Aufrufe
vor 6 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.

34 01 | 2021 02 |

34 01 | 2021 02 | Soziale Netzwerke einfach visualisiert dell kann über das Knoten­Kanten­Prinzip beliebig erweitert werden und so auch große und komplexe Netzwerke wirklichkeitsnah abbilden. Übertragen auf die Finanzwelt lässt sich so der Weg einer Transaktion von einem Konto zum anderen anschaulich nachzeichnen, egal wie viele Stationen oder Knoten dabei zurückgelegt werden. In dem semantischen Kontext lassen sich Strukturen erkennen, die auf den ersten, zweiten oder sogar dritten Blick nicht offensichtlich sind. Wer mit wem, wann und wie in Verbindung steht, kann dabei aufschlussreicher sein als ein Blick auf den Kontoauszug. Die übergreifenden Analysen verknüpfen Daten über Systeme hinweg und geben – unabhängig von vorab definierten Verdachtskriterien – Aufschluss über Eigentumsverhältnisse von Unternehmen oder die Infrastruktur von Geldwäschern. Gefunden werden beispielsweise Konten mit ungewöhnlich hohen Cash­Abflüssen oder Unternehmen und Personen, die als Briefkastenfirmen oder Strohmänner fungieren. » 2 Quelle: Neo4j. Schnell und Smart: Graph-Algorithmen Um solche bislang unbekannten Strukturen in großen Datensätzen automatisch zu erkennen, kommen Graph­Algorithmen zum Einsatz. Sie sind speziell auf Beziehungen ausgelegt und können so in kürzester Zeit Abfragen durchführen. Community­Detection­Algorithmen beispielsweise identifizieren auffällige Cluster. Pathfinding­Algorithmen ermitteln den kürzesten Weg zwischen zwei Knoten. Über Weakly­ Connected­ Components­Algorithmen wiederum lassen sich Objekte bestimmen, die ein gemeinsames Merkmal aufweisen (z. B. Unternehmen mit gleichem Eintrag im Handelsregister). » 3 Einer der bekanntesten Algorithmen ist PageRank, der unter anderem von Google für das Ranking seiner Suchergebnisse genutzt wird. PageRank definiert die Wichtigkeit einer Webseite über die Anzahl und den PageRanks anderer Seiten, die auf sie verweisen. Im Graphen funktioniert das ganz ähnlich: Hier zeigt der Algorithmus Knoten an, die mit besonders vielen anderen (ebenfalls wichtigen) Knoten verknüpft sind. Bei der Aufdeckung von Finanzkriminalität lassen sich so beispielsweise Kunden identifizieren, die am Ende von unzähligen Geldtransaktionen sitzen. Knoten mit einem hohen PageRank­Score erscheinen im Graphen größer und fallen somit sofort ins Auge. Es gilt: Je mehr Beziehungen, desto größer die Relevanz. Und je größer die Relevanz, desto wahrscheinlicher ist es, dass es sich bei der Person, dem Konto oder dem Unternehmen um ein loh­

01 | 2021 35 nendes Ziel für Compliance Officer handelt. Der PageRank­ Algorithmus allein liefert zwar noch keinen Beleg für Geldwäsche. Analysten erhalten jedoch wichtige Hinweise, um weitere Ermittlungen anzustellen. 03 | Drei zentrale Graph-Algorithmen Echtzeit-Monitoring von Transaktionen Die Algorithmen arbeiten dabei nahezu in Echtzeit und führen innerhalb des Knoten­Kanten­Modells mehrere Millionen Sprünge (Hops) pro Sekunde durch. Von einem beliebigen Ausgangspunkt traversieren sie entlang der Beziehungen das Finanz­Netzwerk, nehmen einen bestimmten Teilbereich des Graphen unter die Lupe und folgen verdächtigen Informationen über mehrere Ebenen hinweg. Die Performance bleibt dabei weitgehend unabhängig von der Größe und Komplexität der Gesamtmenge der Daten. Entscheidend ist lediglich die Anzahl der für eine gewünschte Abfrage relevanten, konkreten Beziehungen. Selbst komplexe Analysen benötigen so wesentlich weniger Rechnerleistung und Hardwarekapazitäten und lassen sich innerhalb weniger Sekunden statt in langsamen Batchverfahren über Nacht realisieren. Die hohe Geschwindigkeit ist im Kampf gegen Geldwäsche entscheidend. Denn der Trend zu Echtzeit­Zahlungen erlaubt nur ein minimales Zeitfenster, um Geldwäsche zu erkennen und Verdachtsfälle (SARs) an die Finanzbehörden zu melden. Zumal das schnelle Verschieben von Geldern über viele Konten unterschiedlicher Banken schon längst zum Standardrepertoire von kriminellen Banden gehört. Machine Learning für weniger False Positives Die Graph­Algorithmen haben noch einen weiteren entscheidenden Vorteil: Sie ermöglichen den Einsatz von Machine Learning und KI, indem sie prädiktive Parameter für das Fallmanagement identifizieren. Findet beispielsweise ein Community­Detection­Algorithmus ein für Geldwäsche charakteristisches Merkmal, lässt sich dieses als Knoten oder Kante im Graphen speichern. Dazu werden die Merkmale validiert und anschließend in ein Klassifizierungsmodell überführt. Es entstehen sogenannte Graph Features, die zusätzliche Regeln und Suchkriterien festlegen und bei allen weiteren Abfragen im Graphen in die Analyse einfließen. Graph Features sind sehr vielfältig und Teil von Machine­ Learning­Modellen. Dort verbessern sie nicht nur die Genauigkeit von prädiktiven Analysen. Sie helfen auch, den Anteil an Quelle: Neo4j. Centrality Algorithmen (z. B. PageRank) Pathfinding-Algorithmen (z. B. Shortest Path) Community-Detection- Algorithmen (z. B. Clustering)

die bank

© die bank 2014-2020