ATTENTION! AI - Artificial intelligence for the detectIon of trade-based money laundering!

Abstract

Illicit trade is a problem of massive proportions, yet the detection rate worldwide is close to zero. Currently, there are very few methods to detect complex, large-scale cases of money laundering in trade and trafficking in counterfeit products. The necessary investigations are time-consuming and costly. Worldwide, there is a lack of a scientifically sound understanding of how illegal transactions can be detected and what patterns they follow. In the ATTENTION! project (2022-2025), an international consortium of five project partners and multiple associated partners has developed methods for detecting cases of trade-based money laundering. We have systematically collected, modelled and analysed multiple global data sources such as trade data for imports and exports, company and web data. Based on global trade activities and their contextual information, artificial intelligence (AI) models have been developed and applied to detect and uncover potentially illicit trade activities and their patterns in global, heterogeneous data. Among the challenges to be overcome are the lack of known cases, the complexity of the patterns and the need to explain detected suspicious cases. To this end, ATTENTION! relied on the interplay of supervised and unsupervised learning as well as the creation of a knowledge graph. This project report gives an overview of our research and development activities in ATTENTION!. This includes the conceptualisation of the project, starting from user requirements and the selection of relevant data sources such as company networks, trade transactions and cargo vessel movements. These datasets were integrated into company and trade knowledge graphs. We also present and evaluate our AI models used for creating and enriching knowledge graphs, for network-based node and edge classification as well as spatio-temporal pattern analyses. Based on these works, we present our ATTENTION! prototype that enables users to explore our knowledge graphs and to apply our AI models. Through three case studies and a user study, we show the benefits of using the ATTENTION! prototype. Illegaler Handel ist ein Problem von massivem Ausmaß, doch die Aufdeckungsrate liegt weltweit nahe null. Derzeit gibt es nur sehr wenige Werkzeuge, um komplexe, groß angelegte Fälle von Geldwäsche im Handelsverkehr und den Handel mit gefälschten Produkten (Trade-based Money Laundering, TBML) aufzudecken. Die nötigen Ermittlungen sind zeit- und kostenintensiv; weltweit fehlt es an einem wissenschaftlich fundierten Verständnis, wie illegale Transaktionen erkannt werden können und welchen Mustern sie folgen. Im ATTENTION!-Projekt (2022–2025) hat ein internationales Konsortium aus fünf Projektpartnern und mehreren assoziierten Partnern Methoden zur Aufdeckung von Fällen von handelsbasierter Geldwäsche entwickelt. Wir haben systematisch mehrere globale Datenquellen wie Handelsdaten für Importe und Exporte, Unternehmens- und Webdaten gesammelt, modelliert und analysiert. Auf der Grundlage globaler Handelsaktivitäten und ihrer Kontextinformationen haben wir Modelle Künstlicher Intelligenz (KI) entwickelt und angewendet, um potentiell illegale Handelsaktivitäten und deren Muster in globalen, heterogenen Daten zu erkennen und aufzudecken. Zu den Herausforderungen, die es zu bewältigen gilt, gehören der Mangel an bekannten Fällen, die Komplexität der Muster und die Notwendigkeit, erkannte Verdachtsfälle zu erklären. Zu diesem Zweck stützte sich ATTENTION! auf das Zusammenspiel von überwachtem und unüberwachtem Lernen sowie auf die Erstellung eines Wissensgraphen. Dieser Projektabschlussbericht gibt einen Überblick über unsere Forschungs- und Entwicklungsaktivitäten im Rahmen von ATTENTION!. Dazu gehören die Konzeption des Projekts, ausgehend von den Nutzeranforderungen, und die Auswahl relevanter Datenquellen wie Unternehmensnetzwerke, Handelsgeschäfte und Schiffsbewegungen. Diese Datensätze wurden in Unternehmens- und Handelswissensgraphen integriert. Außerdem stellen wir unsere KI-Modelle vor, die zur Erstellung und Anreicherung von Wissensgraphen, zur netzwerkbasierten Knoten- und Kanteneinteilung sowie zur Analyse räumlich-zeitlicher Muster verwendet werden und evaluieren sie. Auf der Grundlage dieser Arbeiten präsentieren wir unseren ATTENTION!-Prototyp, mit dem Nutzer unsere Wissensgraphen erkunden und unsere KI-Modelle anwenden können. Anhand dreier Fallstudien und einer Nutzerstudie zeigen wir die Vorteile der Verwendung des ATTENTION!-Prototyps auf.