererer for mange falske positiver

Eldre regelbaserte AML-screeningløsninger bruker statiske terskler og heuristikker som ikke kan holde tritt med dynamiske fintech-kundebaser.[6] Regler som «flagg hver overføring over 5 000 EUR» eller «utløs et varsel etter ti transaksjoner per dag» ignorerer kontekstuelle signaler, slik at helt legitim aktivitet eskaleres bare fordi den krysser en stump terskel.

Hvorfor regler feiler i stor skala:[6][7]

• Statisk logikk i en dynamisk virksomhet. Terskler hardkodet for ett produkt eller geografi avviker fra virkeligheten når kundemiksen utvikler seg.
• Kontekstblindhet. Regler behandler en 10 000 EUR-betaling likt uavhengig av kundehistorikk, enhet eller motpartsforhold.
• Segmentmismatch. Frilansere, gig-arbeidere, småbedrifter og privatkunder oppfører seg ulikt, men regelbiblioteker bruker ofte ensartet logikk.
• Manuell vedlikeholdsbyrde. Compliance-team bruker dusinvis av timer per måned på å finjustere regler, bare for å skape nye blinde flekker et annet sted.

Operasjonelle konsekvenser:[3][6][7]

• Varselkøer svulmer opp. Analytikere rydder hundrevis av lavrisiko-varsler før de når en genuint mistenkelig sak, noe som blåser opp baklogger.
• Etterforskningskvalitet lider. Alarmtretthet undergraver konsentrasjon, noe som øker sannsynligheten for å overse kritiske typologier.
• Dokumentasjonsgap oppstår. Team under press sliter med å produsere revisjonsklare begrunnelser for å avvise varsler.
• Tilsynsmyndigheter øker granskningen. Europeiske myndigheter forventer nå bevis på at firmaer kan prioritere meningsfulle varsler og unngå å overskride frister for Suspicious Activity Report (SAR).[14][15]

Slik ser dette ut i praksis. En betalingsoppstart i tidlig fase som ekspanderer til Tyskland kan arve en leverandørregelpakke som flaggger hver betaling over 2 000 EUR. Når frilansere fakturerer bedriftskunder, utløser legitime transaksjoner varsler som analytikere må fjerne manuelt, ofte med liten kontekst utover transaksjonsbeløp. Analytikere veksler mellom kjernebank-, onboarding- og sanksjonsskjermer for å samle bevis, og bruker 20 til 30 minutter per varsel bare for å bekrefte rutinemessig kontantstrøm. Deloittes feltarbeid fra 2024 bekrefter at team som står overfor slike baklogger, omprioriterer etterforskning til «eldste først», noe som forsinker reelle risikoeskaleringer og undergraver SAR-aktualitet.[7] Når dette mønsteret vedvarer, behandler tilsynsmyndigheter bakloggen som en indikator på systemisk kontrollfeil.[14][15]

Menneskelig kostnad ved manuell justering. Compliance-ingeniører som har i oppgave å oppdatere regelbiblioteker har sjelden luksusen av rene historiske merkelapper. FATF bemerker at organisasjoner ofte bolter på nye terskler etter hver tilsynsgjennomgang, noe som skaper motstridende logikk på tvers av jurisdiksjoner.[6] Den resulterende regelspredningen er skjør: nye regler produserer uventede interaksjoner, eldre regler forblir av frykt for å gå glipp av kanttilfeller, og analytikere mottar blandede meldinger om hva som utgjør risiko. Over tid genererer «hurtigfikse»-syklusen flere varsler enn den løser, driver avganger blant erfarne medarbeidere og etterlater junioranalytikere til å bære etterforskningsarbeidsbelastning uten robust institusjonell kunnskap.[3][7]

Nettoresultatet er forutsigbart: regelbaserte systemer overrapporterer godarta oppførsel, underrapporterer subtil hvitvasking og presser compliance-personell mot utbrenthet akkurat når tilsynsforventningene stiger.

Hvordan maskinlæring transformerer AML-andeler av falske positiver

Maskinlæring takler alarmtretthet ved å bygge adaptive risikomodeller som lærer av reell kundeatferd i stedet for å stole på statiske heuristikker.[6] I stedet for å behandle hver avvik som mistenkelig, sammenligner ML-motorer hver transaksjon mot rike atferdsbaserte baselines og krysssignalkontekst, noe som muliggjør legitim variasjon samtidig som genuint unormale aktiviteter flagges.

