by  Anton Vaisburd

KI-Kapitalisierung für sichereres Banking

Betrugserkennungslösungen, die auf Systemen mit künstlicher Intelligenz (KI) und maschinellem Lernen (ML) basieren, können die Sicherheit im gesamten Bankensektor erheblich verbessern. Durch die Erhöhung der Genauigkeit von Warnungen vor betrügerischen Aktivitäten verringern Banken die mit Sicherheitsverletzungen verbundene Zeit und die damit verbundenen Kosten erheblich und sichern die Glaubwürdigkeit der Marke.

Da die weltweiten Bankgeschäfte weiter zunehmen, steigt auch die Gefahr von Online-Betrug. Laut UK Finance verhinderten im Jahr 2018 fortschrittliche Sicherheitssysteme für die britische Bankenbranche nicht autorisierten Betrug im Wert von mehr als 1,6 Mrd. GBP (2,04 Mrd. USD). Trotzdem wurden 1,2 Mrd. GBP (1,53 Mrd. USD) durch betrügerische Aktivitäten gestohlen. Online-Betrug macht einen großen Teil der Cyberkriminellen aus, die jedes Jahr 600 Milliarden US-Dollar aus der Weltwirtschaft abziehen.

KI/ML-basierte Betrugserkennungssysteme funktionieren am besten, wenn sie von einem Menschen trainiert werden und auf ähnliche Weise wie ein Mensch geschult werden – mit Informationen und Demonstrationen, was zu tun ist und was nicht. KI/ML-Lösungen lernen jedoch skalierbarer als menschliche Gegenstücke. Durch die Aufnahme kontinuierlicher Datenmengen übernehmen und erkennen KI/ML-fähige Betrugserkennungssysteme neue Muster und Arten von Betrug. Je automatisierter ein Betrugserkennungssystem ist, desto höher ist die Qualität der benötigten Daten, da das System verschiedene Arten der Datenübertragung über genau konzipierte Datenpipelines erkennt und mit diesen vertraut ist.

Schauen wir uns einige Möglichkeiten an, wie Banken KI/ML-basierte Technologien einsetzen können, um Betrug zu verhindern.

Anomalie-Erkennung

Die auf Anomalien basierende Betrugserkennung ist die häufigste Art und Grundlage für die Betrugserkennung. Diese Art von intelligentem Modell erfordert einen ML-basierten Algorithmus, um den kontinuierlichen Strom eingehender Transaktionsdaten zu verfolgen. Es ist so programmiert, dass es genau so funktioniert wie ein Mensch, wenn er Bankgeschäfte, Hypothekendarlehen und mehr durchführt. Viele Bankanwendungen erfordern die Verwendung von Anomalieerkennung. KI-basierte Algorithmen können ungewöhnliche Aktivitäten erkennen, indem sie die Nutzung des Kunden in Echtzeit überwachen und nach Abweichungen von früheren Nutzungsmustern suchen.

fs-anomaly-detection

Das ML-basierte Algorithmusmodell ist mit einem Alarmsystem programmiert, um Abweichungen vom „normalen“ Muster sofort der Bank mitzuteilen. Wird ein Betrug festgestellt, lehnt das System den Antrag automatisch ab und benachrichtigt das Bankpersonal in Echtzeit über eine App. Das ML-basierte Modell wird anhand von Beobachtungen zu Kaufmustern trainiert, um zu „verstehen“, ob die festgestellte Abweichung betrügerisch ist oder nicht, und zwar in großem Maßstab. Solche KI-fähigen Anwendungen haben Visa Inc. geholfen, einen geschätzten jährlichen Betrug von 25 Milliarden US-Dollar zu verhindern, teilte das Unternehmen im Juni 2019 mit.

Prädiktive Analytik

Prädiktive Analytik bietet ein zusätzliches Maß an Raffinesse durch die Erkennung von Anomalien. ML-basierte Betrugserkennungsmodelle können zur Entwicklung von Prädiktiver Analytik-Software verwendet werden, um Daten mit einem vorab trainierten ML-basierten Algorithmus zu analysieren.

fs-predictive-analytics

Datenexperten in Banken bezeichnen große Transaktionsvolumina als betrügerisch oder echt und führen diese Transaktionen aus, um das ML-Modell zu trainieren. Das Modell verwendet diese Informationen, um betrügerische Transaktionen schnell zu erkennen.

