利用 Didit 与 Kafka 实现实时制裁筛选 (ZH)

可扩展的合规性将 Didit 的反洗钱（AML）筛选 API 与 Apache Kafka 集成，使金融机构和企业能够实现实时、高吞吐量的制裁筛选，这对于现代合规性和风险管理至关重要。

架构效率利用 Kafka 的分布式流处理平台，可以实现异步处理、请求缓冲和可靠的数据传输，确保即使在高负载下也能高效处理筛选请求，而不会影响用户体验。

智能风险评分Didit 先进的两分制系统（匹配分数和风险分数）提供了对潜在风险的精细洞察，允许配置合规阈值，并通过人工智能驱动的评估减少误报。

与 Didit 无缝集成Didit 采用开发者优先的方法，提供简洁的 API 和模块化架构，使得将实时 AML 筛选无缝嵌入到现有高吞吐量系统中变得简单直接，同时提供免费的核心 KYC 和零设置费用。

实时制裁筛选的必要性

在当今快节奏的数字经济中，金融机构、金融科技公司以及任何处理交易或用户注册的企业都面临着一个日益严峻的挑战：如何遵守反洗钱（AML）和反恐怖主义融资（CTF）法规。传统的批量制裁筛选方法已不足以打击实时运作的复杂金融犯罪。立即识别全球观察名单、制裁名单和政治敏感人物（PEP）数据库中的个人和实体至关重要。延迟可能导致巨额监管罚款、声誉损害以及助长非法活动的风险增加。

实时制裁筛选允许组织在关键节点（如开户、交易发起甚至持续监控）即时评估风险。这种主动方法最大限度地减少了与高风险个人和实体的接触，确保企业保持合规和安全。然而，在大规模，特别是在高吞吐量环境中实现真正的实时筛选，带来了重大的架构和技术挑战。这就是将 Didit 的 AML 筛选等强大、AI 原生 API 与 Apache Kafka 等强大的消息代理结合起来，成为游戏规则改变者的地方。

大规模架构：Didit 的 AML API 与 Apache Kafka

构建一个能够处理数百万请求的实时制裁筛选系统需要一个可扩展、弹性且高性能的架构。Apache Kafka 是一个分布式流处理平台，是实现此目标的理想选择，因为它能够处理大量数据、提供容错能力并实现异步处理。当与 Didit 的 AML 筛选 API 集成时，它就创建了一个强大的合规引擎。

该架构通常涉及将筛选请求发送到 Kafka 主题。这些请求可能来自各种来源：新用户注册、交易处理系统或定期重新筛选作业。消费者应用程序随后从该主题读取数据，调用 Didit 的 AML 筛选 API，并将结果发布到另一个 Kafka 主题。这种解耦方法具有以下几个优点：

• 高吞吐量：Kafka 每秒可以摄取和处理数百万条消息，确保筛选请求永远不会成为瓶颈。
• 可扩展性：Kafka 和 Didit 的 API 都设计用于扩展。您可以轻松添加更多 Kafka 代理或消费者实例来处理不断增加的负载。
• 弹性：Kafka 的分布式特性和数据复制确保即使在系统故障时也不会丢失消息。
• 异步处理：筛选请求可以在后台处理，而不会阻塞原始应用程序，从而改善用户体验。
• 可审计性：Kafka 提供所有筛选请求和响应的持久日志，这对于合规性审计至关重要。

Didit 的 AML 筛选 API 实时针对 1300 多个全球制裁、PEP 和观察名单数据库筛选用户，使其非常适合这种高容量、实时集成。该 API 提供全面的报告，包括匹配详情、风险分数、匹配分数和不良媒体情报，然后下游系统可以利用这些信息进行自动化决策或人工审查。

理解 Didit 的双重风险评分系统

有效的反洗钱筛选不仅仅是识别潜在匹配项；它关乎理解匹配项的细微差别，以避免误报并准确评估风险。Didit 的反洗钱筛选采用复杂的双重评分系统——匹配分数和风险分数——为合规团队提供精细的控制和智能。

