AI Mendeteksi Perdagangan Manusia dan Satwa Liar di Rantai Pasok Global

Uang mengalir masuk dan keluar lembaga keuangan setiap hari, dan bukan rahasia bahwa sebagian dana tersebut berasal dari transaksi ilegal di rantai pasok. Ini adalah kenyataan yang tidak disayangi dan sering diabaikan bahwa perdagangan manusia dan satwa liar umum di seluruh dunia, dan merangkak ke berbagai bagian dari cara rantai pasok global beroperasi.

Menurut Organisasi Buruh Internasional, tenaga kerja paksa dalam ekonomi swasta menghasilkan keuntungan ilegal yang diperkirakan senilai 150 miliar dolar per tahun. Penting bagi perusahaan untuk memeriksa kemitraan mereka dengan seksama untuk memastikan mereka tidak tanpa sengaja bekerja dengan perosok, dan kemajuan baru dalam kecerdasan buatan sedang membantu mereka melakukan hal itu.

Banyak industri seperti restoran, hotel, konstruksi, dan pertanian bergantung pada pasokan buruh murah yang tak pernah habis sebagai cara untuk menjaga biaya tetap rendah. Pada 2017, ILO menemukan bahwa porsi terbesar pekerja dewasa yang diperdagangkan adalah pekerja rumah tangga (24%) diikuti oleh konstruksi (18%), manufaktur (15%), dan sektor pertanian dan perikanan (11%). Organisasi kriminal telah memanfaatkan sistem ini, melalui anonimitas perusahaan kerumunan, menyusup ke industri, dan menggunakan perdagangan manusia atau satwa liar sebagai cara untuk menjadi seuntung mungkin. Perosok telah melompat pada jaringan transportasi dan rantai pasok yang semakin global sebagai cara untuk meningkatkan bisnis mereka dan terbang di bawah radar, meninggalkan banyak individu terjebak sebagai korban kejahatan ini.

Meskipun peretas ini sering berhasil tetap anonim, perusahaan dapat mengambil langkah untuk memastikan mereka tidak tanpa sengaja bekerja dengan perosok. Organisasi kriminal meninggalkan jejak keuangan dan jejak data di belakang mereka, dan meskipun mereka menggunakan taktik untuk tidak terdeteksi, kemajuan dalam teknologi, pelacakan, dan AI membuat lebih mudah bagi perusahaan etis untuk mencari peretas, menyelidiki, dan mengganggu operasi mereka.

Mengidentifikasi Jaringan Perosokan

Perosok membuat diri mereka sulit terdeteksi, karena perusahaan kerumunan yang mereka buat untuk menyembunyikan perilaku kriminal mereka biasanya terlihat sah pada kertas. Jadi bagaimana organisasi dapat mengidentifikasi perusahaan yang terlibat dalam perosokan? Bendera merah yang dapat menunjukkan perusahaan bukan apa sebenarnya meliputi:

• Perusahaan yang merekrut jumlah besar pekerja migran.
• Proyek yang meng-outsource pasokan buruh ke agensi daripada langsung menata pekerja. Praktik ini memungkinkan pengawasan minimal atas kontrak, bagaimana pekerja diperlakukan, dan bagaimana mereka ditemukan untuk pekerjaan ini.
• Organisasi yang menempatkan beberapa pekerja di satu lokasi.
• Perusahaan yang mengangkut pekerja dari dan ke lokasi pekerja setiap hari.
• Perusahaan yang melakukan pembayaran berulang ke perusahaan perumahan atau leasing dari bisnis yang tidak terkait.

NGO, yayasan, dan kelompok lokal telah berada di garis depan mencoba untuk mengidentifikasi dan menuntut perosok melalui penggunaan intelijen manusia di lapangan. Intelijen ini sering bergantung pada kabar gila dan kesaksian pribadi, yang sangat berharga. Namun, upaya ini sering terbatas oleh batas negara dan tidak memiliki pandangan internasional yang diperlukan untuk mengetahui banyak indikator kunci perosokan.

Dengan menggunakan AI, mungkin untuk mengidentifikasi indikator dan pola perosokan, dan membagi hasil dan data yang dikumpulkan dengan badan pengatur atau penegak hukum untuk membantu menghentikan perosokan secara langsung.

Menerapkan Solusi Teknologi

Lembaga keuangan berada dalam posisi unik untuk mengungkap dan melaporkan perosok dengan menggunakan jumlah besar data yang sudah mereka miliki untuk mengidentifikasi pola dan celah intelijen. Organisasi dapat menggunakan teknologi yang didukung AI, seperti entity resolution dan graph analytics, untuk memahami data tersebut dan secara akurat fokus pada akun mencurigakan, menyelidiki apakah mereka mungkin terlibat dalam perosokan dan kejahatan lainnya.

Entity resolution menggunakan AI canggih dan pembelajaran mesin untuk menghubungkan miliaran sumber data ke skala dan menciptakan tampilan tunggal pelanggan (atau pelanggan pelanggan), bahkan jika data sumber tidak terstruktur dan kualitas buruk. Dengan menerapkan teknologi ini, lembaga keuangan dapat membantu mengungkap perubahan nama yang kecil, tanggal lahir, banyak alamat, inkonsistensi akun, dan bendera merah lainnya (kecil atau besar) yang dapat menunjukkan kejahatan di sepanjang rantai pasok. Setelah satu tampilan data diperoleh, generasi jaringan memungkinkan lembaga keuangan untuk menciptakan "konteks" yang dapat membantu mereka lebih memahami gerakan perosok, termasuk memantau rute pengiriman dan perdagangan dan melacak pergerakan uang melalui perusahaan kerumunan.

Teknologi ini tidak hanya dapat digunakan di bagian depan untuk mendeteksi dan menghindari risiko rantai pasok, tetapi juga untuk mendukung dan meningkatkan penyelidikan internal serta yang dilakukan oleh penegak hukum. Banyak perosok belum teridentifikasi oleh instansi penegak hukum lokal, tetapi perusahaan yang menggunakan entity resolution dan graph analytics dapat menarik perhatian pada perosok dan kriminal lain yang mungkin tidak terdeteksi.

Perosokan adalah kejahatan yang sering terjadi di sepanjang rantai pasok, tetapi tidak harus diabaikan atau diterima sebagai bagian dari berbisnis dalam ekonomi global. Ini bukan hanya tanggung jawab NGO, yayasan, dan instansi penegak hukum untuk menemukan dan menyelidiki organisasi kriminal. Ini adalah tanggung jawab semua orang di sepanjang rantai pasok untuk memantau data mereka dan melakukan bagian mereka untuk membuat semaksimal mungkin bagi kelompok kriminal untuk terlibat dalam perosokan.

Dengan teknologi yang tepat yang diterapkan, perusahaan dapat melakukan due diligence mereka dan memenuhi kewajiban moral mereka untuk mengidentifikasi dan menuntut perosokan di mana pun itu terjadi.

Clark Frogley adalah kepala solusi kejahatan keuangan Amerika di Quantexa.