KI-Betrugserkennung im Bankwesen

Durch die Analyse großer Datensätze können KI-Modelle lernen, den Unterschied zwischen verdächtigen Aktivitäten und legitimen Transaktionen zu erkennen. Sie können dabei helfen, mögliche Betrugsrisiken zu identifizieren, um Finanzkriminalität zu verhindern – und sogar Trends erkennen, die einem menschlichen Mitarbeiter entgehen könnten.

Finanzinstitute integrieren zunehmend KI-Lösungen in neue und bestehende Workflows, um die Entscheidungsfindung, Betrugsprävention und das Risikomanagement zu verbessern. KI-gestützte Modelle für maschinelles Lernen, die anhand historischer Daten trainiert wurden, können Mustererkennung nutzen, um mögliche betrügerische Transaktionen automatisch zu erkennen und zu blockieren, bevor sie ausgeführt werden. Es kann auch erforderlich sein, dass menschliche Mitarbeiter zusätzliche Authentifizierungsschritte durchführen müssen, um eine verdächtige Transaktion zu überprüfen. KI-Technologie kann auch vorausschauende Analysen nutzen, um zu schätzen, welche Typen von Transaktionen eine Person in Zukunft durchführen könnte, und sie kann erkennen, ob ein neuer Transaktionstyp oder ein neues Transaktionsverhalten ungewöhnlich ist. 

Auf diese Weise kann KI-Fintech dazu beitragen, Einzelpersonen vor finanziellen Verlusten durch verschiedene Arten von Betrug zu schützen, darunter Phishing-Betrug, Identitätsdiebstahl, Zahlungsbetrug, Kreditkartenbetrug und andere Formen des Bankbetrugs.

KI-Betrugserkennungssysteme sind nicht perfekt, und einige Fehlalarme können sich negativ auf die Customer Experience auswirken. Die Verhinderung von Finanzdelikten durch Betrüger, die von nicht autorisierten Abbuchungen bis hin zu Geldwäsche reichen, ist jedoch von entscheidender Bedeutung, um die Sicherheit der Kundenkonten zu gewährleisten und die Einhaltung der regulatorischen Vorschriften für Finanzinstitute sicherzustellen.

Angesichts der kontinuierlichen Weiterentwicklung der KI-Technologie setzen sowohl Anbieter von KI-gestützten Betrugspräventionslösungen als auch führende Finanzinstitute darauf, dass KI zu einem noch wertvolleren Tool zur Verhinderung von Betrugsversuchen und zur Minderung von Betrugsrisiken wird.

Mithilfe von KI-Technologie können Computer ähnlich wie der menschliche Verstand autonom handeln, lernen, sich anpassen, Probleme lösen und Entscheidungen treffen. KI-Systeme sind zwar nicht unbedingt so intelligent wie ihre menschlichen Kollegen, aber wenn sie innerhalb strenger, regelbasierter Systeme arbeiten, kann eine KI, die auf bestimmte Aufgaben trainiert und fokussiert ist, menschliche Akteure bei viel höheren Geschwindigkeiten und in viel größerem Umfang erreichen oder sogar übertreffen. 

KI-Systeme, die zur Prävention von Bankbetrug eingesetzt werden, sind auf bestimmte Aufgaben genau abgestimmt. KI-Modelle werden mithilfe großer Mengen sorgfältig ausgewählter Daten in einem als überwachtes Lernen bezeichneten Prozess trainiert. Diese Methode lehrt das Modell, bestimmte Muster für bestimmte Aufgaben zu erkennen.

Im Gegensatz dazu ermöglicht das unüberwachte Lernen KI-Systemen, ohne gezielte Trainingsmaterialien Schlussfolgerungen aus früheren Daten zu ziehen.

In Szenarien mit überwachtem Lernen werden KI-Systeme anhand spezifischer Betrugsmethoden trainiert, um die Mustererkennung zu verbessern. Ein Beispiel für einen Datensatz für überwachtes Lernen könnte aus Tausenden von normalen Finanzdatensätzen bestehen, die mit identifizierten Beispielen für betrügerisches Verhalten gemischt sind, wie beispielsweise ungewöhnlich hohe Transaktionen oder Geldüberweisungen an bekannte betrügerische Adressen.

