Avdekker hvitvasking med statistikk og maskinlæring

Som data scientist i DnBs antihvitvaskingsteam ser Nikola Kaletka Hoff på data over transaksjoner. Hun trener maskinlæringsmodeller til å finne mønstre og gjenkjenne om det er noe mistenkelig i dem. Hvor stor sannsynlighet er det for at et gitt sett med transaksjoner kan være knyttet til kriminell aktivitet? Når sannsynligheten overstiger en viss prosent, utløses det et varsel.

Mer nøyaktig hvordan de jobber, kan Nikola ikke fortelle, og hun er usikker på hvor mye hun har lov til å si. Hun vil ikke gi informasjon som kriminelle kan bruke til å skjule sporene sine bedre. Men noe kan hun avsløre.

– Vi kan for eksempel se etter et mønster som kalles "strukturering". Dette handler om at store transaksjoner blir brutt opp i mindre beløp for at de ikke skal oppdages av banker eller regulatoriske myndigheter, forteller Nikola.

Ville bruke matematikken til å gjøre noe som betyr noe

Fra 2020 har modellene oppdaget flere tusen mistenkelige tilfeller. DnB har en egen gruppe som ser nøyere på alle tilfellene som utløser alarmen. Alle varslene blir manuelt vurdert, og der man ikke kan avkrefte mistanke blir de rapportert til Økokrim.

– Det føles veldig givende å være med på dette, forteller Nikola.

Da Nikola skulle søke jobb etter mastergraden, ville hun gjøre noe som betyr noe. I den første jobben sin laget hun beregninger for hvordan skip kunne få ned utslippene sine. Nå bidrar hun til å avdekke og forhåpentligvis stoppe kriminalitet.

– Det er veldig fint å vite at jeg kan bidra, enten det er til å stoppe småkriminalitet eller større ting, som terrorfinansiering eller trafficking.

– Å være matematiker er én ting, men for meg er det viktig å gjøre noe som har betydning i den virkelige verden.

Må holde seg oppdatert på ny teknologi

Teori er likevel en viktig del av jobben, og Nikola bruker kunnskapene fra studiet aktivt gjennom arbeidsdagen. Hun programmerer, analyserer mønstre i datasettene, visualiserer hva som hender og implementerer maskinlæringsmodeller slik at de kan finne avvik, sjekke mønstre eller fortelle henne hvordan hun best skal forstå dataene. Her kommer det hun har lært om statistikk og sannsynlighetsberegninger godt med. Når hun finner avvikende mønstre, må hun vurdere om de er statistisk signifikante eller, eventuelt, om hun må justere modellene eller algoritmene.

– Alt dette er mulig når du har nok data og vet hvordan du skal modellere dem. Akkurat nå prøver jeg å analysere noen data.

– Jeg vil lage en modell som kan forklare sammenhengen mellom ulike forhold, og forhåpentligvis skille mellom hva som er normalt og hva som tyder på at ikke alt er som det skal.

I tillegg til kunnskapene i matematikk, krever jobben at du er nysgjerrig på data og ny teknologi som dukker opp. Det er viktig å vite om nye muligheter.

– En del av jobben vår er å forske. Vi må holde oss oppdatert på nye løsninger og forsøke å implementere dem. Det er ikke alltid det fungerer, men vi må prøve. Noen ganger får vi det ikke til, og da må vi enten lande på at det ikke er en god løsning, eller vi må finne andre måter å gjøre det på.

Viktig med humor på arbeidsplassen

Nikola liker veldig godt denne måten å jobbe på. Likevel fremhever hun en annen ting som er vel så viktig.

– Jeg liker veldig godt humoren på arbeidsplassen. Vi har det veldig hyggelig i lunsjen. Dessuten er alle kollegene mine flinke i jobben, og vi utgjør et bra team. Det er fint å komme inn i en jobb hvor det er mange som allerede har mye erfaring, og som gjerne deler av dem. Jeg liker veldig godt å jobbe i team, slik vi gjør her. Nikola smiler.

– Det er forskjellige arbeidsmiljøer, og hvis du ikke trives som data scientist i en jobb, betyr det ikke nødvendigvis at dette er feil yrke for deg. Det har mye å si at du liker folkene du jobber sammen med.

Les også om Marie, som utvikler teknologi for forskningsinstituttet SINTEF.