36 01 | 2021
36 01 | 2021 falschpositiven Alerts für verdächtige Transaktionen fortlaufend zu minimieren. Das System lernt, mit jedem neuen Graph Feature Fehlmeldungen von echten Verdachtsfällen zu unterscheiden. Gleichzeitig nutzt es das Feedback von Compliance Officern, um seinen Katalog an Suchkriterien zu spezifizieren. Das spart nicht nur Zeit, sondern auch Kosten. Je mehr Informationen der Graph umfasst, desto effektiver die AML und ComplianceTools. Neben Verhaltens und Netzwerkinformationen lassen sich externe Datenquellen hinzuziehen und Quervergleiche mit gelösten Fällen und Sanktionslisten durchführen. Auch die einzelnen Analyseschritte im Graphen selbst können als Information abgelegt und für zukünftige Abfragen herangezogen werden – ein Ausgangspunkt für Deep Learning. Das System erinnert sich an die Lösung eines Problems und wendet diese zu einem späteren Zeitpunkt auf einen anderen Verdachtsfall an. Human AI in der Cloud Im Bank und Finanzwesen wird Graphtechnologie in unterschiedlichen Bereichen eingesetzt – bei der Betrugsaufdeckung, der Ermittlung des wirtschaftlichen Eigentümers und im Rahmen von Predictive Analytics und Risikomanagement. Ein isländisches Startup entwickelte auf Basis von Graphtechnologie ein MonitoringTool, das Finanzdienstleistern eine 360GradAnsicht auf Kunden und Transaktionen ermöglicht. Die cloudbasierte Plattform setzt dabei auf sogenannte Human AI, um das Fallmanagement zu automatisieren und Geldwäsche zu stoppen. AMLRichtlinien und Verhaltensregeln sind direkt im Graphen hinterlegt. So sehen Compliance Officer bei jedem Alert nicht nur den Verdachtsfall, sondern erfahren auch, welche Art von Geldwäsche vorliegt, welche Merkmale darauf hinweisen und warum der Fall gemeldet wurde. SARs werden automatisch erstellt und um relevante Fakten und Hintergrundinformationen ergänzt, was wiederum den Ermittlungsprozess beschleunigt. Die anschauliche Visualisierung hochkomplexer Zusammenhängen tut dazu ein Übriges. Das System lernt mit jeder Interaktion und erhält fortwährend Feedback und Daten zur Feinjustierung der Algorithmen. Um die Skalierbarkeit und Performance des Graphen aufrechtzuerhalten, stellt Lucinity die Anwendung über die Cloud bereit und nutzt die CloudGraphdatenbank Neo4j Aura. Damit gewinnt das Startup nicht nur an Flexibilität, Sicherheit, Zuverlässigkeit, sondern kann auch die Kosten und den Wartungsaufwand seiner Anwendung senken. Fazit Die Kombination aus Cloud, Machine Learning und Graphtechnologie bildet die technologische Voraussetzung für Banken und Finanzdienstleister, um ihre Sorgfaltspflicht im Rahmen des Anti-Money-Laundering zu erfüllen. Graphdatenbanken ermöglichen es, selbst stark vernetzte Daten wirklichkeitsgetreu abzubilden, soziale Netzwerkanalysen durchzuführen und die inhärenten Beziehungen zwischen einzelnen Datenelementen abzufragen. Spezielle Algorithmen wiederum durchlaufen den Graphen nahezu in Echtzeit und sind in der Lage, bislang unentdeckte Strukturen und Zusammenhänge aufzudecken. Die dabei gewonnenen Erkenntnisse können zur Optimierung zukünftiger Abfragen in Machine-Learning-Modelle überführt werden. Das Ergebnis sind smarte AML- und Compliance-Lösungen, die mit der Komplexität des Finanzwesens, der hohen Geschwindigkeit im Zahlungsverkehr sowie mit den Methoden und Taktiken von Wirtschaftskriminellen Schritt halten können. Autor Dirk Möller ist seit über 20 Jahren in der ITBranche tätig. Als Area Director of Sales CEMEA beim Graphdatenbanken Anbieter Neo4j unterstützt er Unternehmen, neue DatenbankLösungen zu implementieren und große, vernetzte Datensätze zu managen und zu analysieren.
01 | 2021 37 Zweiteiliges Web-Seminar Einsatz von Machine-Learning- Algorithmen zur Prognose von Kundenverhalten in Banken 1. Teil: „Methodenvorstellung“ am Donnerstag, den 10. Juni 2021 von 14:00 bis 17:00 Uhr 2. Teil: „Praktische Übungen mit RStudio“ am Freitag, den 11. Juni 2021 von 14:00 bis 16:00 Uhr Für mehr Infos: Einfach scannen! Die praktische Anwendung der verschiedenen Machine-Learning-Algorithmen wird mit der frei verfügbaren Software R gezeigt. Hierfür werden ein Übungsdatensatz sowie vorgefertigte R- Codes bereitgestellt: Die Referenten teilen ihren Bildschirm und führen die kurzen R-Beispiele vor – eine Software-Installation oder Vorkenntnisse in R seitens der TeilnehmerInnen sind hierfür nicht erforderlich. TeilnehmerInnen, die bereits Kenntnisse in R haben bzw. damit arbeiten möchten, können live im Web-Seminar den R-Code mitausführen und nachvollziehen. Dafür ist die lokale Installation von „RStudio“ erforderlich. Die R-Beispiele helfen dabei, im Nachgang zum Web-Seminar in die Analyse eigener Daten einzusteigen. Sie schaffen ein gutes Grundverständnis dafür, wie die verschiedenen Machine- Learning-Methoden funktionieren und welchen Output sie liefern – auch dann, wenn selbst nicht mit R gearbeitet wird. Zielgruppe: MitarbeiterInnen aus Kundenbetreuung, Marketing, Risk und Fraud Prevention, die lernen möchten, mit welchen Methoden sie Kundenverhalten prognostizieren können. Es referieren: Prof. Dr. Martin Schmidberger, ING Deutschland Rene Laub, Goethe Universität Frankfurt Anmeldung und Information: per Fax: 0221-5490-315 | Tel.: 0221-5490-133 (Stefan Lödorf) | events@bank-verlag.de JETZT ANMELDEN! events@ bank-verlag.de Bank-Verlag GmbH | www.bv-events.de | @events_bv | www.ki-note.de
