28 02 | 2020 Künstliche
28 02 | 2020 Künstliche Intelligenz im Anti Financial Crime Automatisch prüfen, schneller reagieren Manchen Branchen liegt das Digitale im Blut. Während ingenieurslastige Industrien das Erheben von Daten erst aufwändig lernen müssten, bewegen Banken hingegen seit jeher Zahlungs- und damit Informationsströme. Ob einst auf Papier und Magnetbändern, dann auf Servern im Keller oder jetzt in der Cloud: Das Sammeln von Daten und das Gewinnen von Erkenntnissen ist ureigenes Bankengeschäft.
02 | 2020 29 01 | Die Wertschöpfungskette einer Bank Produktentwicklung/ -erstellung Marketing Vertrieb Transaktionsabwicklung Risikomanagement/ Steuerung Kunden- Management Quelle: adesso SE. Beste Voraussetzungen also, um von den Möglichkeiten der Künstlichen Intelligenz im Transaction Banking zu profitieren. Denn: Ohne Daten keine KI. Es bedarf Daten in ausreichender Menge, damit KI-Anwendungen ihre Stärke ausspielen. Dazu gehört das Erkennen von Mustern, Anomalien oder anderen Auffälligkeiten. Menschliche Experten kommen aufgrund der Datenmenge, der Komplexität der Zusammenhänge oder der Geschwindigkeit von Veränderungen hierbei an ihre Grenzen. KI-Anwendungen sind gerade für komplexe Sachverhalte und große Datenmengen bestens geeignet. Ein weiterer Vorteil ist das hohe Tempo – bedingt durch die zur Verfügung stehende Rechenleistung –, in dem die Systeme arbeiten können. Gerade im Banking mit seinen Prozessen im Millisekundentakt ist Schnelligkeit ein entscheidender Vorteil. Von der Produktentwicklung bis hin zum Kundenmanagement – potenzielle Einsatzgebiete für KI-Lösungen gibt es quer durch die Wertschöpfungskette einer Bank. Datengetriebene Anwendungen ermöglichen schnellere Prozesse, genauere Kundenansprachen und geringere Kosten. Sie sind Werkzeuge, die etablierte Banken im Wettbewerb mit BigTechs und Fin- Techs unterstützen. Vor diesem Hintergrund ist es für die Verantwortlichen von hoher Relevanz, sich mit den Möglichkeiten und Potenzialen von KI-Anwendungen auseinanderzusetzen. Die folgenden Ausführungen greifen ein Beispiel aus dem Bereich Risikomanagement /-steuerung auf. Hier lassen sich KI-Anwendungsfälle entwickeln, die Banken zügig umsetzen können – ein schneller Return on Investment ist somit gewährleistet. » 1 Neue Betrugsmuster überlisten Systeme Lange juristische Auseinandersetzungen, Strafen in Millionenhöhe und nachhaltige Imageschäden: Wenn die Prüfprozesse und -mechanismen einer Bank rund um Geldwäsche, Sanktionen oder Embargo versagen, können die Folgen drastisch sein. Dies ist kein Einzelfall. Der Blick in die Fachmedien zeigt, dass neue Betrugsmuster die schwer anpassbaren Systeme wieder und wieder überlisten. Gleichzeitig werden diese Themen immer bedeutsamer: Einerseits setzen die politisch Verantwortlichen Sanktionen gegen Personen, Institutionen oder Staaten häufig als Mittel ein. Andererseits arbeiten Kriminelle mit neuesten technologischen Möglichkeiten und State-of-the-Art-Verfahren, um ihre illegalen Machenschaften zu verschleiern. Entsprechend aufwändig ist das Prüfen und Bewerten von Zahlungen. Die Surveillance-Prozesse einer Bank dienen dazu, Transaktionen zu erkennen, die gegen bestehende Vorgaben verstoßen. Erschwert wird die Aufgabe durch die Masse an Transaktionen: Größere Banken haben es tagtäglich mit Millionen Buchungen zu tun, in denen sie die kritischen identifizieren müssen. Immer noch spielt das manuelle Prüfen dabei eine große Rolle. Die typischen Prozesse in einer Bank rund um Surveillance sehen folgendermaßen aus: Jede Transaktion wird auf Basis verschiedener Echtzeitprüfungen – sogenannter Controls – auf Verstöße gegen Embargo-, Sanktions- oder Geldwäschevorgaben geprüft. Dazu vergleichen die Systeme die Zahlungsinformationen mit Listen illegaler Empfänger. Ziel der Bank ist eine hohe Erkennungsquote von Verstößen – und das mit geringem Aufwand und ohne Verzögerung von Überweisungsprozessen. Im ersten Schritt prüft ein sogenanntes Anti-Financial-Crime- Screening-System die eingehenden Transaktionen. Hier kommt häufig ein proprietäres System mit einfachen Regelwerken und Texterkennungsverfahren zum Einsatz. Die Prüfung erfolgt zweistufig: Liegen keine Auffälligkeiten vor, wird die Transaktion prozessiert. Bei zurückgewiesenen (rejected) Transaktionen kommt der Mensch ins Spiel. Sogenannte True Positives werden nicht ausgeführt. Hier bestätigt sich der Verdacht durch die menschliche Prüfung. Anders bei den False Positives: Sie sind Fehlalarme. Hier erzeugen die sensiblen Filter des Systems einen unbegründeten Verdachtsfall, der – in der Regel nach einer Vier-Augen-Prüfung
