在洗錢防制 AML（Anti-Money Laundering）監控中，姓名掃描是一個關鍵步驟，能有效識別潛在的金融犯罪風險。這不僅針對於個人，還涵蓋企業、船舶、特定國家名稱的檢查，確保受制裁的對象無法透過金融系統進行交易。銀行、金融機構及貿易公司會定期將客戶資料與國際制裁名單、政治公眾人物（PEP）清單及負面新聞資料庫比對，以確保不與高風險對象進行交易。準確的姓名匹配能夠降低法規違規的風險，避免企業因未有效執行監控而面臨罰款或法律責任。
資通姓名掃描｜採多種演算法提升掃描效率
目前，反洗錢姓名掃描主要依賴多種相似度演算法來比對名稱與名單數據。常見的演算法包括 Levenshtein Distance 和 Damerau-Levenshtein Distance，這些方法透過計算刪除、插入、替換等編輯距離來評估相似度。此外，Jaro-Winkler Similarity 可加強對拼寫相近但稍有差異的名字的識別，而 Soundex 和 Metaphone 這類語音匹配技術則用於處理不同拼寫但發音相似的情況。為提升匹配準確度，也可採用 N-gram 分析或 Cosine Similarity 進一步進行文本比對。資通的產品採用多種演算法搭配不同情境，可提升掃描效率。
在應用這些演算法時，模糊匹配的閥值設定至關重要。若閥值過高，可能導致高風險對象被錯誤排除，形成合規漏洞；若閥值過低，則可能產生過多錯誤命中（False Positives），增加人工審查的負擔。因此，在實務應用中，需根據不同場景調整匹配標準，例如針對個人姓名匹配可以適度放寬，而對企業名稱則應保持較高的精確度。此外，對於某些高風險國家或行業，匹配閥值可適度調低，以加強監控力度。
AI 輔助提升掃描精準度
自去年以來，資通電腦 ARESPFC（ARES Prevent Financial Crimes）洗錢防制系統模組已成功將經過訓練的模型應用於反洗錢姓名掃描，輔助判斷演算法的比對結果，以降低錯誤命中率，使掃描結果更符合實際需求。透過這項技術，客戶可以在有限的資金投入下，獲得更準確且高效的篩查能力，減少誤報帶來的人工審查成本。我們的 AML 優化方案可確保掃描結果更精準，並讓合規作業在提升監控效能時，同時控制營運成本。
延伸閱讀：
