- Здесь надо в самых общих чертах пояснить, как устроены сети владельцев, - говорит автор разработки Кирилл Половников, старший преподаватель и руководитель исследовательской группы Сколтеха. - Скажем, компания А владеет компанией Б, а та владеет компаниями С и Д, под которыми могут быть еще и другие "спутники" и т.д. Выстраивается цепочка, так называемые графы, которые могут самым причудливым образом ветвиться. Оказывается, с точки зрения математики это самый общий и сложный тип графа: во-первых, у каждой связи имеется направление от родителя к дочке (граф направленный), во-вторых, каждое владение осуществляется лишь на какую-то долю или вес (граф еще и взвешенный), и в третьих, в таком графе возможны циклы. Чтобы понять, как же организована и работает на практике такая корпоративная структура из фирм и собственников, надо досконально разобраться, кто кем владеет и на какую долю с учетом всевозможных направленных путей в этом графе. К примеру, я могу напрямую владеть скромными 10% в компании, но иметь еще 41% через "компании-прокладки", что в сумме даст мне полный контроль над принимаемыми решениями внутри компании.
Казалось бы, задача вполне решаемая. Дело в том, что все организации в стране отчитываются по своим прямым собственникам - эти официальные данные доступны в Едином государственном реестре юридических лиц (ЕГРЮЛ). Стало быть, с помощью этих данных можно строить сети, искать пути владения, находить конечного бенефициара и ее итоговую долю. Для этого есть математические формулы. Но не все так просто.
- У этих формул есть ключевой недостаток, - объясняет Половников. - Они работают только в том в случае, если цепь, стартовав в компании А, пройдя множество посредников, не возвращается к ее началу, в ту же точку А. Тогда все нормально, все участники цепи и бенефициар известны. И каких-либо афер можно не опасаться. Совсем другое дело, если цепь замкнута, если, стартовав в точке А, в нее же и возвращается. В ней деньги крутятся бесконечно. Формулы в данном случае не работают. Бенефициар остается в тени.
Но есть зацепка. Уже сам факт, что группа компаний работает в замкнутой цепочке, что в ней есть некий таинственный "икс", вызывает подозрение. Это может быть как минимум наводкой для серьезной проверки работы такой цепочки. Ученые Сколтеха разработали и запатентовали систему искусственного интеллекта, которая с помощью специального алгоритма анализирует самые сложные и запутанные цепочки владений и находит в них бенефициарные циклы. Более того, алгоритм рассчитывает доли владения каждого из членов, входящих в циклическую цепочку, позволяя определять главного бенефициара. Таким образом, вся финансовая подноготная условной конторы "Рога и копыта" видна как ладони. В мире подобных решений, по словам авторов, на сегодняшний день нет.
Созданной учеными системой ИИ прежде всего заинтересовались разработчики фрод-мониторинга и российские банки. И понятно почему.
- Можно прикинуть, какие средства крутятся в таких циклах внутри российской экономики, - говорит Кирилл Половников. - В рамках Новой лиги университетов совместно с Дмитрием Скугаревским, профессором из Европейского университета в Санкт-Петербурге, мы рассчитали общий объем долговых обязательств организаций в нашей стране, участвующих в "проблемных" циклах. Оказалось, что минимум 350 миллиардов рублей. Почти вся эта сумма приходится на банковские кредиты. Получив деньги, фирмы их прокручивают, так что концов не найдешь. Затем кредитуемая компания объявляет о банкротстве, и все - поздно пить боржоми.
В свою очередь, Центральный Банк под угрозой солидного штрафа обязывает банки предпринимать действия для установления конечных бенефициаров. Алгоритм Сколтеха позволяет автоматизировать этот поиск в любых сколь угодно сложных циклических сетях собственности и разобраться с претендентом на кредит, выявить, участвует ли он в сомнительных замкнутых цепочках владений. И если да, то провести предварительно самую тщательную проверку. Семь раз отмерить, прежде чем раскрыть свой кошелек.
- Понятно, что каждая дополнительная проверка в банке создает нагрузку на его системы и увеличивает время выдачи кредита для клиента. Наша система автоматизирует этот процесс: весь расчет в масштабах всей страны занимает несколько минут на базе из нескольких миллионов юридических организаций.
Отметим, что российскими учеными разработано еще несколько систем, которые позволяют ловить мошенников. Скажем, в Институте кибербезопасности и защиты информации Санкт-Петербургского политехнического университета создана нейросеть, которая способна отличать подозрительные транзакции от безопасных. Около года ученые обучали ее на огромном количестве примеров банковских переводов. Одни сделаны мошенниками, другие - честными людьми. Модель обращает внимание на определенные закономерности, по которым можно распознать противоправные действия. Например, при "фильтрации" транзакций (операций с банковским счетом) нейросеть смотрит на временные метки, по которым определяет, как давно человек стал участником банковской среды и в какой организации обслуживается.
Скажем, если он открыл счет в банке полгода назад и за этот период средняя сумма транзакций за день составляла 1000 рублей, а потом в один день он получил денежные переводы в сумме 30 тысяч рублей, вероятность, что нейросеть причислит его к классу мошенников, возрастет. Кроме того, будет учитываться информация об источнике транзакции, и если деньги были переведены не юридической организацией, а 10 физическими лицами, то вероятность мошенничества также увеличится. Тесты показали, что система с высокой точностью распознает обман.
Еще одна система ИИ, которая может помочь банкам при выдаче кредитов, понимать, сможет фирма его вернуть или нет, разработана специалистами ВШЭ. Она анализирует определенный набор признаков и с точностью более 90 процентов предсказывает банкротства на ранней стадии, когда еще сами бизнесмены не ощущают приближение "болезни".
А ученые РАНХиГС предлагают использовать ИИ для поиска коррупционеров. Этому "помогает " определенная шаблонность законодательного языка. Как известно, постановлением правительства предусмотрено 12 так называемых коррупциогенных факторов, 7 из них имеют вполне конкретные индикаторы, которые можно обнаружить непосредственно в тексте. Это семантические выражения в виде слов, словосочетаний, словесных конструкций. Скажем, на коррупциогенный фактор "Выборочное изменение объема прав" в нормативном документе указывают формулировки "в исключительных случаях", "как правило", "в общем порядке" и т.д. На фактор "Широта дискреционных полномочий" - формулировки "не позднее", "на основании", "при наличии" и т.д.
Как отмечает автор работы, доктор юридических наук Эльвира Талапина, поиск коррупциогенных факторов с помощью ИИ значительно повысит качество и сократит сроки экспертизы, снизит субъективизм, а значит, позволит своевременно и эффективно выявлять коррупционеров.