Auf diese Weise wird die KI darauf trainiert, sowohl durchschnittliche, wahrscheinlich legitime Transaktionen als auch Transaktionen, die bekannten betrügerischen Verhaltensmustern entsprechen, sehr gut zu erkennen. 

Unüberwachte Anomalieerkennungsverfahren werden eingesetzt, um Lücken zu schließen, die bei überwachten Trainingsmodellen möglicherweise bestehen. Diese Techniken ermöglichen es KI-Modellen, bisher unvorhergesehene, aber dennoch ungewöhnliche Verhaltensmuster zu erkennen. Der Einsatz von KI-Systemen mit unüberwachten Lernfunktionen kann neue Daten analysieren, um mögliche Betrugsmaschen zu erkennen, noch bevor menschliche Agenten solche Bedrohungen überhaupt bemerken. 

Durch überwachtes und unüberwachtes Lernen können Banken mithilfe von KI-Automatisierung zuvor bestätigte Betrugsmuster erkennen und Alarm auslösen, wenn unbekannte Muster auf mögliche neue betrügerische Aktivitäten hindeuten.

Eine der häufigsten Anwendungen für KI-Technologie ist der Social-Media-Chatbot, ein automatisiertes Programm, das Gespräche mit Kunden führen kann. Chatbots wie diese werden häufig im Kundenservice eingesetzt, um grundlegende Fragen zu beantworten und Informationen in Echtzeit bereitzustellen, ohne dass auf die Verfügbarkeit eines menschlichen Mitarbeiters gewartet werden muss.

Über den Kundenservice hinaus nutzt die Bankenbranche viele weitere Typen von Programmen und Software mit KI, um potenzielle Betrugsfälle zu erkennen und zu verhindern. Banken setzen KI-Systeme zur Echtzeit-Erkennung ein und beauftragen KI-fähige Programme mit der Analyse umfangreicher Transaktionen, um verdächtige Kontoaktivitäten auf vielfältige Weise zu identifizieren und zu kennzeichnen, darunter: 

• Unterstützung der Belegschaft: Mitarbeiter, die traditionelle Betrugsbekämpfungsmaßnahmen durchführen, können auf LLM-basierte KI-Assistenten zugreifen, um in natürlicher Sprache zu kommunizieren und große Datensätze abzufragen oder umfangreiche und komplexe Richtliniendokumente zu konsultieren.

• Einhaltung von Vorschriften: Banken stehen unter erheblichem Druck, die Einhaltung gesetzlicher Vorschriften sicherzustellen. KI-Programme können Banken bei der Umsetzung von Know-Your-Customer-Richtlinien (KYC) mit Computer Vision unterstützen, indem sie Identitätsnachweise auf Unstimmigkeiten oder Anzeichen von Betrug analysieren. Sie können Banken auch bei der Umsetzung von Verfahren zur Bekämpfung der Geldwäsche unterstützen, indem sie bekannte Konten oder Verhaltensweisen im Zusammenhang mit illegaler Geldwäsche melden, beispielsweise die Bewegung identischer Geldbeträge zwischen unterschiedlichen Konten. 

• Anomalieerkennung: KI-Systeme sind besonders nützlich für alle Anwendungen, die Mustererkennung erfordern. Spezifische Typen der KI, die als Graph Neural Networks (GNN) bezeichnet werden, sind für die Verarbeitung von Daten konzipiert, die als Graph dargestellt werden können, wie beispielsweise die in der Bankenbranche sehr verbreiteten Daten. GNNs sind in der Lage, Milliarden von Datensätzen zu verarbeiten, um Muster in großen Datenmengen zu erkennen und selbst komplexeste Betrugsfälle zu verfolgen und aufzudecken. 

• Risikobewertung: KI- und maschinelle Lernmodelle basieren auf gewichteten Daten, um potenziellen Maßnahmen Wahrscheinlichkeiten zuzuordnen und die genaueste Entscheidung oder Maßnahme zu bewerten. So können sie Bewertungen auf der Grundlage mehrerer Faktoren vornehmen, wie beispielsweise Transaktionsbeträge, Häufigkeit, Standort und bisheriges Verhalten, wodurch sie sich sehr gut für die Risikobestimmung eignen. KI kann das Risiko einer bestimmten Transaktion sowie das Risiko der Gewährung eines Kredits oder einer Kreditlinie an potenziell betrügerische Antragsteller ermitteln. 

