Teams für Finanzkriminalität innerhalb von Finanzinstituten stehen vor einer schwierigen Aufgabe. Sie müssen nicht nur Milliarden von Transaktionen genau überwachen und überprüfen, sondern auch ein hervorragendes Kundenerlebnis bieten und die sich ständig ändernden Gesetze und Vorschriften einhalten. Der Einsatz von Künstlicher Intelligenz wird seit einiger Zeit als Möglichkeit diskutiert, Abhilfe zu schaffen, aber wie lässt sich dies in der Praxis erreichen?

Ruben Velstra (Head of Financial Economic Crime) und Michel Witte (Senior Managing Consultant) arbeiten beide für das Finanzdienstleistungs-Beratungsunternehmen Delta Capita. Die Herren setzen sich für den Einsatz von Künstlicher Intelligenz (KI) im Kampf gegen Finanzkriminalität ein.

Denn ihnen zufolge kann die KI-Technologie – und insbesondere das maschinelle Lernen – eine Lösung für die verschiedenen Herausforderungen bieten, mit denen diese Finanzteams konfrontiert sind. Denken Sie zum Beispiel an die vielen betrieblichen Herausforderungen wie Personalmangel, ineffiziente Prozesse und Arbeitsabläufe sowie veraltete Technologien. „Die Automatisierung bietet verschiedene Möglichkeiten für Positionen im Zusammenhang mit Finanzkriminalität“, führt Velstra ein.

„Nehmen Sie das Beispiel des Segments Anti-Geldwäsche“, fährt er fort. „KI-Lösungen können die Produktivität verbessern, indem sie riskante Situationen, die menschliches Eingreifen erfordern, viel genauer identifizieren als aktuelle regelbasierte Modelle und zum Beispiel auch versteckte Risiken erkennen.

Dies ist laut Experten jedoch leichter gesagt als getan, da die Anwendung von KI in der Praxis noch in den Kinderschuhen steckt. „Es ist wirklich immer noch eine Nische, die hauptsächlich von echten Technikbegeisterten vorangetrieben wird“, fügt Witte hinzu. „Das liegt vor allem an den verschiedenen Herausforderungen, denen sich die Teams auf ihrem Weg stellen müssen.“

Laut dem Paar lassen sich die größten Herausforderungen in drei Gruppen einteilen: „Fähigkeiten“; „Datenqualität und -verfügbarkeit“; und „Transparenz und Verständnis“.

Fähigkeiten

„Für die Einführung von KI neigen Finanzinstitute dazu, externe Spezialisten einzustellen – Data-Science-Experten oder Spezialisten für interne Rating-basierte Modelle – die nicht immer Erfahrung im Umgang mit KI haben“, bemerkte Witte.

KI-Fähigkeiten sind laut Witte längst nicht mehr ausschließlich sogenannten „Zahlenfressern“ und „Datenzauberern“ vorbehalten. „Immer mehr Menschen können Analysen selbstständig anwenden, ohne auf komplexe Techniken zurückgreifen zu müssen. Algorithmen werden zunehmend automatisch generiert, wodurch sich das erforderliche Fachwissen verändert.

Voraussetzung, um dieses Problem als Finanzinstitut selbst anzugehen, ist laut Witte, dass Unternehmen diese Fähigkeiten mit ihren eigenen Mitarbeitern trainieren müssen, damit sie in der Lage sind, „die Ergebnisse richtig zu verstehen und zu interpretieren“.

Die Rekrutierung und Suche der richtigen Mitarbeiter für den effektiven Einsatz von KI-Technologie ist jedoch eine erhebliche Hürde. Organisationen müssen jedoch nach dem richtigen zusätzlichen Fachwissen suchen, damit sie in ihren Teams über die richtige Mischung aus technischem und finanziellem Fachwissen verfügen.

„Der Umgang mit Warnungen oder Signalen von KI-Systemen erfordert auch unterschiedliche Perspektiven für Betriebsanalysten“, fügt Velstra hinzu. „Regelbasierte Systeme haben oft ‚Schwarz-Weiß‘-Entscheidungsprozesse. Der Einsatz von KI zur Analyse des Kundenverhaltens erfordert jedoch einen proaktiveren, risikobasierteren und fokussierteren Ansatz für den Kunden – sowie ein größeres professionelles Urteilsvermögen.“

Zuverlässige Dateneingabe

Wie bei vielen Computersystemen gilt „Garbage in = Garbage out“. Mit anderen Worten: Fehlerhafte oder unsinnige Eingabedaten führen zu qualitativ schlechter Ausgabe. Daher obliegt es den Finanzinstituten, wenn sie über fortgeschrittene KI-Systeme verfügen, einen konstanten Fluss zuverlässiger Daten sicherzustellen. Ein solcher qualitativer Datenstandard fehle jedoch oft noch, so Witte.

