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.

42 02 | 2021

42 02 | 2021 Maschinelles Lernen als zusätzliches Überwachungsinstrument Für die Identifikation komplexer Transaktionen sowie potenzieller Geldwäscherisiken eignet sich vor allem das überwachte Machine Learning. Der Algorithmus ermittelt die Wahrscheinlichkeit, mit der es sich bei Zahlungen um auffällige Transaktionen oder Kunden handelt. Gleichzeitig ist es möglich, die getroffene Entscheidung des Algorithmus bis zu einem gewissen Grad nachzuvollziehen – eine sehr wichtige Voraussetzung für den Einsatz in der Geldwäscheprävention. Banken minimieren so das Risiko, bei einem möglichen Verdacht in Erklärungsnot zu geraten. Methoden des unüberwachten Lernens können Banken ebenfalls nutzen, beispielsweise um das Normalverhalten von Kunden zu bestimmen. Ein sogenannter Auto-Encoder, der auf Deep Learning basiert, analysiert das typische Kundenverhalten. Weicht das Verhalten plötzlich ab, schlägt der Algorithmus Alarm. Alternativ dazu gibt es Clustering-Ansätze. Diese können verwendet werden, um das Verhalten eines einzelnen Kunden mit dem der Gruppe abzugleichen, der er zugeordnet wurde. Im Optimalfall ist jeder Kunde in genau einer Gruppe enthalten. Verändert sich das Verhalten eines Kunden, sodass er ein Ausreißer im Vergleich zur Gruppe wird, bemerkt ein Algorithmus diese Auffälligkeit. Im Gegensatz zu klassischen Clustering-Ansätzen können hier auch neu dazukommende Transaktionen durch das System verarbeitet werden. Damit lassen sich Gruppenzusammensetzungen an die Veränderung der Kunden anpassen – beispielsweise, wenn sich das Bezahlen per Smartphone-App bei einer bestimmten Gruppe durchsetzt. Ein wichtiger und noch unterschätzter Teil der automatisierten Transaktionsüberwachung ist die Netzwerkanalyse: Sie bietet weitreichende Möglichkeiten, Beziehungsgeflechte anhand des Transaktionsverhaltens der Kunden zu entwirren. Mithilfe der Graphentheorie können Banken auch komplexe Beziehungen zwischen Kunden analysieren und beispielsweise die Key Player identifizieren. So ist es möglich, die direkte „Nachbarschaft“ eines Kunden zu beobachten, und Banken können das Ziel der Transaktion erkennen, selbst wenn das Geld über mehrere Konten geleitet wird. Ein kritischer Faktor ist auch hier die Datenverfügbarkeit. In der Regel ist die Sicht beschränkt auf das eigene Institut und Land. Fazit Banken sind bei der Transaktionsüberwachung an vielen Fronten gefordert. Die Institute müssen Maßnahmen planen, priorisieren und strukturieren. Gleichzeitig steigt die zu verarbeitende Datenmenge laufend an. Ein „One Size Fits All“-Konzept kann nicht die Lösung sein. An einigen Stellen reichen einfache Maßnahmen, mit denen Banken viel bewirken. Oft kann im Bereich der bereits angewandten Methoden durch eine Optimierung von Datenqualität und -strukturen eine wesentliche Verbesserung der Analysequalität erzielt werden. Stoßen Banken mit ihren bewährten Methoden an Grenzen, zum Beispiel, weil die Kombination der gefragten Informationen zu komplex ist oder der personelle Arbeitsaufwand zu groß wird, besitzen sie mit Advanced und Predictive Analytics neue Instrumente, die Abhilfe schaffen können. Den Einsatz von KI und Machine Learning sollten Banken für jeden Einzelfall abwägen. Oft sind nicht nur technische Veränderungen erforderlich, sondern auch Anpassungen der Prozesse. Darüber hinaus ist die Nachvollziehbarkeit und Transparenz im Hinblick auf die automatisch erbrachten Analyseergebnisse für eine regelkonforme und revisionssichere Geldwäsche- und Betrugsprävention ein wichtiges Erfordernis. Es ist nicht zu erwarten, dass KI und Machine Learning kurzfristig etablierte Methoden vollständig ersetzen. Doch der Druck, sich die neuen Methoden anzueignen, wächst – sowohl regulatorisch als auch wirtschaftlich. Autorinnen Christiane Ginsel ist Associate Manager im Geschäftsbereich Banking von Sopra Steria Consulting und Expertin für Geldwäsche- und Betrugsprävention. Yvonne Awaloff, Bioinformatikerin, war zum Zeitpunkt der Erstellung des Beitrags Beraterin im Bereich KI bei Sopra Steria. Mittlerweile arbeitet sie als Data Scientist bei der Allianz. Dieser Beitrag erschien zuerst in „die bank” Nr. 1 // 2019.

#ZVZUKUNFT2022 16. FEBRUAR 2022 SAVE THE DATE ZAHLUNGSVERKEHR DER ZUKUNFT 2022 Im Spannungsfeld zwischen politischen, volkswirtschaftlichen sowie technolo gischen Entwicklungen und Entscheidungen steht der Zahlungsverkehr von Geschäftsbanken in einem sich rasch wandelnden Marktumfeld vor großen Heraus forderungen. Jetzt gilt es, Chancen zu erkennen und zu nutzen. Um möglichst vielen der aktuell wichtigen Themen gerecht zu werden, fi ndet unsere Fachtagung „Zahlungsverkehr der Zukunft 2022“ nicht nur am Mittwoch, 16. Februar 2022 im RheinEnergieSTADION Köln (2G- Regelung) statt, sondern wird fl ankiert von Podcasts und Web-Seminaren. Seien Sie gespannt! Weitere Informationen fi nden Sie in Kürze auf: www.bv-events.de/event/zahlungsverkehr-der-zukunft-2022 Wir freuen uns auf Sie! Anmeldung und Information: per Fax: 0221-5490-315 | Tel.: 0221-5490-133 (Stefan Lödorf) | events@bank-verlag.de Bank-Verlag GmbH | www.bv-events.de | @events_bv

die bank

© die bank 2014-2020