Avdekker hvitvasking med statistikk og maskinl?ring

Som data scientist i DnBs antihvitvaskingsteam ser Nikola Kaletka Hoff p? data over transaksjoner. Hun trener maskinl?ringsmodeller til ? finne m?nstre og gjenkjenne om det er noe mistenkelig i dem. Hvor stor sannsynlighet er det for at et gitt sett med transaksjoner kan v?re knyttet til kriminell aktivitet? N?r sannsynligheten overstiger en viss prosent, utl?ses det et varsel.

Mer n?yaktig hvordan de jobber, kan Nikola ikke fortelle, og hun er usikker p? hvor mye hun har lov til ? si. Hun vil ikke gi informasjon som kriminelle kan bruke til ? skjule sporene sine bedre. Men noe kan hun avsl?re.

¨C Vi kan for eksempel se etter et m?nster som kalles "strukturering". Dette handler om at store transaksjoner blir brutt opp i mindre bel?p for at de ikke skal oppdages av banker eller regulatoriske myndigheter, forteller Nikola.

Ville bruke matematikken til ? gj?re noe som betyr noe

Fra 2020 har modellene oppdaget flere tusen mistenkelige tilfeller. DnB har en egen gruppe som ser n?yere p? alle tilfellene som utl?ser alarmen. Alle varslene blir manuelt vurdert, og der man ikke kan avkrefte mistanke blir de rapportert til ?kokrim.

¨C Det f?les veldig givende ? v?re med p? dette, forteller Nikola.

Da Nikola skulle s?ke jobb etter mastergraden, ville hun gj?re noe som betyr noe. I den f?rste jobben sin laget hun beregninger for hvordan skip kunne f? ned utslippene sine. N? bidrar hun til ? avdekke og forh?pentligvis stoppe kriminalitet.

¨C Det er veldig fint ? vite at jeg kan bidra, enten det er til ? stoppe sm?kriminalitet eller st?rre ting, som terrorfinansiering eller trafficking.

¨C ? v?re matematiker er ¨¦n ting, men for meg er det viktig ? gj?re noe som har betydning i den virkelige verden.

M? holde seg oppdatert p? ny teknologi

Teori er likevel en viktig del av jobben, og Nikola bruker kunnskapene fra studiet aktivt gjennom arbeidsdagen. Hun programmerer, analyserer m?nstre i datasettene, visualiserer hva som hender og implementerer maskinl?ringsmodeller slik at de kan finne avvik, sjekke m?nstre eller fortelle henne hvordan hun best skal forst? dataene. Her kommer det hun har l?rt om statistikk og sannsynlighetsberegninger godt med. N?r hun finner avvikende m?nstre, m? hun vurdere om de er statistisk signifikante eller, eventuelt, om hun m? justere modellene eller algoritmene.

¨C Alt dette er mulig n?r du har nok data og vet hvordan du skal modellere dem. Akkurat n? pr?ver jeg ? analysere noen data.

¨C Jeg vil lage en modell som kan forklare sammenhengen mellom ulike forhold, og forh?pentligvis skille mellom hva som er normalt og hva som tyder p? at ikke alt er som det skal.

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

¨C En del av jobben v?r er ? forske. Vi m? holde oss oppdatert p? nye l?sninger og fors?ke ? implementere dem. Det er ikke alltid det fungerer, men vi m? pr?ve. Noen ganger f?r vi det ikke til, og da m? vi enten lande p? at det ikke er en god l?sning, eller vi m? finne andre m?ter ? gj?re det p?.

Viktig med humor p? arbeidsplassen

Nikola liker veldig godt denne m?ten ? jobbe p?. Likevel fremhever hun en annen ting som er vel s? viktig.

¨C Jeg liker veldig godt humoren p? arbeidsplassen. Vi har det veldig hyggelig i lunsjen. Dessuten er alle kollegene mine flinke i jobben, og vi utgj?r et bra team. Det er fint ? komme inn i en jobb hvor det er mange som allerede har mye erfaring, og som gjerne deler av dem. Jeg liker veldig godt ? jobbe i team, slik vi gj?r her. Nikola smiler.

¨C Det er forskjellige arbeidsmilj?er, og hvis du ikke trives som data scientist i en jobb, betyr det ikke n?dvendigvis at dette er feil yrke for deg. Det har mye ? si at du liker folkene du jobber sammen med.

Les ogs? om Marie, som utvikler teknologi for forskningsinstituttet SINTEF.