Aufrufe
vor 4 Monaten

KINOTE 02.2019

  • Text
  • Zukunft
  • Deutlich
  • Deutsche
  • Insbesondere
  • Deutschland
  • Modell
  • Intelligenz
  • Banken
  • 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.

44 02 | 2019 Das Risiko

44 02 | 2019 Das Risiko für Banken und andere Finanzdienstleister, von kriminellen Organisationen missbraucht zu werden, ist so hoch wie noch nie. Nach Schätzungen der europäischen Polizeibehörde Europol werden in der Europäischen Union jährlich 120 Mrd. € schmutzige Gelder gewaschen. Neben der Veruntreuung von Kapital oder verdeckter Terrorfinanzierung fallen dabei vor allem Delikte ins Gewicht, mit denen Unternehmen in betrügerischer Absicht ihre Bilanzen schönen: Steuerhinterziehung, Wettbewerbs- und Zinsmanipulation oder Bestechung. Solche Vergehen werden inzwischen international scharf reguliert. Außer drakonischen Strafzahlungen drohen Managementhaftung und Reputationsverluste. Auch die Einhaltung politisch motivierter Sanktionen oder Embargos ist eine Herausforderung für den Finanzsektor. Bei der Bewältigung dieser komplexen Aufgabe kann künftig der Einsatz von Künstlicher Intelligenz (KI) den Compliance- Verantwortlichen wertvolle Hilfe leisten. Im Gegensatz zu klassischen Filtersystemen, bei denen Experten dem Computer für die Erkennung von Geldwäsche Regeln auf Basis bekannter Muster vorgeben, lernt ein KI-gestütztes Computersystem ähnlich wie der Mensch anhand von Beispieldaten, komplexe Probleme zu lösen. Nur selten sind Betrug oder Geldwäsche eindeutig zu identifizieren – und daher auch nicht über ein einfaches Regelwerk abbildbar. Dagegen können digitale Trial & Error-Prozesse wertvolle Erkenntnisse oder zumindest Anhaltspunkte für Unregelmäßigkeiten liefern. Laut einer Untersuchung von Autonomous Research setzen im Finanzdienstleistungssektor der USA bereits 2,5 Millionen Angestellte KI-Technologie im Front-, Middle- oder Backoffice- Bereich ein. Dies überrascht nicht, denn Banken arbeiten mit enormen Datenmengen, die sich hervorragend für computergestützte Analysen eignen. Mit KI-Unterstützung wird es sogar möglich, die Absicht zur Ausführung von Geldwäscheaktivitäten oder Terrorfinanzierung zu entdecken, bevor es zu kriminellen Handlungen kommt. Derzeitige Verfahren sind unflexibel und ineffizient Momentan arbeitet die Finanzbranche bei der Enttarnung professioneller Betrüger in weiten Teilen mit regelbasierten Verfahren, die als kostenintensiv und schwerfällig gelten. Damit diese mit dem immer raffinierteren Vorgehen von Betrügern Schritt halten können, muss ein hoher Aufwand betrieben werden. Allein die Banken in Deutschland geben jährlich umgerechnet mehr als 46 Mrd. US-$ für Compliance­ Prozesse aus, die Geldwäsche verhindern sollen. Dennoch muss die Branche bei ihrem Kampf gegen Kriminelle mit hohen False-Positive-Raten leben, was einen immensen Personalaufwand bedeutet und die ohnehin schon angespannte Finanzlage der Kreditinstitute weiter verschärft. Hinzu kommt, dass zahlreiche Geldwäscher durch externe Mechanismen oder Prozesse erkannt werden, und die bankeneigenen Monitoring-Systeme häufiger für Analysen oder Auskünfte eingesetzt werden, die auf Erfahrung basieren, als für die Prävention krimineller Transaktionen. Neuartige Vorhersageverfahren An diesem Punkt setzen KI-Verfahren an, die sich beispielsweise auch für semantische Textanalysen wie die Extraktion von Kennzahlen aus Geschäftsberichten eignen. Das größte Potenzial im Compliance-Umfeld verspricht die Mustererkennung, mit der sich Auffälligkeiten im Geschäftsablauf identifizieren lassen. Dazu werden Kunden, hinter denen Geldwäsche-Szenarien vermutet werden und die ein ähnliches Verhalten zeigen, in digitale Cluster gruppiert. Ein weiteres vielversprechendes Einsatzgebiet ist das Alerts-Management: Mitarbeiter, die entsprechende Auffälligkeiten im Geschäftsablauf bewerten, werden durch ein KI-basiertes System entlastet, sodass sie sich auf die wesentlichen Fälle konzentrieren können. Im dritten Schritt wird dann die regelbasierte Alerts-Generierung von einer lernfähigen KI-Variante übernommen. Mit diesem Vorgehen lässt sich die Zahl der kritischen Vorgänge, die noch manuell bearbeitet werden müssen, um bis zu 80 Prozent reduzieren.