„Finanzinstitute haben Mühe, alle Kundendaten auf dem neuesten Stand zu halten“, fährt er fort. „Und Kundendaten werden oft in internen Systemen dupliziert oder in Silos gespeichert. Wenn die Informationen beispielsweise um isolierte Produktlinien herum strukturiert sind, kann es schwierig sein, die Daten automatisch und ganzheitlich zu analysieren. »

„Jetzt ist es an der Zeit, die Vorteile der künstlichen Intelligenz zu nutzen.“

Wichtig sei, so Velstra, dass die Institutionen „auf ihren Kapazitäten aufbauen“, im Hinblick auf die „Fähigkeit, die Daten richtig zu interpretieren“ und im Hinblick auf die „Transparenz der Daten“. Denn dass Maschinen zuverlässige Dateneingaben richtig verarbeiten können, ist nur eine Seite der Medaille. „Wenn diese qualitativen Daten von den Mitarbeitern nicht richtig verstanden oder interpretiert werden, sind sie immer wertlos“, sagt Velstra.

Und dieser Mangel an Interpretation kann Unternehmen daran hindern, sich ändernde Gesetze und Vorschriften mit allen daraus resultierenden Konsequenzen ordnungsgemäß einzuhalten.

Transparenz und Verständnis

„Der Einsatz von KI in der Finanzkriminalität ist immer wieder umstritten. Sicherlich, ob sie eher als Alternative denn als Ergänzung zu traditionellen Methoden eingesetzt wird. Der jüngste Rechtsstreit zwischen Bunq und DNB zeigt deutlich dieses Spannungsfeld Es ist wichtig zu betonen, dass die Daten und Analysemodelle auf ethische Weise verwendet werden. Die Institutionen müssen sich darüber im Klaren sein, dass die Daten „Bias“ (Vorurteile) enthalten können“, sagt Velstra.

„In diesem Fall müssten sie die automatische Entscheidungsfindung neu konfigurieren, damit die Zuhörer es sehen könnten. Außerdem wären vorläufige manuelle Schutzmaßnahmen oder strenge Tests erforderlich.

Velstra nennt ein aktuelles Beispiel einer deutschen Bank, die versehentlich die Konten von Hunderten von Kunden gesperrt hat, nachdem die Bank ihre automatischen Kontrollen verschärft hatte. Der daraus resultierende Reputationsschaden verdeutlicht die potenziellen Risiken, wenn die oben genannten Punkte nicht angemessen adressiert werden.

Die Auswahl der richtigen Anwendungsfälle für den Einstieg ist daher entscheidend, um das Vertrauen aufzubauen, diese Technik in größerem Umfang einzusetzen. Velstra und Witte beschreiben verschiedene Praxisbeispiele, die derzeit in der Branche erforscht werden. Wie die Verwendung von KI in der Handelsüberwachung, um Signale basierend auf regelbasierten Szenarien automatisch zu klassifizieren oder zu priorisieren; Erkennung wesentlicher falscher Angaben – Generierung von Signalen für ein bestimmtes Risiko, das bestehende Regeln nicht ohne weiteres erkennen können; und erhöhen Sie die Effektivität des Namensabgleichs bei der Sanktionsprüfung.

Das richtige Gleichgewicht

Velstra und Witte argumentieren, dass der erste Schritt zur Bewältigung all dieser Herausforderungen darin besteht, Daten sowohl als Herausforderung als auch als Chance zu betrachten. Die zugrunde liegenden Probleme sollten nicht nur aus der Perspektive der Finanzkriminalität angegangen werden, sondern aus einer viel breiteren Perspektive.

„Unternehmensinitiativen können beispielsweise von kundenorientierten Datenstrukturen profitieren“, ergänzt Witte. „Institutionen sollten Informationen transparent aktualisieren, indem sie sie mit offiziellen öffentlichen Quellen wie Handelskammern verknüpfen; und fordert Kunden regelmäßig auf, ihre Daten zu validieren.

Darüber hinaus warnt Velstra, dass Institutionen „die Entscheidung, KI-Technologie zu entwickeln oder zu kaufen, immer sorgfältig abwägen sollten“. Auch wenn es verlockend sein mag, ein eigenes KI-System zu haben (und damit Zwischenhändler zu eliminieren), sind nicht alle Unternehmen in der Lage, spezialisierte Teams für die Durchführung eines solchen Projekts zusammenzustellen. In diesem Fall stehen „wirksame und engagierte Dritte zur Verfügung“, die dann ebenfalls eingesetzt werden müssen.

Velstra erklärt, dass Finanzinstitute, die sich auf ihre internen Fähigkeiten verlassen, die richtige Balance zwischen ständigem Experimentieren und der regelmäßigen Einführung relevanter KI-Anwendungen finden müssen.

„Künstliche Intelligenz ist, wie gesagt, nicht einfach umzusetzen“, fasst Witte zusammen. „Aber wenn wir uns der Herausforderungen bewusst sind und eine solide Strategie entwickeln, können wir viele Chancen schaffen. Jetzt ist es an der Zeit, die Früchte zu ernten.