Aufrufe
vor 1 Jahr

KINOTE 02 // 2022

  • Text
  • Wwwbankverlagde
  • Insbesondere
  • Finanzdienstleister
  • Zeit
  • Banking
  • Richtlinie
  • Keywords
  • Banken
  • Intelligenz
  • Einsatz
  • Unternehmen
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 02 |

34 02 | 2022 02 | Anwendungsfall Customer Screening Die Erklärung zeigt, dass der Name der handelnden Person zwar mit einer politisch exponierten Person (PEP) übereinstimmt, weitere Faktoren wie das Geburtsdatum deuten aber darauf hin, dass es sich um eine falsch-positive Meldung handelt. Daher wurde der Fall automatisch geschlossen. Auto-Closed because: There were PEP/Sanction hits but there is clearly no date of birth overlaps between the lost hits and the parties involved. Please see some details below. Quelle: Hawk AI. ten) Norm, die einen entsprechenden Alarm auslösen können. Wenn in einem solchen Fall Compliance-Mitarbeitende die Transaktion aus fachlicher Sicht freigeben, ist das für eine Machine-Learning-KI ein Ereignis, das sie lernen lässt. Sprich, das zugrunde liegende KI-Modell verändert sich entsprechend der Entscheidung der Mitarbeiter. Beide Arten von Entscheidungen, die maschinelle wie die manuelle, müssen im Sinne der Erklärbarkeit der KI lückenlos dokumentiert werden. Denn nur, wenn auch im Nachhinein nachvollziehbar ist, weshalb sich bei einem spezifischen Bankkunden die Entscheidungsgrundlage verändert hat, ist der softwaregestützte Vorgang compliant. Eine Anti-Geldwäsche- Lösung mit Explainable AI wird deshalb vollautomatisch sehr detaillierte Audit-Trails erstellen und diese für die Dauer der regulatorischen Vorgaben speichern. Bei Veränderungen an der KI selbst werden diese auf der sogenannten Pipeline der Software festgehalten und benötigen eine explizite Freigabe durch das Compliance-Team. So entwickelt sich eine KI niemals eigenständig weiter, sondern stets unter Aufsicht. Und das aus gutem Grund, denn es wird schnell sehr komplex, wenn im Rahmen eines Audits kundenspezifische Entscheidungen nachvollzogen und dabei zugleich übergeordnete Veränderungen der algorithmischen Entscheidungsgrundlage abgeglichen werden müssen. Die Auditoren müssen erkennen können, mit welchen Daten trainiert und validiert wurde, welche Faktoren zur Modifikation des Algorithmus führten, wie diese begründet wurden, wer sie wann freigegeben hat und welche Auswirkungen sie auf die Bewertung der zu untersuchenden Transaktionen hatten.

02 | 2022 35 Dazu wird die Qualität der Modelle jeweils über technische KPIs (z. B. die Verhältnisse zwischen True und False Positives) sowie über AML-fachliche KPIs (z. B. die Anzahl offener Fälle) bewertet und jeweils mit konkreten Stichproben validiert. tigste zu minimieren und Daten wie Prozesse visuell anschaulich und sprachlich verständlich aufzubereiten. Schließlich soll eine neue Software das AML-Compliance-Team in seiner Arbeit unterstützen und nicht vor neue Rätsel stellen. Deshalb ist auch der Lernprozess des Algorithmus selbst rückverfolgbar zu dokumentieren. Diese Transparenz und das Management der Modellentwicklung über Zeit wird als Model Governance bezeichnet. Erklärbare KI wird virtuelles Team-Mitglied Angesichts des globalen Problems der Finanzkriminalität in Form von Geldwäsche und Betrug als Einnahmequellen organisierter Kriminalität Verständlich und zur Finanzierung auch ohne von terroristischen Abschluss in Gruppierungen sind Data Science Erklärbarkeit von Künstlicher Intelligenz im Kampf gegen Finanzkriminalität Fazit Finanzinstitute auch in moralischer Hinsicht in der Pflicht, die jeweils wirksamsten Mittel gegen diese Verbrechen heißt Mit dem Konzept der erklärbaren KI und seiner Um- einzusetzen. auch, dass all diese Datenpunkte, Schwellenwerte, setzung in modernen, cloud-basierten AML-Software- Plattformen sind sowohl die Technik als auch das passende Governance-Modell für ihren Einsatz marktreif. Künstliche Intelligenz kann hier wie ein Turbo wirken, der Banken Kriterien, Wahrscheinlichkeiten, Es spricht also nichts dagegen, den AML-Compliance- endlich zu mehr Tempo Modifikationen, Teams der Banken ein virtuelles Teammitglied zur Seite zu stellen. Viele europäische Großbanken haben daher und Durchschlags- kraft verhilft. Dass ihr Feedbacks und mittlerweile begonnen, solche Lösungen zu pilotieren. Einsatz von den Aufsichtsbehörden Entscheidungen nicht über teils sehr nur geduldet, sondern lange Zeiträume inzwischen in vielen hinweg und im Ländern sogar erwartet globalen Zahlungsverkehr wird, sollte Zeichen täglich genug sein, die bisherifach milliardengen Lösungen auf den auftretend, Prüfstand zu stellen. verständlich sein müssen. Niemand sollte Informatiker oder Data Scientist sein Autor müssen, um KI-Software-gestützte Entscheidungen in Transaktionsmonitoring und in der Betrugsprävention nachvollziehen zu können. Hier kommt in der Software-Entwicklung User Experience Design zum Einsatz, das hilft, die Komplexität auf das Allernö- Wolfgang Berner, Mitgründer und CTO von Hawk AI, München.

die bank