Frank Erdle/ Juli 1, 2019/ Uncategorized

Der Kampf gegen Betrug, Geldwäsche und Sanktionsverstöße wird immer schwieriger. Mit Machine Learning können Finanzunternehmen verdächtige Transaktionen erkennen, die False-Positive-Raten verringern und der Gefahr von Strafzahlungen entgehen.

Das Risiko für Banken und andere Finanzdienstleister, von kriminellen Organisationen missbraucht zu werden, ist so hoch wie noch nie. Neben der Veruntreuung von Kapital oder verdeckten Terrorfinanzierung geht es dabei vor allem um Steuerhinterziehung oder Bestechung. Auch die Einhaltung politisch motivierter Sanktionen ist eine Herausforderung für den Finanzsektor. Bei der Bewältigung dieser Aufgabe kann der Einsatz von Künstlicher Intelligenz (KI) wertvolle Hilfe leisten. Im Gegensatz zu klassischen Filtersystemen, bei denen Experten dem Computer Regeln auf Basis bekannter Muster vorgeben, lernt ein KI-gestütztes System anhand von Beispieldaten, komplexe Probleme zu lösen. Mit KI-Unterstützung wird es sogar möglich, eine Geldwäscheabsicht zu entdecken, bevor es dazu kommt.

Derzeitige Verfahren sind unbefriedigend

Laut einer Studie geben die Banken in Deutschland jährlich mehr als 46 Milliarden US-Dollar für Compliance-Prozesse aus, die Geldwäsche verhindern sollen. Dennoch muss die Branche bei ihrem Kampf gegen Kriminelle mit hohen False-Positive-Raten leben. An diesem Punkt setzen KI-Verfahren an. Mit der Mustererkennung lassen sich Auffälligkeiten im Geschäftsablauf identifizieren. Dazu werden Kunden, hinter denen Geldwäsche-Szenarien vermutet werden und die ein ähnliches Verhalten zeigen, in digitale Cluster gruppiert.

Ein weiteres vielversprechendes Einsatzgebiet ist das Alerts-Management: Mitarbeiter, die Auffälligkeiten im Geschäftsablauf bewerten, werden durch ein KI-basiertes System entlastet, sodass sie sich auf die wesentlichen Fälle konzentrieren können. Im dritten Schritt wird die regelbasierte Alerts-Generierung von einer lernfähigen KI-Variante übernommen. Mit diesem Vorgehen lässt sich die Zahl der kritischen Vorgänge, die manuell bearbeitet werden müssen, um bis zu 80 Prozent reduzieren!

Zur Plausibilitätsprüfung setzen Unternehmen zunehmend maschinelle Lernverfahren wie Predictive Analytics ein. Für die Compliance bieten sich vor allem die Bereiche Fraud-Prevention, Anti-Abuse und Credit-Scoring an. Zunächst werden anhand des vorhandenen Datenmaterials aussagekräftige Rechenmodelle erstellt, mit denen die Höhe der künftigen Transaktionen vorhersagbar wird. Aktivitäten, die deutlich von dieser Prognose abweichen, werden markiert. Dadurch lassen sich Auffälligkeiten rechtzeitig identifizieren.

Hybrid-Modelle erfüllen BaFin-Forderungen

Die BaFin fordert in einem Positionspapier, dass Entscheidungen, die mit KI zustande kommen, jederzeit nachvollziehbar und reproduzierbar sein müssen.  Entscheider sollten daher auf ein Hybrid-Modell aus regelbasierten und KI-unterstützten Verfahren setzen. Ein weiteres Anwendungsfeld ist die automatische Verarbeitung von Standardprozessen. Hier sind bei Embargo- und Sanktionsprüfungen erhebliche Kosteneinsparungen realisierbar.

Welche Voraussetzungen müssen Banken erfüllen, um intelligente Compliance-Tools einsetzen zu können? Grundsätzlich erforderlich sind Daten von hochwertiger Qualität, mit denen ein KI-System trainiert werden kann. Wichtig ist zudem ein Technologiepartner, der neben der nötigen Expertise über eine Entwicklungsplattform für KI-Anwendungen verfügt. Dann kann der Kunde von Anfang an produktiv mit der neuen Lösung arbeiten.

* Quelle: Studie von Autonomous Research – „Augmented Finance & Machine Intelligence“: 
https://next.autonomous.com/augmented-finance-machine-intelligence

Frank Erdle

Über Frank Erdle

Seit dem Beginn des Internetzeitalters begleitet Frank Erdle die Digitalisierung als Journalist. Seine Schwerpunkte sind die Themen Digital Finance, Artificial Intelligence, Security und Nachhaltigkeit. Erdle interessiert sich aber nicht nur für die wirtschaftlichen Chancen, die durch neue Technologiekonzepte entstehen, sondern beleuchtet auch deren Auswirkungen auf die Gesellschaft.