Strise Teknologi & AI

Vores tese

Autonom compliance lægges ikke oven på nutidens stak – det er et helt andet fundament. At lægge AI oven på fragmenterede data, ikke-håndhævede politikker og glemsomme arbejdsgange gør stakken skrøbelig, ikke autonom.

Strise blev grundlagt i 2019 ud fra et andet sats: AI inden for bekæmpelse af økonomisk kriminalitet fungerer kun, når tre ting er samlet ét sted – kanoniske data, indkodet regulering og persistent hukommelse. Vi har brugt seks år på at opbygge det fundament. I dag driver tier-1 nordiske banker, førende europæiske betalingsvirksomheder og Big 4-virksomheder compliance oven på det.

Platformen, tre lag

Lag	Hvad det er
SuperData	Data- og entitetsopløsning. Fragmenterede registre, grænseoverskridende Ejerskab og kundedokumenter samles i én kanonisk Entitet.
RiskLense	Risiko- og regulatorisk kontekst. AMLR, AMLA, 6AMLD, DORA og jurisdiktionslogik indkodet i platformen. Jeres egen politik lægges ovenpå.
Compliance Memory	Enhver agenthandling og menneskelig beslutning logget med begrundelse, dataversion og anvendt politik.

Alt andet – SaaS-moduler, API og MCP, agentbaseret arbejdsstyrke – trækker på dette fundament.

Sådan kobles AI på

AI er ikke en funktion, der er boltet ovenpå. Det er sådan, fundamentet udfører arbejdet:

Entitetsopløsning bruger maskinlæring til at afstemme optegnelser på tværs af registre, dokumenter og kundeleverede data til én kanonisk Entitet. Se Strise Knowledge Graph.
Screening og prioritering af advarsler bruger fuzzy matching og klassifikationsmodeller til at fremhæve reelle matches og frasortere falske positive. Se Matching på PEP'er og Sanktioner.
Adverse media-screening bruger NLP og LLM'er til at finde, klassificere og opsummere relevante nyheder på tværs af snesevis af sprog. Se Adverse Media Screening.
AI-funktioner såsom Review AI Summary og Remediation Agent hviler oven på det samme fundament og deler de samme guardrails. Se AI-funktioner.

Arkitektoniske højdepunkter

Indholdsberigere og NLP-pipeline – indlæsning, normalisering og entitetskobling for ustrukturerede data.
Maskinlæring og entitetsgenkendelse – kontinuerlig læring ud fra nye data på tværs af registre og kilder.
Knowledge Graph – dynamisk, løbende opdateret visning af entiteter, Ejerskab, roller og relationer, som hvert modul læser fra.
Policy-as-code-motor – RiskLense-regler evalueres på beslutningstidspunktet og udrulles uden genimplementeringer.
Struktureret hukommelseslager – enhver beslutning logges med aktør, begrundelse, data-øjebliksbillede og politikversion.
Sikker datahåndtering – kryptering, finkornede adgangskontroller, tenant-isolering.
API-first-design – enhver funktion er tilgængelig via REST API og MCP Server.

Sikkerhed og compliance

SOC 2 Type II-certificeret.
ISO 27001-certificeret.
Datalagring udelukkende i EU på Google Cloud (Belgien).
Streng GDPR-overholdelse.
Se Compliance i Strise og trust.strise.ai.

Hvor vi bevæger os hen

Agent-klar over hele linjen. Enhver platformskapacitet bliver et værktøj, agenter kan kalde, med policy-as-code-guardrails på inferenstidspunktet.
Samarbejdsbaseret compliance. Delt infrastruktur med tilsynsmyndigheder, hvor de regulatoriske rammer tillader det.
Netværksdækkende risicoscanning. Risikovurdering, der strækker sig ud over den umiddelbare Entitet og ind i dens Ejerskab og modpartsnetværk.
Forklarlighed som standard. Enhver agentbeslutning ledsages af sin begrundelse, sine data og sin henvisning til politikken.
Mønstersimulering. Modellering af kriminelle mønstre for at stressteste politikken, før den sættes i produktion.

Se Den autonome FinCrime-afdeling for den produktmæssige ramme og SuperData / RiskLense / Compliance Memory for detaljer lag for lag.