匹配分数解决的问题是：“这个潜在匹配项是否与我们正在筛选的个人或实体相同？”它是一个身份置信度分数，根据姓名相似度、出生日期、国籍和证件号码等因素计算。这个分数有助于区分真实匹配项和误报。例如，高匹配分数（例如，高于 Didit 的默认阈值 93）表示被筛选的个人很可能就是观察名单上的人。低于此阈值的请求通常被归类为误报，从而简化了审查流程。

相反，风险分数评估的是：“如果这个实体是真实匹配项，它的风险有多大？”这个分数评估匹配实体的固有风险水平，考虑了国家风险、观察名单的具体类别（例如，PEP、制裁、犯罪记录）以及其他相关情报。风险分数根据可配置的阈值确定最终的反洗钱状态——已批准、正在审查或已拒绝。例如，低于“批准阈值”（默认 80）的分数可能导致自动批准，而高于“审查阈值”（默认 100）的分数可能触发自动拒绝。介于两者之间的分数通常需要合规官员进行人工审查。

这种双重评分机制可通过 API 请求中的 aml_match_score_threshold、aml_score_approve_threshold 和 aml_score_review_threshold 等参数进行配置，使企业能够根据其特定的风险偏好和监管要求微调其反洗钱政策，从而显著减少人工审查负担，同时保持严格的合规性。

实施实时筛选工作流程

将 Didit 的 AML 筛选 API 集成到基于 Kafka 的管道中涉及几个关键步骤。首先，定义筛选请求和响应的数据结构。请求通常包括 full_name、entity_type（个人或公司）、date_of_birth、nationality，以及可选参数，如 document_number 或自定义分数阈值。

当新用户注册或发起交易时，包含必要用户数据的消息会发送到“aml-screening-requests”Kafka 主题。一个专门的微服务作为 Kafka 消费者，读取这些消息。对于每条消息，它都会构建一个对 Didit 的 /v3/aml/ 端点的请求。Didit 实时处理请求，对照全球观察名单进行检查，并应用其智能的双重风险评分系统。API 响应，包括整体 AML 状态、匹配详情和各种风险分数，随后由微服务接收。

收到 Didit 的响应后，微服务可以将结果发布到“aml-screening-results”Kafka 主题。下游系统，例如用户注册服务、交易处理引擎或案例管理系统，可以随后使用这些结果。例如，如果 AML 状态为“已批准”，则可以继续用户注册。如果为“正在审查”，则可以设置一个标志，供合规官员手动调查。对于“已拒绝”状态，可以触发适当的操作，例如阻止交易或拒绝创建账户。

这种实现确保了核心业务逻辑与合规性检查分离，允许每个组件独立扩展并保持高可用性。Kafka 的使用还提供了固有的重试机制和背压处理，防止 Didit API 在高峰负载期间不堪重负，并确保不会遗漏任何筛选请求。

Didit 如何提供帮助

Didit 致力于提供 AI 原生、开发者优先的身份验证解决方案，专为现代高吞吐量系统设计。我们的AML 筛选产品是我们服务的基础，使企业能够实时筛选个人或公司，对照 1300 多个全球制裁、PEP 和观察名单数据库。我们的模块化架构意味着您可以将 AML 筛选作为独立的 API 或作为更广泛的身份验证工作流程的一部分无缝集成，而无需复杂的设置或漫长的集成时间。Didit 的 AI 原生基础确保我们的双重风险评分系统（匹配分数和风险分数）不断优化其准确性，减少误报并为合规团队提供可操作的情报。

除了强大的 AML 筛选，Didit 还提供一套全面的身份原语，包括身份验证（OCR、MRZ、条形码）、被动和主动活体检测以及1:1 人脸匹配和人脸搜索。我们的开发者优先方法包括即时沙盒和简洁的 API，使集成变得简单直接。我们致力于使强大的身份验证易于访问，提供免费核心 KYC 和绝对零设置费用，让各种规模的企业都能在全球范围内大规模自动化信任并确保合规性。

准备好开始了吗？

准备好亲身体验 Didit 的强大功能了吗？立即获取免费演示。

使用Didit 的免费套餐，免费开始验证身份。