Strise teknologi og KI
Vår tese
Autonom compliance legges ikke på toppen av dagens teknologistakk – det er et helt annet fundament. Å legge KI oppå fragmenterte data, retningslinjer som ikke håndheves og glemsomme arbeidsflyter gjør stakken skjør, ikke autonom.
Strise ble grunnlagt i 2019 med et annet utgangspunkt: KI innen bekjempelse av økonomisk kriminalitet fungerer bare når tre ting er samlet på ett sted – kanoniske data, kodifisert regelverk og vedvarende minne. Vi har brukt seks år på å bygge dette fundamentet. I dag kjører nordiske tier-1-banker, ledende europeiske betalingsselskaper og Big 4-firmaer sin compliance oppå dette.
Plattformen, tre lag
| Lag | Hva det er |
|---|---|
| SuperData | Data og entitetsoppløsning. Fragmenterte registre, grensekryssende eierskap og kildedokumenter samles i én kanonisk entitet. |
| RiskLense | Risiko og regulatorisk kontekst. AMLR, AMLD6, DORA og jurisdiksjonell logikk kodifisert inn i plattformen. Dine regler på toppen. |
| Compliance Memory | Hver agenthandling og menneskelige beslutning loggføres med begrunnelse, dataversjon og anvendt regelversjon. |
Alt annet – SaaS-moduler, API og MCP, agentbasert arbeidsstyrke – bruker dette fundamentet.
Hvordan KI kobles på
KI er ikke en funksjon som er boltet på toppen. Det er slik fundamentet leverer arbeid:
- Entitetsoppløsning bruker maskinlæring til å avstemme oppføringer på tvers av registre, dokumenter og kundeleverte data til én kanonisk entitet. Se Strise Knowledge Graph.
- Screening og varselhåndtering bruker fuzzy matching og klassifiseringsmodeller for å løfte frem reelle treff og filtrere bort falske positive. Se Matching på PEP-er og sanksjoner.
- Screening mot negative medieoppslag bruker NLP og store språkmodeller til å finne, klassifisere og oppsummere relevante nyheter på tvers av titalls språk. Se Screening mot negative medieoppslag.
- KI-funksjoner som Review AI Summary bygger på det samme fundamentet og deler de samme sikkerhetsrammene. Se KI-funksjoner.
Arkitektoniske høydepunkter
- Innholdsberikere og NLP-pipeline – innhenting, normalisering og entitetskobling for ustrukturerte data.
- Maskinlæring og entitetsgjenkjenning – kontinuerlig læring fra nye data på tvers av registre og kilder.
- Knowledge Graph – dynamisk, kontinuerlig oppdatert oversikt over entiteter, eierskap, roller og relasjoner som alle moduler leser fra.
- Rules-as-code-motor – RiskLense-regler evalueres i beslutningsøyeblikket og oppdateres uten ny produksjonssetting.
- Strukturert minnelager – hver beslutning loggføres med aktør, begrunnelse, data-øyeblikksbilde og regelversjon.
- Sikker datahåndtering – kryptering, finkornede tilgangskontroller og leietakerisolasjon.
- API-først-design – alle funksjoner er tilgjengelige via REST API og MCP-server.
Sikkerhet og compliance
- SOC 2 Type II-sertifisert.
- ISO 27001-sertifisert.
- Datalagring utelukkende innenfor EU på Google Cloud (Belgia).
- Streng etterlevelse av GDPR.
- Se Compliance i Strise og trust.strise.ai.
Veien videre
- Alt klargjort for agenter. Hver plattformfunksjon blir et verktøy agenter kan kalle på, med rules-as-code-rammer ved inferens.
- Samarbeidende compliance. Delt infrastruktur med tilsynsmyndigheter der det regulatoriske rammeverket åpner for det.
- Nettverksdekkende risikoskanning. Risikovurderinger som strekker seg utover den umiddelbare entiteten og inn i dens eierskaps- og motpartsnettverk.
- Forklarbarhet som standard. Hver agentbeslutning leveres med begrunnelse, tilhørende data og regelhenvisning.
- Mønstersimulering. Modellering av kriminelle mønstre for å stressteste regler før de settes i produksjon.
Se Den autonome fincrime-avdelingen for produktrammeverket og SuperData / RiskLense / Compliance Memory for detaljer om hvert enkelt lag.
Sist oppdatert