Beispielsweise kann eine betrügerische Transaktionswarnung für ein Produkt oder eine Dienstleistung ausgegeben werden, die ein Kunde online gekauft hat, basierend auf den Kaufmustern und Standortdaten des Kunden. Das System kann einen Artikel kennzeichnen, der noch nie zuvor gekauft wurde, was an sich möglicherweise keinen Hinweis auf Betrug darstellt. Die KI/ML-Lösung überprüft jedoch auch den Standort eines Kunden, der über Geostandortdaten bereitgestellt wird, mit dem Kaufort, um die Wahrscheinlichkeit von Betrug zu bestimmen.

Prädiktive Analytik kann auch verwendet werden, um zu verhindern, dass Aktivitäten Transaktionen fälschlicherweise als betrügerisch markieren. Über seine Plattformen Decision Intelligence und KI Express nutzte MasterCard prädiktive Analytik mit ML, um die Rate der Transaktionen, die fälschlicherweise als betrügerisch gekennzeichnet wurden, um 50 Prozent zu senken und mehr Betrug zu verhindern. Decision Intelligence verwendet ausgeklügelte KI/ML-Algorithmen, um jede Transaktion zu messen, zu bewerten, daraus zu lernen und dem Kartenaussteller einen prädiktiven Score bereitzustellen. Das Scoring basiert auf einer intelligenten Analyse umfangreicher Verhaltensmuster in Kombination mit einer spezifischen Kontonutzung (Ort, Zeit und Art des Einkaufs), um betrügerische Aktivitäten wirklich zu identifizieren.

Prädiktive Analytik-basierte Betrugserkennungssoftware wird zum Erkennen von Betrug auf mehreren interaktiven Geräten verwendet. Hierbei kann es sich um Zahlungsvorgänge für Online-Einkäufe und zum Erkennen eines anormalen Benutzerverhaltens innerhalb von Banking-Apps unter Verwendung von Geostandortdaten handeln.

Genaue Datenanalyse

Dieser risikobasierte Analyseansatz verbessert die Betrugserkennung, indem komplexe und verborgene Muster erkannt werden. Algorithmische KI/ML-Modelle sind am effektivsten bei höherer Verfügbarkeit und zugänglichen Daten. Die Komplexität der von AI/ML-Algorithmen erkannten betrügerischen Aktivitäten verbessert sich mit der Datenmenge. Je mehr Informationen das ML-Modell als Quelle hat, desto besser können die Unterschiede, Muster und Ähnlichkeiten zwischen mehreren Datenverhalten ermittelt werden.

fs-data-analysis

KI-basierte Betrugsbekämpfungstechnologien berücksichtigen viele Datenpunkte, um nicht nur eine betrügerische Transaktion zu lokalisieren, sondern auch zu erklären, warum das Konto eines Kunden möglicherweise betrügerisch kompromittiert wurde. Zu den von KI/ML-Algorithmen berücksichtigten Faktoren gehören der Kundenstandort und wichtige kontextbezogene Datenpunkte jeder Transaktion, um nur einige zu nennen.

ML/KI-Algorithmen können Echtzeit- und historische Banktransaktionen verarbeiten, um echte Transaktionen von betrügerischen zu trennen oder zu blockieren, ohne das Kundenerlebnis zu beeinträchtigen. Dieser automatisierte Prozess kann für Banken skalierbarer werden, da KI/ML-Algorithmen die verfügbaren Daten genauer analysieren können, um den zukünftigen Status vorherzusagen, wenn Informationen aus neuen Transaktionen erfasst werden.

Um mehr über die Vorteile von KI/ML zu erfahren, lesen Sie unser Whitepaper „Transformation von Kundenbankerfahrungen mit KI“.

PDF downloaden