. 自动搜索和发现受益所有人 在穆迪最近对实体验证的研究中，46% 的受访者认为提高数据质量和准确性是该领域的一个关键挑战，人工智能解决方案可以自动从多个数据源中搜索和识别受益所有人。机器学习模型可以训练来识别公司文件、股东文件和其他记录中的受益所有权指标。它们还可以帮助计算连接的循环所有权结构中的所有权百分比。 人工智能可以从相关的公司注册处提取数据，对其进行标准化，来确定不同的记录何时指向同一实体，从而促进实体合并。
它可以简化数据收集并整合信息以生成全rcs 数据印度面的所有权结构图，建立实体之间的联系，例如共享地址、董事职位和其他因素。 当全球 BO 登记册在完整性、格式和可访问性方面缺乏一致性时，人工智能可以显著提高有关受益所有权的透明度。利用人工智能以及对数据完整性和准确性的承诺正在迅速成为一种强大的透明度工具，以协助所有参与打击金融犯罪的人。 3.社会网络分析（SNA） 人工智能驱动的社交网络分析 (SNA) 研究实体与个人之间的关系，以发现感兴趣的主题之间的许多其他联系中潜在的受益所有权联系。
这种方法有助于可视化复杂的所有权结构，识别可能代表实际受益所有人的中心节点，并开展稳健、扩展的网络调查。自 2010 年代初以来，这些广泛的网络调查越来越多地利用“跟着钱走”的原则来追踪金融联系。 如今，SNA 可以通过以下 5 种方式支持识别最终受益所有人 (UBO)： 1. 绘制复杂的所有权结构 SNA 允许可视化和分析复杂的所有权网络。通过将实体表示为节点、将所有权关系表示为边，SNA 可以绘制复杂的公司结构并揭示： 直接和间接所有权联系 空壳公司和中介机构 循环所有权模式 这种可视化表示可以更有效地跟踪 UBO 的所有权链。