בינה מלאכותית פיננסית
שעומדת בפני רגולטור

KYC Automation

זיהוי לקוחות, אימות מסמכים ו-onboarding אוטומטי.

• OCR למסמכי זהות
• Liveness Detection
• PEP/Sanctions Lists
• Risk Scoring שקוף

AML & Transaction Monitoring

זיהוי דפוסים חשודים בזמן אמת.

• Behavioral Analytics
• Sanctions Screening
• SAR Generation
• False-Positive Reduction

Credit Decisioning (Explainable)

החלטות אשראי מוסברות לכל לקוח ולרגולטור.

• SHAP / LIME Explanations
• Adverse Action Reasons
• Bias Monitoring
• Model Cards מתועדים

Real-time Fraud Detection

חסימת עסקאות חשודות בלא יותר מ-100ms.

• Device Fingerprinting
• Velocity Checks
• Graph Analysis
• Self-Learning Models

Banking AI Assistant

צ'אט-בוט בנקאי עם RAG על מסמכי הרגולציה והמוצרים שלכם.

• RAG על תקנות בנק ישראל
• היסטוריית לקוח מאובטחת
• Multi-language (HE/EN/RU)
• Human Handoff

Model Governance

תיעוד, ניטור ובקרה של כל מודל ב-production.

• Model Registry
• Drift Detection
• Champion/Challenger
• Regulatory Reporting

בנק ישראל

הוראות הפיקוח על הבנקים, ניהול סיכוני מודל (Model Risk), תקני אבטחת מידע, חוק הגנת הפרטיות.

EU PSD2 + GDPR

Strong Customer Authentication, Open Banking APIs, EU AI Act readiness (Article 6/9/10/13/14/15), GDPR DPIA.

בקרות תפעוליות + segregation of duties

בקרות תפעוליות ואבטחה, audit trail מלא, segregation of duties, privileged access management - בנוי לתמוך בביקורת חיצונית של הלקוח.

KYC + AML אוטומציה

מה התעשייה מדווחת: בנקים עם automation מקיף ב-onboarding מדווחים על 60-80% הפחתה בזמן ולחץ עומס על compliance team (McKinsey 2024 banking ops report).

איפה אנחנו נכנסים: OCR למסמכי זהות, liveness detection, screening נגד PEP/Sanctions, ו-explainable risk scoring (SHAP) - שיש לו audit trail לרגולטור.

• תהליך onboarding ממוחשב מקצה לקצה
• כל החלטה ניתנת להסבר ל-3 קהלי יעד: לקוח, רגולטור, מבקר פנים
• Champion/Challenger זרימה דרך MLflow - לא "מודל קפוא"
• בנוי לסטנדרטים: בנק ישראל, PSD2, GDPR

Real-time Fraud Detection

מה התעשייה מדווחת: מעבר ממודלים rule-based להיברידיים (behavioral + GBM) מצמצם false-positive ב-30-50% תוך שמירה על recall (Bain payments tech 2024).

איפה אנחנו נכנסים: תכנון feature pipeline שמופעל בזמן עסקה (sub-100ms P95), graph-based velocity checks, ו-feedback loop מ-chargeback למודל הבא.

• Decision latency sub-100ms - מתאים לחיוב כרטיס בזמן אמת
• self-learning loop מ-chargeback - לא רק "מודל ראשוני"
• Model registry + drift monitoring מובנים
• ניטור bias ע"פ דמוגרפיה - חלק מ-fair lending

Explainable Credit Decisioning

מה התעשייה מדווחת: Credit teams עם SHAP/LIME explanations משחזרות בפועל את החלטות המודל ב-95%+ מהמקרים, נדרש ע"י ECOA + EU AI Act Art. 13 (FCA + EBA papers).

איפה אנחנו נכנסים: Retro-fitting של SHAP על XGBoost קיים, יצירת Adverse Action Reason codes מותאמים לרגולטור הישראלי, ותיעוד Model Card מלא.

• Explainable end-to-end - לא "black box עם override"
• Adverse Action Reasons בעברית למבקש האשראי
• Model Card לפי Mitchell et al. 2019 - מתאים לוועדת מודלים
• בנוי להתעדכן לפי EU AI Act Article 9-15 כשהאכיפה תיכנס

KYC AI

אונבורדינג ואימות זהות אוטומטי - OCR, liveness, סינון PEP/Sanctions ו-risk scoring מוסבר.

AML AI

ניטור עסקאות, סינון סנקציות, יצירת דיווח בלתי רגיל והפחתת false-positive.

Credit Scoring AI

סקורינג אשראי מוסבר - SHAP, Adverse Action, fair lending ו-EU AI Act Article 13.

Fraud Detection AI

זיהוי הונאות בזמן אמת - sub-100ms, device fingerprinting ו-feedback loop מ-chargeback.