Naukowcy z dziedziny uczenia maszynowego opracowali nową metodę do odkrywania struktury grup zajmujących się praniem pieniędzy w sieciach finansowych, gdzie pierwszym punktem wyjścia jest konkretna wskazówka od analityka, a nie bezadresowe skanowanie całej sieci. Problem polega na tym, że dotychczasowe podejścia albo wysyłały pojedyncze alerty o podejrzanych węzłach, albo szukały grup bez konkretnego kierunku - żaden model nie pasował do rzeczywistych śledztw AML, gdzie badanie zawsze zaczyna się od czegoś konkretnego i rozszerza się stopniowo.
Proponowana metoda Clue2Group buduje najpierw kompaktny lokalny kontekst badania wokół wskazówki, aby zmniejszyć szum i zachować struktury łańcuchowe oraz cykliczne charakterystyczne dla operacji prania pieniędzy. Następnie szacuje pole ryzyka warunkowane wskazówką, używając wielosemanytycznej sieci neuronowej działającej na danych lokalnych i czasowych. W końcu integruje dowody dotyczące ryzyka, struktury sieci i wcześniej znanych wzorców, aby odbudować spójną grupę zajmującą się praniem pieniędzy.
Testy na dwóch dużych benchmark-ach specjalizowanych w AML wykazały, że Clue2Group stanowi praktyczne narzędzie do analiz opartych na wskazówkach, zbliżając grafowe metody badawcze do rzeczywistych procedur śledczych. To znaczący krok naprzód, bo dotychczas była ogromna przepaść między tym, co proponowali naukowcy, a tym, czego naprawdę potrzebowali analitycy walczący z praniem pieniędzy.