Kjerne ML-funksjoner som reduserer falske positiver:[6][7][8][9]

• Atferdsprofilering. Baselines bygges per kunde eller kundesegment, slik at frilansere, SMBer, lønnsmottakere og kryptobrukere vurderes mot jevnaldrende med lignende mønstre.
• Anomalideteksjon. Uovervåkede teknikker flaggger avvik fra disse baselinene, og fanger tidligere usette typologier uten å stole på forhåndsdefinerte regler.
• Kontekstuell risikoskår. Modeller inntar temporale, geografiske, enhets-, motparts- og hastighetsdata, og produserer sammensatte risikoskår basert på det fulle transaksjonsnarativet.
• Menneske-i-løkken-læring. Analytikerdisposisjoner mates tilbake til modellene, forbedrer presisjon over tid samtidig som styringstandarder for tilsyn og dokumentasjon tilfredsstilles.
• Forklarlighet ved design. Årsakskoder på funksjonsnivå og linjestamlogger lar team demonstrere hvordan hver beslutning ble tatt, i tråd med EU-forventninger om gjennomsiktig AI i finansielle tjenester.

Slik ser suksess ut i praksis:[4][5][7]

• En europeisk universalbank dokumenterte en 31 prosent reduksjon i falske positiver etter å ha distribuert ML-basert triasje, noe som frigjorde etterforskere til å fokusere på høyrisikovarsler.[4]
• En stor detaljhandelsbank oppnådde en 33 prosent reduksjon og forkortet etterforskningssykluser når den kombinerte maskinlæring med analyst-feedback-løkker.[5]
• Deloittes 2024-benchmarking viser at institusjoner som bruker atferdsanalyse rapporterer skarpere prioritering og raskere eskaleringsbaner enn jevnaldrende som stoler rent på terskler.[7]

Disse forbedringene eliminerer ikke menneskelig ekspertise; de forsterker den. Analytikere bruker tid på varsler som betyr noe, styringsteam får bedre bevis for tilsynsmyndigheter, og ingeniørteam unngår endeløst å omskrive sprø regelbiblioteker.

Implementeringsforutsetninger:[6][8][9]

• Høy kvalitet merket data. Parallelle kjøringer med menneskelig gjennomgang gir feedback-løkkene modellene krever for å skille mellom genuin risiko og godarta oppførsel.
• Modellrisikostyring. Institusjoner må opprettholde inventarier, valideringskadanser og utfordringsmodeller for å tilfredsstille EBA- og BIS-forventninger til AI-systemer i kritiske prosesser.
• Personvern og tilgangskontroller. GDPR Artikkel 25-prinsipper krever minimering av data som brukes til modellering og håndhevelse av finkornet tilgang, selv når operasjon innen EU-datasentre.[10]
• Tverrfunksjonelt samarbeid. Produkt-, ingeniør- og compliance-team trenger delte taksonomier for varselkategorier og disposisjonsgrunner slik at tilbakemelding kan tolkes av modellen.
• Pågående ytelsesovervåking. Etabler dashboards for drift-deteksjon, datakvalitetsanomalier og tilbaketestingsresultater slik at problemer fanges før tilsynsmyndigheter gjør det.

FATF understreker at nye teknologier leverer verdi bare når de balanseres med god styring.[6] Forklaringsartefakter som funksjonsbidrags-diagrammer og årsakskoder lar compliance-offiserer avhøre hvorfor en modell flaggget en transaksjon, mens utfordringsmodeller og periodisk validering beskytter mot drift. BIS- og EBA-veiledning anbefaler formell testing under stressscenarier (for eksempel plutselige topper i grenseoverskridende betalinger) for å sikre at modeller opprettholder ytelse under produktlanseringer eller markedssjokk.[8][9]

Parallelt krever GDPR at firmaer holder revisjonsspor av hvem som har fått tilgang til hvilke kundedata og hvorfor.[10] Veridaq gir linjestamrapporter som viser modellinnganger, transformasjoner og utganger—kritisk bevis når det demonstreres at personopplysninger ble behandlet lovlig og forholdsmessig under etterforskning.