• Netzwerkanalyse: Maschinelle Lernverfahren wie die Graphanalyse können eingesetzt werden, um Netzwerke potenzieller Betrüger aufzudecken, indem Beziehungen zwischen Entitäten analysiert und verdächtige Verbindungen oder Cluster identifiziert werden.

KI-Systeme läuten eine neue Ära der Betrugserkennung und Sicherheit im Bankwesen ein und bieten gegenüber herkömmlichen Methoden der Betrugserkennung erhebliche Verbesserungen. Allerdings basieren KI-Modelle auf den Erkenntnissen und Praktiken traditioneller Systeme, und traditionelle Methoden haben nach wie vor ihre Berechtigung. 

• Einfache Implementierung: Herkömmliche Techniken zur Betrugserkennung basieren auf vordefinierten, regelbasierten Ansätzen, die bewährt und einfach anzuwenden sind. Zum Beispiel können alle neuen Transaktionen markiert werden, die einen bestimmten Durchschnittswert überschreiten, der auf den Ausgabegewohnheiten eines bestimmten Kontos basiert. 

• Menschliche Intelligenz: Traditionelle Analysten für Betrugserkennung verfügen über ein gewisses Maß an Fachwissen, Intuition und Erfahrung. In bestimmten Situationen kann möglicherweise nur ein traditionell geschulter Mensch die Legitimität einer Transaktion überprüfen oder einen potenziellen Betrugsversuch erkennen. 

• Begrenzter Anwendungsbereich: Herkömmliche, regelbasierte Betrugserkennungssysteme basieren auf festen Beziehungen (z. B. wenn X, dann Y). Dieser Ansatz kann zwar effektiv sein, berücksichtigt jedoch nicht die möglicherweise umfangreichen und komplexen Wechselwirkungen zwischen vielen verschiedenen Datenpunkten. 

• Begrenzte Skalierbarkeit: Mit steigendem Transaktionsvolumen haben herkömmliche Systeme, die von Spezialisten für Betrugserkennung manuell aufgebaut und verwaltet werden, Schwierigkeiten, die täglich und stündlich wachsenden Datenmengen schnell zu verarbeiten. Die Einstellung zusätzlicher Mitarbeiter ist nicht nur kostspielig, sondern möglicherweise auch nicht ausreichend. 

• Hohe Fehlerquote: Die regelbasierten Systeme, die in herkömmlichen Betrugserkennungssystemen zum Einsatz kommen, sind in der Regel sehr starr und werden immer dann ausgelöst, wenn ein potenzieller Betrugsindikator beobachtet wird. Diese Starrheit kann eine hohe Anzahl von Fehlalarmen verursachen. Wenn beispielsweise von einem bestimmten Konto noch nie mehr als 100 USD abgehoben wurden und dann versucht wird, den doppelten Betrag abzuheben, wird die Transaktion vom System wahrscheinlich blockiert. Dieses Verhalten ist zwar ungewöhnlich, deutet jedoch nicht zwangsläufig auf Betrug hin. In dieser Situation kann es vorkommen, dass ein Kunde lediglich eine ungewöhnlich hohe Abhebung vornehmen muss. Diese Fehlalarme können unnötige Untersuchungen und Verzögerungen auslösen, die zu einer verminderten Kundenzufriedenheit führen.

• Verbesserte Mustererkennung: KI-Systeme sind hervorragend darin, riesige Datenmengen aufzunehmen, um komplexe und undurchsichtige Muster zu erkennen. Durch die Betrachtung des Gesamtzusammenhangs können KI-Systeme ungewöhnliche Aktivitäten mit höherer Genauigkeit erkennen.

• Massive Skalierbarkeit: Durch Automatisierung können KI-Systeme riesige Transaktionsmengen überwachen, die weit über die menschlichen Fähigkeiten hinausgehen. Die KI-gestützte Betrugserkennung ermöglicht Echtzeitanalysen und reagiert schneller als herkömmliche Methoden. 