02 | 2019 45 Zur Plausibilitätsprüfung oder Vorhersage von Ereignissen werden in Unternehmen zunehmend maschinelle Lernverfahren wie Predictive Analytics verwendet. Für den Einsatz in der Compliance bieten sich vor allem die Bereiche Fraud Prevention, Anti-Abuse und Credit Scoring an. Dabei empfiehlt sich folgende Vorgehensweise: Zunächst werden anhand des vorhandenen Datenmaterials aussagekräftige Rechenmodelle erstellt, mit denen die Höhe der künftigen Transaktionen vorhersagbar wird. Transaktionen, die deutlich von dieser Prognose abweichen, werden markiert. Dadurch lassen sich Auffälligkeiten rechtzeitig identifizieren und Fehler eliminieren. Fazit Finanzunternehmen, die auf Machine Learning setzen, können mit breiter Zustimmung rechnen: Laut einer Umfrage des Digitalverbands Bitkom würden es neun von zehn Bundesbürgern begrüßen, wenn die Bekämpfung der Finanzkriminalität mit Künstlicher Intelligenz verbessert wird. Darüber hinaus bleibt jedem Bankenmitarbeiter, der sich nicht ständig mit komplexen Compliance-Aufgaben beschäftigen muss, mehr Zeit für das Relation Management – ein wichtiger Wettbewerbsvorteil gegenüber digitalen Marktplayern im Kampf um den Kunden. Hybrid-Modelle erfüllen die BaFin- Vorgaben Die Bundesanstalt für Finanzdienstleistungsaufsicht (BaFin) verlangt in ihrem Positionspapier zum Thema Big Data und KI-Compliance, dass Entscheidungen, die mit Künstlicher Intelligenz zustande kommen, jederzeit erklärbar, nachvollziehbar und reproduzierbar sein müssen. Deshalb sollten Entscheider zunächst auf ein Hybrid-Modell aus regelbasierten und KI-unterstützten Verfahren setzen. Ein interessantes Anwendungsfeld ist zudem die automatische Verarbeitung standardisierter Prozesse. Hier sind insbesondere bei Embargo- und Sanktionsprüfungen erhebliche Kosteneinsparungen realisierbar. Welche Voraussetzungen müssen Banken erfüllen, damit sie intelligente Compliance-Tools einsetzen können? Eine grundsätzliche Erfordernis sind Daten von hochwertiger Qualität, mit denen ein KI-System trainiert werden kann. Dabei muss nicht jeder IT-Mitarbeiter im Unternehmen in der Lage sein, die Technik zu beherrschen. In den meisten Fällen macht es Sinn, nach einem Technologiepartner mit KI- Expertise Ausschau zu halten, der auch eine eigene Entwicklungsplattform für entsprechende Anwendungen bereithält. Somit kann der Kunde von Beginn an produktiv mit der neuen Lösung arbeiten. Autor Dr. Steffen Gutjahr, Head of Compliance Solutions bei der targens GmbH, Stuttgart. Quelle: Studie von Autonomous Research – „Augmented Finance & Machine Intelligence“: https://next.autonomous.com/augmented-finance-machine-intelligence.

die bank

diebank 01 // 2020
die bank 02 // 2020
die bank 03 // 2020
die bank 01 // 2019
die bank 02 // 2019
die bank 03 // 2019
die bank 04 // 2019
die bank 05 // 2019
KINOTE 01.2019
die bank 06 // 2019
diebank 07 // 2019
diebank 08 // 2019
diebank 09 // 2019
diebank 10 // 2019
KINOTE 02.2019
die bank 01 // 2018
die bank 02 // 2018
die bank 03 // 2018
die bank 04 // 2018
die bank 05 // 2018
die bank 06 // 2018
die bank 07 // 2018
die bank 08 // 2018
die bank 09 // 2018
die bank 10 // 2018
die bank 01 // 2017
die bank 02 // 2017
die bank 03 // 2017
die Bank 04 // 2017
die bank 05 // 2017
die bank 06 // 2017
die bank 07 // 2017
die bank 08 // 2017
die Bank 09 // 2017
die bank 10 // 2017
die bank 01 // 2016
die bank 02 // 2016
die bank 03 // 2016
die bank 04 // 2016
die bank 05 // 2016
die bank 06 // 2016
die bank 07 // 2016
die bank 08 // 2016
die bank 09 // 2016
die bank 10 // 2016
die bank 11 // 2016
die bank 12 // 2016
die bank 01 // 2015
die bank 02 // 2015
die bank 03 // 2015
die bank 04 // 2015
die bank 05 // 2015
die bank 06 // 2015
die bank 07 // 2015
die bank 08 // 2015
die bank 09 // 2015
die bank 10 // 2015
die bank 11 // 2015
die bank 12 // 2015

© die bank 2014-2020