Databeredskap er ofte den største praktiske hindringen. Fintech-datamodeller kan spenne kjernebank, betalingsgatewayer, kortprosessorer og kryptoreskontroer, hver med litt forskjellige identifikatorer. Deloittes 2024-forskning fremhever at vellykkede ML-programmer investerer i master data management slik at transaksjoner kan avstemmes på tvers av systemer, mens FATF advarer om at dårlig datahygiene undergraver enhver teknologisk fordel.[6][7] Veridaq sender integrasjonsakseleratorer og skjemamaler slik at team kan samkjøre uensartede datakilder uten måneders ingeniørarbeid.

Reell innvirkning: ROI-data for fintech compliance-team

Forretningscasen for ML-drevet AML-overvåking hviler på tre pilarer: effektivitetsgevinster, regulatorisk robusthet og kundeopplevelse. Hver har empirisk støtte fra casestudier, tilsynstiltak og bransje-benchmarking.

1. Effektivitetsgevinster fra målrettede etterforskninger

• Bevis. Dokumenterte europeiske distribusjoner rapporterer 31 til 33 prosent reduksjoner i falske positiver, oversatt til vesentlig færre varsler som kommer inn i manuelle køer.[4][5] Deloittes 2024-analyse bemerker at institusjoner som innlemmer atferdsanalyse omfordeler analytikerens timer fra triasje til høyverdig etterforskningsarbeid.[7]
• Implikasjon. Slitne fintech compliance-team kan absorbere transaksjonsvekst uten lineært økende ansatteantall. Tid gjenvunnet fra å fjerne godartede varsler reinvesteres i forbedret due diligence, typologiutvikling og koordinering med produktteam.
• I praksis. En Series A fintech som behandler titusener av månedlige transaksjoner kan omdisponere analytikere fra å fjerne repetitive småverdivarsler til å bygge enhetsoppløsningslogikk, samarbeide med svindelkolleger og automatisere SAR-narrativ. Disse høyere ordenoppgavene ble tidligere presset ut av manuell køhåndtering.

2. Regulatorisk robusthet og revisjonsberedskap

• Bevis. FCAs 2024 sluttbemerkning for Starling Bank og BaFins 2024 sanksjon mot N26 siterte hver svakheter i varselstyring og SAR-aktualitet.[14][15] FATF-veiledning oppfordrer eksplisitt regulerte enheter til å adoptere nye teknologier med passende sikkerhetstiltak for å forbedre deteksjonskvalitet.[6]
• Implikasjon. Å demonstrere risikobasert varselprioritering, dokumentert modellstyring og rettidig SAR-innlevering posisjonerer fintechs gunstig under tilsynsgjennomganger. ML-systemer som gir sporbare beslutninger hjelper til med å tilfredsstille gjennomsiktighetforventningene som nå er innebygd i EU-tilsynsdialogene.[8][9]
• I praksis. Under tematiske gjennomganger ber tilsynsmyndigheter i økende grad om bevis på hvordan varsler triageres og hvordan modeller overvåkes. Firmaer i stand til å produsere modellinventarier, valideringsresultater og etterforskingsnotater knyttet til hvert varsel strømlinjeformer disse engasjementene og unngår avhjelpingsdirektiver som kan stoppe markedsutvidelse.

3. Kundeopplevelse og inntektsbeskyttelse

• Bevis. Deloittes 2024-undersøkelse kobler raskere onboarding og færre unødvendige holdeperioder til programmer som digitaliserer risikovurdering og inkorporerer atferdsanalyse.[7]
• Implikasjon. Ved å redusere falske alarmer på legitime kunder minimerer fintechs onboarding-friksjon og reduserer forlatelse. Raskere tid-til-aktivering støtter vekstmål samtidig som compliance holdes på linje med GDPR- og PSD2-forpliktelser.
• I praksis. Når lavrisikokunder fjernes automatisk, kan produktteam aktivere øyeblikkelig kontoutstedelse eller kortlevering. Kundestøtte ser færre eskaleringer relatert til «ventende compliance-gjennomgang», og markedsføring kan trygt fremme rask aktivering uten å risikere regulatoriske unntak.

