Strise teknologi och AI
Vår tes
Autonom compliance läggs inte ovanpå dagens teknikstack – det är en helt annan grund. Att lägga AI ovanpå fragmenterade data, policyer som inte efterlevs och arbetsflöden utan minne gör stacken bräcklig, inte autonom.
Strise grundades 2019 utifrån en annan övertygelse: AI inom bekämpning av finansiell brottslighet fungerar bara när tre saker finns på samma ställe – kanoniska data, inkodade regelverk och ett beständigt minne. Vi har ägnat sex år åt att bygga den grunden. Idag hanterar nordiska storbanker, ledande europeiska betalningsföretag och Big 4-byråer sin compliance på den.
Plattformen i tre lager
| Lager | Vad det är |
|---|---|
| SuperData | Data och upplösning av Entitet. Fragmenterade register, gränsöverskridande Äganderätt och kunddokument sammanförs till en kanonisk Entitet. |
| RiskLense | Risk- och regelkontext. AMLR, AMLD6, DORA och jurisdiktionslogik inkodat i plattformen. Era regler läggs ovanpå. |
| Compliance Memory | Varje agentåtgärd och mänskligt beslut loggas med motivering, dataversion och tillämpad regelversion. |
Allt annat – SaaS-moduler, API och MCP, agentbaserad arbetskraft – bygger på denna grund.
Hur AI integreras
AI är inte en funktion som bultats fast ovanpå. Det är så grunden utför arbetet:
- Upplösning av Entitet använder maskininlärning för att stämma av poster över register, dokument och kundtillhandahållna data till en kanonisk Entitet. Se Strise Knowledge Graph.
- Screening och larmtriage använder fuzzy matching och klassificeringsmodeller för att lyfta fram verkliga träffar och filtrera bort falska positiva. Se Matchning mot PEP och Sanktioner.
- Adverse media-screening använder NLP och LLM:er för att hitta, klassificera och sammanfatta relevanta nyheter på dussintals språk. Se Adverse media-screening.
- AI-funktioner som Review AI Summary bygger på samma grund och delar samma skyddsräcken. Se AI-funktioner.
Arkitektoniska höjdpunkter
- Innehållsberikare och NLP-pipeline – inhämtning, normalisering och länkning av Entitet för ostrukturerade data.
- Maskininlärning och identifiering av Entitet – kontinuerligt lärande från nya data i register och källor.
- Knowledge Graph – dynamisk, kontinuerligt uppdaterad vy över Entitet, Äganderätt, roller och relationer som alla moduler läser från.
- Rules-as-code-motor – RiskLense-regler utvärderas vid beslutstillfället och distribueras utan nya driftsättningar.
- Strukturerat minneslager – varje beslut loggas med aktör, motivering, ögonblicksbild av data och regelversion.
- Säker datahantering – kryptering, finkornig åtkomstkontroll, tenant-isolering.
- API-first-design – varje förmåga tillgänglig via REST API och MCP Server.
Säkerhet och Compliance
- SOC 2 Type II-certifierad.
- ISO 27001-certifierad.
- Datalagring enbart inom EU på Google Cloud (Belgien).
- Strikt efterlevnad av GDPR.
- Se Compliance i Strise och trust.strise.ai.
Vart vi är på väg
- Allt agent-redo. Varje plattformsförmåga blir ett verktyg agenter kan anropa, med rules-as-code-skyddsräcken vid inferens.
- Samverkande Compliance. Delad infrastruktur med tillsynsmyndigheter där det regulatoriska ramverket tillåter det.
- Riskskanning i hela nätverket. Riskbedömning som sträcker sig bortom den direkta Entitet och in i dess nätverk av Äganderätt och motparter.
- Förklarat som standard. Varje agentbeslut åtföljs av dess motivering, dess data och dess regelhänvisning.
- Mönstersimulering. Modellering av kriminella mönster för att stresstesta regler innan de når produktion.
Se Den autonoma FinCrime-avdelningen för produktöversikten och SuperData / RiskLense / Compliance Memory för detaljer lager för lager.
Senast uppdaterad