Aufrufe
vor 11 Monaten

KINOTE 02.2021

  • Text
  • Wwwbankverlagde
  • Effizienz
  • Unternehmen
  • Roboter
  • Prozesse
  • Einsatz
  • Beispielsweise
  • Automatisierung
  • Treffer
  • Transaktionen
  • Banken
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 | 2021 01 |

30 02 | 2021 01 | Prüfkriterien eines Payment-Screening-Systems Zahlungen ex ante Sanktionslisten- Einträge ATTRIBUTE Z. B.: DIVERSE LISTEN Z. B.: Konto Name Adresse Empfänger/ Auftraggeber Vergleiche Personenlisten Vorname, Nachname Firmenname Aliasse Alternative Schreibweisen BIC Adresse Land Banken Ausnahmen White-List Länderlisten Land Richtung Betragsgrenze Buchungstext Keyword-Listen Abklärung Wird ein Treffer gefunden, kommt es zu einem Stopp der Zahlung, bis die Abklärung durchgeführt wurde. Quelle: ACTICO GmbH.

02 | 2021 31 Auch die Anforderungen an die Performance einer komplexeren Prüflogik, die besser zwischen True Positives und False Positives unterscheiden kann, steigen in einem Realtime-Performance-Umfeld. Ein Payment-Screening-System muss also so eingestellt sein, dass es möglichst nur die wirklichen Risiken findet und so wenige sogenannte False-Positive-Treffer wie möglich produziert. Die VP Bank setzt auf Fuzzy Payment Screening Ein aktuelles Beispiel ist die VP Bank Gruppe. Die international tätige Privatbank hat kürzlich ihr Payment Screening auf fuzzy umgestellt und setzt damit auf die Unterstützung von Machine-Learning-Verfahren. Das Projektteam, bestehend aus Mitarbeitenden der Compliance-Abteilung, des Zahlungsverkehrs und der IT, hat sich intensiv mit der Kalibrierung und dem Testing des neuen Payment-Screening-Systems auseinandergesetzt. Das Projektteam bei der VP Bank Gruppe hat sich intensiv damit beschäftigt, Effektivität und Effizienz in eine gute Balance zu bringen. Das bedeutet konkret, 1. möglichst alle risikobehafteten Transaktionen zu finden (Effektivität), 2. möglichst wenige Transaktionen zu finden, die sich bei näherer Betrachtung als risikofrei herausstellen (Effizienz). Das Projektteam ist wie folgt vorgegangen: ■ Implementierung eines neuen Software-Systems auf der Basis von Machine Learning mit dem Ziel, die exakte Suche durch eine unscharfe Suche (Fuzzy Matching) zu ersetzen ■ Überprüfung der Effektivität durch ein externes Beratungsunternehmen ■ Kalibrierung des Systems mittels Effizienztests auf Basis historischer Transaktionsdaten der Bank ■ Kontinuierliche Verbesserung der Trefferquote im laufenden Betrieb Das ist das Ergebnis nach der siebenmonatigen Projektphase: ■ Signifikante Erhöhung der Trefferqualität ■ Reduzierung auf 50 Prozent des Arbeitsaufwands Machine-Learning-Methoden führen zu einem Optimum an Effektivität und Effizienz Die Basis der von der VP Bank eingeführten Software bildet ein neu entwickeltes Machine-Learning-Modell, das verschiedenste Vergleichsalgorithmen intelligent kombiniert. Machine Learning ist eine Form von Künstlicher Intelligenz (KI), bei der das System aus einem Set von Trainingsdaten ein statistisches Modell erzeugt. Dieses Modell ist in der Lage, aus den Trainingsdaten gelernte Gesetzmäßigkeiten auf unbekannte Daten anzuwenden. Beim Payment Screening übernimmt das Modell die Entscheidung, ob es sich um eine risikobehaftete Transaktion handelt, die einer genaueren Untersuchung bedarf, oder ob die Transaktion als unbedenklich eingestuft werden kann. Durch ge zieltes Training lässt sich ein Modell immer weiter optimieren. Deshalb ist Fuzzy Matching in Kombination mit Machine Learning die bestmögliche Lösung für den oben beschriebenen Zielkonflikt. Das Ziel bei der Einführung eines Machine-Learning-Modells bei der Zahlungsüberwachung ist, unscharfe Treffer (Fuzzy Matching) besser zu finden, ohne überproportional mehr Abklärungen auszulösen. Kombination verschiedener Vergleichsalgorithmen erhöht die Effektivität Es existiert bereits eine Reihe verschiedener Algorithmen, um die Anforderungen eines Fuzzy Matching zu erfüllen. Diese Algorithmen können anhand unterschiedlicher Kriterien die Ähnlichkeit von zwei Zeichenketten bestimmen. Man differenziert dabei im Wesentlichen zwischen zwei Arten von Algorithmen. 1. Phonetische Algorithmen untersuchen, ob zwei Wörter einen ähnlichen Klang haben, sich also phonetisch ähneln. Ein Beispiel hierfür ist der Double-Metaphone-Algorithmus.

die bank

© die bank 2014-2020