Aufrufe
vor 7 Monaten

KINOTE 01.2021

  • Text
  • Digitale
  • Algorithmen
  • Modelle
  • Einsatz
  • Entwicklung
  • Beispielsweise
  • Informationen
  • Intelligenz
  • Unternehmen
  • 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.

32 01 | 2021

32 01 | 2021 AML-Analysetool Graphtechnologie und KI im Kampf gegen Geldwäsche Um mit immer perfideren Methoden der Finanzkriminalität Schritt zu halten, sind Banken dazu gezwungen, ihre AML- und Compliance-Lösungen kontinuierlich weiterzuentwickeln. Graphtechnologie kann hier die nötige Flexibilität und Schnelligkeit bringen – als Datenbank für soziale Netzwerk-Analysen sowie als Plattform für Maschinelles Lernen.

01 | 2021 33 Geldwäsche ist ein globales Problem. Die UN schätzt das Volumen an illegalen Geldern auf 5 Prozent des weltweiten BIP und damit auf über 2 Bio. US­$. Die illegalen Einkünfte aus dem internationalen Drogen­, Waffen­ und Menschenhandel werden zur Terrorismusfinanzierung genutzt und über kriminelle Banden in die legale Wirtschaft eingeschleust. Schätzungen in Deutschland gehen davon aus, dass von den jährlich 100 Mrd. € an Schwarzgeld rund 30 Mrd. € in den Immobilienmarkt fließen. Banken und sogenannte Verpflichtete im Nichtfinanzsektor (Immobilienbranche, Casinos, Juweliere, Auto­ und Edelmetallhändler, Rechtsanwälte und Notare) unterliegen daher strengen Auflagen und sind dazu verpflichtet, verdächtige Transaktionen oder Geschäfte bei der Zoll­Behörde Financial Intelligence Unit (FIU) in Form von Suspicious Activity Reports (SARs) zu melden. Fehlende Transparenz Doch das ist einfacher gesagt als getan, wie das Datenleak der FinCEN Files eindrücklich belegt. Die Sicherheitsmechanismen für Anti­Money­Laundering (AML) scheinen zu versagen, wenn es darum geht, undurchsichtige Geldtransfers zu überprüfen und zu melden. Große globale Banken verarbeiten täglich Millionen von Transaktionen, an denen mehrere zehn Millionen Parteien beteiligt sind. Verschiedene Sprachen, unterschiedliche Transaktionsformate und unstrukturierte Daten machen es schwierig, Transparenz zu schaffen. Kriminelle Banden nutzen das aus und arbeiten über ein weit verzweigtes Netzwerk aus echten und falschen Identitäten, Konten und Briefkastenfirmen. Geldwäscher bedienen sich heute ausgefeilter Taktiken. Falsche Fährten werden gelegt, um verdächtige Aktivitäten zu verschleiern und Ermittler irrezuführen. Das Problem mit den Legacy-Systemen Standard­AML­ und Compliance­Lösungen können diese vielen Querverbindungen über mehrere Ebenen nicht mehr zurückverfolgen. Zwar haben in den letzten Jahren neue Technologien, darunter Künstliche Intelligenz (KI) und Machine Learning, die Automatisierung der Tools weiter vorangetrieben. Der Anteil der sogenannten False Positive Alerts ist jedoch immer noch zu groß. Die Fehlmeldungen zu vermeintlichen Betrugsfällen und illegalen Transaktionen kosten dem 01 | Intuitives Datenmodell im Graphen Konto Knoten Quelle: Neo4j. Transaktion Betrag X Konto Transaktion Betrag X Konzern eröffnet seit 2001 Kante Komplexe Netzwerke in Graphen abbilden Für soziale Netzwerkanalysen kommt daher in der Regel Graphtechnologie zum Einsatz. Das Prinzip von Graphdatenbanken ist schnell erklärt: Daten werden als Kreise (Knoten) dargestellt, die über Linien (Kanten) miteinander verbunden sind. Beiden können qualitative oder quantitative Eigenschaften zugeordnet werden (vgl. Abbildung » 1 ). Das Datenmo­ Tochterfirma Finanzsektor Milliarden und schädigen langfristig die Beziehung zum Kunden. Das grundlegende Problem der meisten AML­Ansätze: Sie basieren auf klassischen Datenbanklösungen (oft relationalen Datenbanken) und sind darauf ausgelegt, diskrete Daten zu analysieren. Damit sind sie in der Lage, statistische Ausreißer und Abweichungen innerhalb typischer Transaktionsvorgehen zu erkennen. Ein Netzwerk zeichnet sich jedoch nicht in erster Linie durch diskrete Daten aus, sondern vor allem durch die Beziehungen zwischen den Daten. Erst, wenn diese vielfältigen Zusammenhänge und Verbindungen zwischen Personen, Konten, Unternehmen und Transaktionen auch auf Datenebene des Analysetools abgebildet werden, lassen sich im Netzwerk verborgene Muster und kriminelle Strukturen aufspüren.

die bank

© die bank 2014-2020