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.

32 02 |

32 02 | 2022 Eine AML-KI lernt mit der Zeit, einen Verdachtsfall wie menschliche Compliance-Mitarbeitende zu prüfen. Praktisch dabei: Ein Verdachtsfall kann auch aus einem der vorhandenen konventionellen AML-Systeme übernommen und KIbasiert nachgeprüft werden. Das macht die Einführung eines modernen Anti-Geldwäsche-Systems recht unkompliziert, weil das Altsystem zunächst weiterlaufen kann. Der wesentliche Vorteil ist jedoch, dass ein solcher mitlernender Algorithmus schließlich zu erheblich weniger Fehlalarmen führt. Eine Reduktion von falsch-positiven Meldungen um 75 Prozent und mehr ist dabei durchaus möglich. Das schafft Kapazitäten in den AML-Abteilungen, um komplexe Verdachtsfälle mit der nötigen Fachexpertise prüfen zu können. Phantomen auf die Schliche kommen Der Einsatz von Maschinellem Lernen im Transaktionsmonitoring für die Geldwäscheerkennung bringt also zuallererst hohe Effizienzgewinne. Doch damit ist erst ein Teil des Potenzials Künstlicher Intelligenz im AML-Umfeld erschlossen. Denn Machine-Learning-Verfahren spielen ihre Stärke auf der Basis bekannter Daten und einer laufenden Nachschärfung unter menschlicher Kontrolle aus. Was die Computerprogramme allein jedoch nicht schaffen, ist die Entdeckung von neuen Mustern in den Transaktionsdaten. Fachleute sprechen hier von „Unknown Unknowns“, also Unbekannten, von denen man nicht einmal weiß, dass es sie gibt. Diese Phantome der Geldwäscheerkennung sind ein Fall für KI-Verfahren aus dem Bereich Deep Learning, wie zum Beispiel Variational Autoencoder, die in der Lage sind, große Datenströme auf Anomalien zu untersuchen. Vereinfacht gesprochen, kann man mithilfe eines solchen Deep-Learning-Algorithmus nach Abweichungen vom „Normalen“ suchen. So etwa durch den Vergleich historischer Daten einer Person mit den Daten ihrer Personengruppe (Peers). Wenn solche Abweichungen im Zeitverlauf später wieder erscheinen, unerwartet regelmäßig vorkommen oder im Fall von Bankkunden plötzlich bei lange unauffälligen Kontoinhabern auftauchen, schlägt die Software Alarm. Herkömmliche AML-Lösungen finden solche neuen Muster nicht. Für Compliance-Mitarbeitende bleiben sie in der schieren Menge von Daten und mangels sofortigen Rückgriffs auf historische Analysen ebenfalls unsichtbar. Geschulte Experten sind aber als Investigatoren am Zug, um von der KI gefundene, verdächtige Transaktionen, Kundendaten und Kontonutzungsmuster nachzuprüfen und dem Phantom auf die Schliche zu kommen. White Box KI für AML-Prozesse Bis hierhin ist deutlich geworden, dass KI-Systeme in der Geldwäsche- und Betrugsprävention von Banken große Vorteile hinsichtlich Prozesseffizienz und höherer Erkennungsraten haben. Doch wie steht es nun um die eingangs skizzierte Sorge vor einer Black Box KI? Schließlich stehen regulatorische Compliance und die einwandfreie Auditierbarkeit von AML- Prüfungen und den zugehörigen Entscheidungen über allem. An dieser Stelle ist es Zeit, einen noch recht jungen Begriff einzuführen: Explainable AI, oder auf Deutsch erklärbare KI. Das Konzept dahinter hat zum Ziel, die oben erwähnte, algorithmische Box auszuleuchten und aus ihr eine White Box zu machen. Bei erklärbarer KI geht es im Kern um Transparenz, Nachvollziehbarkeit und Verständlichkeit von KI-gestützten Entscheidungen. Und genau das verlangen die Aufsichtsbehörden im Rahmen von risikobasierten Ansätzen zur Geldwäscheprävention. Das Grundprinzip hinter erklärbarer KI im Einsatzgebiet AML ist denkbar einfach: Geschulte Compliance-Experten müssen nach Bewertung der gleichen Datenlage und Kriterien zum gleichen Ergebnis kommen wie die Software. Dazu muss die KI-gestützte Entscheidung fachlich zu 100 Prozent nachvollziehbar sein. Damit das mit moderner AML-Software gelingt, muss sie einige Voraussetzungen schaffen. Voraussetzungen für erklärbare KI Die Erklärbarkeit von Künstlicher Intelligenz beginnt beim Daten-Input. Denn um Transparenz sicherzustellen, muss den Anwendenden jederzeit klar sein, welche Datenpunkte für

02 | 2022 33 01 | Anwendungsfall Transaktionsmonitoring Die erklärbare KI zeigt, dass das Verhalten auf der Grundlage einfacher Regeln verdächtig erscheinen mag (in diesem Fall: ein Hochrisikoland). Unter Berücksichtigung zusätzlicher Faktoren stellt sich aber heraus, dass es sich um einen legitimen Anwendungsfall des „Geldsendens nach Hause“ handelt. Der Fehlalarm wurde daher automatisch geschlossen. Auto-Closed because: Pattern „Send Money Home to Family“ with a certainty of 94.0 % despite identified risk: „Country Risk“ The transaction was identified as „send money home to family“ based on the following feature importance: 9.4 8.5 8.0 Transfer amount plausible compared to regular customer income (Ratio 0.3) The country of birth of the account holder and country indicated by the ban of the counterpart are the same (Binary True) Account holding party last name includes in counter party holder name (Binary True) Quelle: Hawk AI. eine KI-basierte Datenanalyse herangezogen werden und welche Aufgabe sie im jeweils angewandten KI-Modell haben. Es muss also klar sein, welche Daten welche Aufgabe innerhalb eines KI-Modells haben. Auf AML-Prozesse angewendet, wäre zum Beispiel zu dokumentieren, wie sich Faktoren wie Dauer der Kundenbeziehung, Art der Geschäftstätigkeit eines Unternehmenskunden, Wohnort und Staatsangehörigkeit wirtschaftlich Berechtigter, die Betragsspannen und Frequenz von Zahlungsein- und -ausgängen im normalen Geschäftsbetrieb und viele weitere Faktoren auf das aktuelle Risikoprofil eines Geschäftskunden einer Bank auswirken. Nun kommt es selbst bei den historisch über weite Strecken unauffälligsten Kunden hin und wieder mal zu Abweichungen von der (ebenfalls genau dokumentier-

die bank