Strise-teknologi og 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-håndhævet politik og forglemmende 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 vedvarende hukommelse. Vi har brugt seks år på at bygge dette fundament. I dag driver nordiske tier-1-banker, førende europæiske betalingsselskaber 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 til én kanonisk entitet. |
| RiskLense | Risiko- og regulatorisk kontekst. AMLR, AMLD6, DORA og jurisdiktionslogik indkodet i platformen. Jeres regler ligger ovenpå. |
| Compliance Memory | Enhver agenthandling og menneskelig beslutning logges med begrundelse, dataversion og anvendt regelversion. |
Alt andet – SaaS-moduler, API og MCP, agentbaseret arbejdsstyrke – trækker på dette fundament.
Sådan integreres AI
AI er ikke en funktion, der er boltet på 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 alarmtriage bruger fuzzy matching og klassifikationsmodeller til at identificere reelle matches og bortfiltrere falske positiver. 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 er bygget oven på det samme fundament og deler de samme sikkerhedsforanstaltninger. Se AI-funktioner.
Arkitektoniske højdepunkter
- Indholdsberigere og NLP-pipeline – indlæsning, normalisering og entitetskobling for ustrukturerede data.
- Maskinlæring og entitetsgenkendelse – kontinuerlig læring 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.
- Rules-as-code-motor – RiskLense-regler evalueres på beslutningstidspunktet og udbredes uden genudrulning.
- Struktureret hukommelseslager – enhver beslutning logges med aktør, begrundelse, data-snapshot og regelversion.
- Sikker databehandling – kryptering, finkornede adgangskontroller, lejerisolering.
- 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 overholdelse af GDPR.
- Se Compliance i Strise og trust.strise.ai.
Hvor vi bevæger os hen
- Alt er agent-klart. Enhver platformfunktion bliver til et værktøj, som agenter kan kalde, med rules-as-code-sikkerhedsforanstaltninger ved inferenstid.
- Samarbejdsbaseret compliance. Delt infrastruktur med tilsynsmyndigheder, hvor de lovgivningsmæssige rammer tillader det.
- Netværksdækkende risikoscanning. Risikovurdering, der rækker ud over den umiddelbare entitet og ind i dens netværk af ejerskab og modparter.
- Forklarlig som standard. Enhver agentbeslutning leveres med sin begrundelse, sine data og sin regelhenvisning.
- Mønstersimulering. Modellering af kriminelle mønstre for at stressteste regler, før de sættes i produktion.
Se The Autonomous FinCrime Department for produktræsonnementet og SuperData / RiskLense / Compliance Memory for detaljer lag for lag.
Sidst opdateret