Samlet gir disse pilarene en pragmatisk ROI-narrativ: færre bortkastede etterforskninger, sterkere regulatorisk posisjon og en jevnere kundereise.

Beregninger å overvåke langs reisen:[7]

• Varselpresisjon og recall. Spor hvor mange varsler som konverteres til SARer eller forbedrede due diligence-etterforskninger for å bevise kvalitetsforbedringer.
• Analytikertimer per varsel. Kvantifiser tid spart for arbeidsstyrkeplanlegging og for å underbygge budsjettforespørsler for verktøy.
• SAR-aldring og kvalitetsskåre. Demonstrer for tilsynsmyndigheter at eskaleringer akselererer og narrativkvalitet forbedres når analytikere fokuserer på substansielle saker.
• Kundeaktiveringstider. Korreler onboarding-hastighet med falsk-positiv-reduksjoner for å vise inntektsinnvirkning ved siden av compliance-fordeler.

Å ramme inn disse beregningene innenfor en forretningscase hjelper med å sikre interessentsamkjøring. Finansteam setter pris på modeller som oversetter varselreduksjoner til kostnadsunngåelse, mens styrer og investorer reagerer på fortellinger som kobler compliance-styrke med markedstilgang. Å inkorporere FCA- og BaFin-håndhevelseseksempler i styrepakker illustrerer nedsiden av passivitet, noe som gjør oppsiden av ML-investering mer håndgripelig.[14][15]

Veridaq: Spesialbygd ML-drevet AML for europeiske fintechs

Veridaq ble konstruert for europeiske fintech-vekstbaner, og kombinerer maskinlæring med regulatoriske designvalg som forutser EU Anti-Money Laundering Authority (AMLA)-regimet og tilstøtende regelverk.

• AMLA-klar tilsyn. Med direkte AMLA-tilsyn som starter 1. januar 2028, opprettholder Veridaq modellstyringsartefakter, endringslogger og SAR-pipelines strukturert for å passe myndighetens tilsynsplan.[11] Maler kartlegger varsler til AMLA-rapporteringstaksonomier slik at compliance-team kan tilfredsstille både nasjonale FIU-krav og EU-nivå koordinering.
• MiCA- og betalingsjustering. Native støtte for kryptoaktiva-datamodeller og betalingstypologier reflekterer den fasevise anvendelsen av Markets in Crypto-Assets Regulation og relaterte tekniske standarder.[12][13] Veridaq fanger lommebok-opprinnelse, transaksjonshashes og reiseregelattributter ved siden av tradisjonell betalingsmetadata, noe som muliggjør enhetlig overvåking på tvers av fiat- og digital-aktiva-spor.
• GDPR og dataresidency. All behandling skjer innenfor EU-datasentre (Frankfurt og Amsterdam), og plattformkontroller følger personvern-ved-design-forventninger som er fastsatt i EDPB-retningslinjer 4/2019 om artikkel 25.[10]
• Forklarlighet og tilsyn. Funksjonsattribusjon, utfordringsmodeller og periodiske valideringsarbeidsflyter følger European Banking Authoritys veiledning om maskinlæringsstyring og BIS Financial Stability Institutes anbefalinger for AI-risikohåndtering.[8][9]
• Kommersiell fleksibilitet. Per-transaksjons-prising og API-først-integrasjon lar seed-stage-team lansere overvåking raskt, mens samme arkitektur skalerer til Series B-volumer uten plattformmigrasjoner.

Hvert designvalg stammer fra virkeligheten at europeiske fintechs uunngåelig møter multi-jurisdiksjonelt tilsyn. AMLA vil koordinere nasjonale tilsynsmyndigheter, MiCA introduserer ny rapportering for kryptoaktiva, og GDPR håndhever strenge datahåndteringsforpliktelser. Veridaqs arkitektur forkorter avstanden mellom regulatorisk forventning og operasjonell utførelse: dokumentasjon kan eksporteres for tilsynskollegier, dataresidency er bevisbar gjennom infrastrukturattestasjon, og prising skalerer med transaksjonsvolum i stedet for å tvinge tidlig-fase-firmaer inn i bedriftsforpliktelser.

