Aufrufe
vor 1 Jahr

KINOTE 02 // 2022

  • Text
  • Wwwbankverlagde
  • Insbesondere
  • Finanzdienstleister
  • Zeit
  • Banking
  • Richtlinie
  • Keywords
  • Banken
  • Intelligenz
  • Einsatz
  • Unternehmen
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.

30 02 |

30 02 | 2022 Erklärbare KI Licht in die Black Box bringen Künstliche Intelligenz in Kombination mit der Kraft von Cloud-Infrastrukturen verspricht Finanzinstituten mehr Schlagkraft im Kampf gegen Finanzkriminalität. Doch der Einsatz von KI im stark regulierten Bankgeschäft ist nicht trivial. Wie muss eine KI- Lösung beschaffen sein, um in Compliance-relevanten Prozessen einsetzbar zu sein?

02 | 2022 31 Die Fachtagung „BaFinTech“ gilt unter Technologie-Anbietern für die Finanzdienstleistungsbranche als ein wichtiger Gradmesser für den Fortschritt an der Schnittstelle von technisch Machbarem und Innovationen, die vonseiten der Aufsichtsbehörden erwünscht sind. Dieses Jahr ging von der Veranstaltung ein klares Signal für den Kampf gegen Finanzkriminalität aus: Die Gastgeber BaFin und Bundesbank stellen sich nicht mehr die Frage, ob moderne Technologien in der Geldwäschebekämpfung verwendet werden dürfen; darüber herrscht Einigkeit. Viel diskutiert wurde jedoch das „Wie?“. Schließlich ist nicht jede neue Technik sofort auf die besonderen Anforderungen einer hochregulierten Branche wie der Bankwirtschaft zugeschnitten. Es gilt aber, neue Instrumente so zu gestalten, dass sie gleichermaßen effektiv wie nachvollziehbar einsetzbar werden. Ein besonderes Augenmerk verdient im Kontext von Anti Money Laundering (AML) der Einsatz von Künstlicher Intelligenz. Sorge vor der Black Box Algorithmen und Künstliche Intelligenz (KI) sind für viele von einer gewissen Aura des Undurchschaubaren umgeben. Es scheint oft, als würden Big Data und KI wahre Magie vollbringen und auf wundersame Art hochwertige Ergebnisse liefern. Diese Sichtweise auf KI ist aber falsch und schreckt vor einem Einsatz im Bankgeschäft ab. Wo immer nicht näher erklärte Algorithmen am Werk sind, entsteht völlig zurecht ein großes Maß an Skepsis und Sorge, eine so geartete „Black Box“ agiere womöglich gar nicht im Interesse des Unternehmens, das sie einsetzt, und unterlaufe eventuell Compliance-Vorgaben. Am Beispiel der Geldwäscheprävention wird deutlich, weshalb die Finanzbranche einen anderen Zugang zum Einsatz von KI braucht. Herkömmliche Lösungen zur Anti-Geldwäsche-Prävention arbeiten weitestgehend mit einem Set starrer Regeln. Diese werden auf den stetigen Strom des Zahlungsverkehrs einer Bank angewendet und prüfen jede ein- und ausgehende Transaktion auf bestimmte, bekannte Kriterien und Governance-Regeln. In solchen Regelwerken abgebildete Schwellenwerte sind naturgemäß entweder zu weit gefasst oder mit zu vielen Ausnahmen ausgestattet, sodass der Prozess zu viele Fälle von Geldwäsche unerkannt durchlässt. Das führt entsprechend zu Untersuchungen und kostspieligen Rügen der Aufsichtsbehörden. Oder die Schwellenwerte sind sehr eng definiert, um sich in Sachen Compliance keine Blöße zu geben. Letzteres ist in Finanzinstituten die Regel. Die Folge ist dann allerdings eine kaum mehr beherrschbare Zahl falsch-positiver Verdachtsmeldungen, die manuell nachgeprüft werden muss. Entsprechend hoch sind somit die Kosten für das Institut, ohne dass dadurch die Zahl der tatsächlich entdeckten echten Geldwäschefälle großartig steigt. Hinzu kommen gegebenenfalls zudem verstimmte Kunden, die sich zu Unrecht verdächtigt fühlen. Auch dieses Reputationsproblem ist nicht wegzudiskutieren. Das Kernproblem dieser konventionellen AML-Lösungen ist, dass sie an jede Transaktion den gleichen Risikomaßstab mit einer begrenzten Zahl von Kriterien anlegen. So lassen sie eine Vielzahl von möglichen weiteren Faktoren außer Acht, die sehr viel mehr Kontext zum jeweiligen Vorgang liefern könnten. Kampf gegen die False Positives Einen Weg aus diesem augenscheinlichen Dilemma kann KIunterstütztes Transaktionsmonitoring aufzeigen. Künstliche Intelligenz, gestützt auf die Rechenpower von Cloud Computing, ist bekanntermaßen stark in zwei Bereichen: Lernfähigkeit und enorme Skalierbarkeit. Das KI-Verfahren des Machine Learnings kann die institutsspezifische Datenlage durch laufendes Training der Algorithmen sehr viel genauer und mit erheblich mehr Datenpunkten abbilden als es eine konventionelle Lösung mit fest definierten Regeln je könnte. Das bedeutet in der Praxis, dass jede Transaktion mit erheblich mehr vom oben erwähnten Kontext angereichert und dann geprüft und bewertet werden kann. Und das binnen Millisekunden und für Milliarden von Transaktionen täglich.

die bank