Aufrufe
vor 3 Jahren

KINOTE 01.2020

Um einen Wandel der Finanzbranche erfolgreich zu meistern, müssen Kreditinstitute sowohl Chancen als auch Herausforderungen der Künstlichen Intelligenz (KI) erkennen. Unter der neuen Marke KINOTE der Bank-Verlag GmbH finden Sie Meldungen, Studien und Fachartikel zum Themenkomplex KI. Wir beantworten Ihre Fragen rund um KI. Wir berichten über Trends, neue Technologien, Forschungsergebnisse und daraus entstehende Möglichkeiten, die KI Ihrem Unternehmen bietet.

46 01 | 2020 Machine

46 01 | 2020 Machine Learning im Compliance-Umfeld Die False Positives effizient reduzieren Im Compliance-Bereich kann Machine Learning dazu beitragen, die Anzahl sog. False-Positive- Meldungen deutlich zu verringern und damit für eine Entlastung und höhere Produktivität der Compliance-Mitarbeiter sorgen. Die Autoren beschreiben konkrete ML-Ansätze, die für den Anwendungsfall im Bereich der Namensprüfung relevant sind.

01 | 2020 47 In den vergangenen zwei Jahrzehnten hat die Compliance-Funktion in Banken an Bedeutung deutlich gewonnen. Dies ist nicht zuletzt vor dem Hintergrund der zahlreichen Geldwäscheskandale und Embargo- bzw. Sanktionsregimes zu verstehen. Insbesondere im Hinblick auf die Prävention von Geldwäsche und Terrorismusfinanzierung haben sich inzwischen auch quantitativ orientierte Herangehensweisen etabliert, insbesondere auch der risikobasierte Ansatz, der bereits 2007 von der Financial Action Task Force (FATF) empfohlen und 2014 für den Bankensektor konkretisiert wurde. Die zunehmend technisch-quantitative Ausrichtung der Prozesse rund um die Geldwäscheprävention erlaubt damit auch den Einsatz fortgeschrittener Methoden und Analysemöglichkeiten wie etwa Machine Learning (ML). Ein einfaches Beispiel dafür ist der Einsatz von ML-Methoden im Kontext der durch das Geldwäschegesetz geforderten Kundenüberprüfung. Die Identifikation und laufende Überwachung von Neu- und Bestandskunden im Rahmen eines sogenannten KYC (Know Your Customer/Client)-Prozesses ist ein zentraler Bestandteil der Anforderungen aus dem Geldwäschegesetz. Ein Bestandteil des KYC-Prozesses ist die Namensprüfung (Name Matching) gegen verschiedene Listen, etwa Sanktionslisten, Embargolisten, PEP-Listen (PEP bezeichnet politische exponierte Personen) und ggf. institutsspezifische Black Lists. Beim Name Matching kommt es häufig zu einer großen Anzahl von „falschen Treffern“, sogenannten False Positives. Da durch die entsprechenden Mitarbeiter einer Compliance-Abteilung sämtlich Treffer eines Prüflaufs zu bearbeiten sind, führen diese False Positives zu erhöhten Aufwänden und minimieren die verfügbare Zeit, um die „echten Treffer“ zu analysieren. Mithilfe von ML ist es zum Beispiel möglich, die Anzahl der False Positives deutlich zu verringern und damit für eine Entlastung und höhere Produktivität der Compliance-Mitarbeiter zu sorgen. Wie dies konkret erreicht werden kann, ist Inhalt der folgenden Abschnitte. Überblick Machine Learning Künstliche Intelligenz (KI) ist ein etabliertes Forschungsgebiet mit ersten Arbeiten zu künstlichen neuronalen Netzen in den 1940er-Jahren. Als Geburtsstunde der Künstlichen Intelligenz wird allerdings oft das „Summer Research Project on Artificial Intelligence“ angesehen, das 1956 am Dartmouth College in Hanover stattfand. Das aktuell große Interesse an den Konzepten und Methoden der KI kann durch folgende Entwicklungen der letzten Jahre begründet werden: ■ KI-Anwendungen profitieren durch eine inzwischen große Anzahl kostenlos verfügbarer (Open Source-) Toolkits und Bibliotheken, ■ Speicherkapazität und Rechenleistung moderner Computer und Cloud-Anbieter ermöglichen die performante Implementierung von KI-Methoden, ■ die große Menge und Verfügbarkeit von Daten erlaubt die effiziente Anwendung von KI-Ansätzen, zum Beispiel zum Training von künstlichen neuronalen Netzen. Der Begriff „Maschinelles Lernen“ (ML) als ein Teilgebiet der KI beschreibt Methoden, die mithilfe von Lernprozessen Zusammenhänge in Datensätzen erkennen, um darauf aufbauend Vorhersagen zu treffen 1 . Dabei lassen sich drei verschiedene ML-Ansätze unterscheiden: 1. Unsupervised Learning 2. Supervised Learning 3. Reinforcement Learning Im Kontext des Unsupervised Learning wird versucht, Muster in bestehenden Datensätzen zu erkennen und daraus Kategorien abzuleiten. Die Mustererkennung wird dabei nicht vorgegeben, sondern der Algorithmus nimmt eigenständig eine Kategorisierung bzw. Clusterung der Datensätze vor. Prominente Algorithmen sind der K-Means-Algorithmus und die Latent-Dirichlet Analyse.

die bank