Resultatet er en plattform som takler falske positiver samtidig som den innarbeider dokumentasjon, gjennomsiktighet og lokalisering som europeiske tilsynsmyndigheter nå forventer.

FAQ: Maskinlærings-AML for fintech-gründere

Trenger vi ML-drevet AML på seed-stadiet, eller kan det vente til Series A? Tilsynsmyndigheter forventer at regulerte fintechs overvåker transaksjoner fra dag én, uavhengig av ansatteantall.[6][14][15] Å distribuere ML tidlig holder varselvolumet håndterbart for små team og demonstrerer proaktiv risikohåndtering under investor- og tilsynsgjennomganger. Gründere som kan bevise modellstyring og varselberegninger under due diligence-samtaler gir investorer tillit til at compliance-risiko er under kontroll, noe som igjen akselererer produktgodkjenninger med partnerbanker og betalingsordninger.[3][7]

Hvor lenge før vi ser meningsfull reduksjon av falske positiver? Europeiske casestudier registrerte 31 til 33 prosent reduksjoner innenfor innledende distribusjonsfaser når atferdsmodeller og analyst-feedback-løkker var operative.[4][5] Tidlige gevinster vises vanligvis etter en parallellkjøring som lar team kalibrere terskler før full overgang. FATF anbefaler å kombinere pilotkjøringer med strukturert validering for å sikre at gevinster vedvarer på tvers av kundesegmenter, slik at team bør avsette tid til tverrfunksjonelle gjennomganger før nedstengning av eldre regler.[6]

Hva skjer med compliance-analytikere når varselvolumene faller? Deloittes 2024-benchmarking viser at team omfordeler ansatte til etterforskninger, typologidesign og regulatorisk forbindelse etter hvert som atferdsanalyse reduserer repetitivt triasjearbeid.[7] ML hever analytikkerarbeid i stedet for å erstatte det. Analytikere blir domeneeksperter som forklarer typologier til produktledere, bidrar til modellvalideringsmøter og samarbeider med svindelteam om felles deteksjonsstrategier—aktiviteter som tidligere ble presset ut av konstant varseltriasje.

Hvordan holder modeller seg foran nye hvitvaskingsteknikker? FATF-veiledning anbefaler å pare overvåkede modeller (for kjente typologier) med uovervåket anomalideteksjon for å fremheve fremvoksende mønstre, støttet av menneskelig validering og styring.[6] Veridaq følger denne tilnærmingen, kombinerer kontinuerlig læring med tilsyn samkjørt med EBA-forventninger.[9]

Er maskinlæring dyrere enn tradisjonelle regelsett? Mens ML-plattformer kan ha høyere programvareavgifter, indikerer Deloittes 2024-forskning at besparelser fra redusert manuell etterforskning typisk oppveier lisensieringskostnader innen det første driftsåret.[7] Total eiekostnad forbedres når varselkøer krymper. Organisasjoner som sporer beregninger som varsler per tusen transaksjoner, analytikerens timer per varsel og SAR-aldring vil se den økonomiske innvirkningen i dashboards, og gir konkret bevis for budsjettdiskusjoner.

Hvilket datafundament trenger vi før vi slår på ML? Vellykkede programmer avstemmer data på tvers av kjernebank, betalingsgatewayer, kortprosessorer og kryptoreskontroer slik at modeller ser den fulle kundehistorien.[6][7] EBA oppfordrer firmaer til å dokumentere datastam og kvalitetskontroller som en del av modellstyring, noe som sikrer at manglende verdier eller inkonsekvente identifikatorer ikke eroderer ytelse.[9] Veridaqs skjemamaler akselererer denne samkjøringen, men team bør fortsatt utføre dataprofilering og rensing før produksjonsutførelse.

Hvordan sikrer Veridaq forklarlighet og GDPR-compliance? Plattformen opprettholder årsakskoder på funksjonsnivå, revisjonsklare modelldokumentasjon og personvern-ved-design-kontroller i samsvar med BIS-, EBA- og EDPB-veiledning.[8][9][10] Disse artefaktene støtter tilsynsundersøkelser og databeskyttelsesforpliktelser samtidig. Under revisjoner kan compliance-team eksportere beslutningsspor som viser hvem som gjennomgikk hvert varsel, hvilket bevis som ble vurdert, 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