• Anpassungsfähigkeit: Nach dem Training lernen KI-Algorithmen kontinuierlich weiter. Im Laufe ihrer Arbeit lernen KI-Systeme dazu, passen sich an, verbessern ihre Fähigkeiten zur Erkennung neuer Betrugstypen und steigern ihre Effizienz.

• Datenabhängig: KI-Modelle erfordern extrem große Datenmengen, um trainiert zu werden, zu lernen und sich weiterzuentwickeln. Diese Daten müssen entweder beschafft oder erstellt werden (synthetische Daten), aber auch kuratiert. Die Genauigkeit eines bestimmten KI-Modells hängt von der Qualität der Trainingsdaten ab. 

• Komplexe Implementierung: Die Integration von KI-Systemen in bestehende Systeme kann eine Herausforderung darstellen. KI-Systeme sparen zwar langfristig Kosten, erfordern jedoch unter Umständen eine hohe Anfangsinvestition. 

Seit der Einführung haben verschiedene Finanzinstitute und Banken wichtige Belege dafür gefunden, dass der Einsatz von KI zur Betrugserkennung zunehmend an Bedeutung gewinnt. Mithilfe fortschrittlicher KI-Modelle mit Langzeitgedächtnis (LSTM) konnte American Express die Betrugserkennung um 6 % verbessern. Darüber hinaus konnte PayPal seine Betrugserkennung in Echtzeit um 10 % verbessern, indem weltweit rund um die Uhr KI-Systeme eingesetzt wurden. 

In der Praxis gibt es zahlreiche Anwendungsfälle für die KI-basierte Betrugserkennung im Bankwesen, darunter die folgenden:

Als revolutionäre Technologie hat die KI-Betrugserkennung bereits jetzt erhebliche Auswirkungen auf die Bankenbranche und verfügt über ein noch größeres Potenzial. Trotz der zahlreichen Vorteile, die KI bietet, ist diese neue Technologie jedoch nicht ohne Herausforderungen.

KI-Systeme werden von Tag zu Tag besser, sind jedoch nicht unfehlbar. KI-Modelle können häufig ungenaue Ergebnisse liefern, die als Halluzinationen bezeichnet werden. Im Bankwesen können ungenaue Ergebnisse durch die Erstellung hochspezialisierter Modelle für ganz bestimmte Aufgaben gemildert werden, jedoch schränken diese Typen von Modellen den potenziellen Wert der KI ein. Halluzinationen sind zwar nicht so häufig, dass sie KI unbrauchbar machen, doch wird eine höhere Genauigkeit für die Weiterentwicklung von KI im Bereich des Schutzes vor Bankbetrug von entscheidender Bedeutung sein.

Verzerrungen in der Datenanalyse sind seit den Anfängen der Wissenschaft ein Thema und existieren bereits lange vor der Computertechnologie. Leider besteht das Problem weiterhin. Im sensiblen Bereich der Finanzdienstleistungen wurden umfangreiche Anstrengungen unternommen, um Verzerrungen und Diskriminierung bei der Kreditvergabe und beim Kontoschutz zu beseitigen. Die Beseitigung von Verzerrungen in KI-Modellen, die von potenziell voreingenommenen Technologen entwickelt wurden, ist eine entscheidende Herausforderung, die bewältigt werden muss, um Diskriminierung aufgrund von Faktoren wie Geschlecht, ethnischer Zugehörigkeit, Behinderung und Religion zu vermeiden.

Fragen der Governance im Bereich Datenschutz sind in der Bankenbranche von entscheidender Bedeutung. KI-Modelle erfordern den Zugriff auf umfangreiche Datenmengen, die auf ethische Weise beschafft und verarbeitet werden müssen. Darüber hinaus muss die Implementierung von KI sorgfältig geprüft werden, um Verstöße gegen geltende Datenschutzgesetze zu vermeiden. Mit der Weiterentwicklung dieser neuen Technologie müssen Gesetzgeber und Regulierungsbehörden möglicherweise unser derzeitiges regulatorisches Umfeld überprüfen und aktualisieren, um den Schutz der Kundendaten zu gewährleisten.