合规不是缺规则，而是缺关联：这套AI框架正在重写金融风控

大多数合规系统失败，并不是因为规则不够多，而是因为它们“看不懂”文件之间的关系。Varsha Shah 在 AI Engineering World Fest 上抛出一个反直觉观点：真正的合规风险，藏在跨文档、跨司法辖区的关联里。这次，她给出了一个可落地的 AI 解法。

合规的真正盲区：不是漏报，而是“看不见”

在视频一开始，Varsha Shah 就点出了一个让从业者不太舒服的事实：今天大多数金融合规体系，并不是不努力，而是努力错了方向。规则引擎擅长在单一文档里找关键词，却几乎无法回答一个更关键的问题——这些分散在不同报告、合同、邮件里的信息，是否指向同一个真实风险？这就是她所说的“compliance gap”。

传统方法的问题不在准确率的微小提升，而在结构性失明：同一实体的不同写法、跨时间的行为变化、跨国家的监管语境差异，都会把风险切碎成一堆‘看似无关’的信号。结果是，要么误报泛滥，要么真正的高风险被淹没在噪声中。

核心转折点：把合规从“规则匹配”升级为“关系理解”

真正的转折发生在框架设计上。Varsha 提出的不是再加一个模型，而是一整套多文档关联框架。第一步是图结构的实体关联引擎：不急着判断风险，而是先回答‘这些东西是不是在说同一个人、同一家公司、同一事件？’

这一步看似基础，却决定了后面一切是否成立。通过图关系，系统可以区分‘同名不同人’和‘不同名但同一实体’，从而避免把精力浪费在无意义的警报上。随后，引入基于关系的风险推断机制，开始在已建立的关系网络中判断：哪些模式更可能指向真实的合规风险，而不是偶然的文本巧合。

最容易被忽视的一层：跨司法辖区的“语境翻译”

如果说前两层解决的是‘谁和谁有关’，那么最后一层解决的是‘这在当地意味着什么’。跨司法辖区的规范化层，是整个框架里最容易被低估、却最现实的一部分。

同一行为，在不同监管环境下风险权重完全不同。这个层负责把检测到的关系和行为，放回各自的监管语境中重新解读。它不是简单的规则映射，而是确保系统不会用单一国家的标准去误判全球业务。这也解释了为什么该框架在评估中，既提升了检测效果，又显著降低了调查人员的无效工作量。

从“被动合规”到“持续进化”的系统

视频后半段，一个关键信号反复出现：反馈回路。这个框架并不是一次性部署完成，而是通过调查人员的反馈持续优化。每一次确认或驳回，都会反过来校正系统对风险模式的理解。

这意味着合规不再是季度或年度的集中审查，而是一种持续运行的能力。Varsha 特别强调，这种设计让系统从‘事后发现问题’，转向‘提前识别风险轨迹’，这是规则系统几乎做不到的转变。

总结

这场分享真正有价值的地方，不在某个具体算法，而在思路的切换：合规的本质，是跨文档、跨时间、跨地域的关联理解，而不是规则堆叠。对 AI 从业者来说，一个直接的行动建议是：下次评估风控或合规系统时，先问一句——它是否真的理解“关系”？如果答案是否定的，再高的准确率指标，也可能只是另一种形式的自我安慰。未来的合规系统，拼的不是谁的规则更多，而是谁更早看懂了全局。

关键词： AI合规， 多文档关联， 图结构建模， 金融风控， 跨司法辖区

事实核查备注： 需要核查：演讲者姓名 Varsha Shah；演讲所属会议 AI Engineering World Fest；框架组件的具体命名是否为演讲原话；是否有量化性能提升数据在视频中明确给出