5 Wege, wie künstliche Intelligenz und maschinelles Lernen Finanzbetrug bekämpfen können

Tim Bedard, 3. April 2019
AI - MachineLearning

Eine der größten Herausforderungen von Banken besteht darin, die Anzahl an falsch positiven Ergebnissen ihrer Betrugserkennungssysteme zu minimieren. Dadurch sparen sie Zeit und Geld und müssen Kunden keine unnötigen Umstände bereiten.

Künstliche Intelligenz (KI) und maschinelles Lernen – zwei der prominentesten technologischen Schlagwörter unserer Zeit – sind zu den wichtigsten Triebkräften des technologischen Wandels in praktisch allen Branchen und Fachrichtungen geworden. Diese revolutionären Technologien helfen Unternehmen auf mannigfaltige Weise: Durch die Optimierung interner Prozesse können sie effizienter arbeiten; durch die Auswertung riesiger Datenmengen können sie gut informierte Entscheidungen treffen; und durch die Entwicklung innovativer Dienstleistungen kann die Kundenerfahrung kontinuierlich verbessert werden.

Einer der Bereiche, in denen KI und maschinelles Lernen enorme Änderungen anstoßen, ist die Finanzdienstleistungsbranche. Insbesondere im Kampf gegen Betrugsversuche gelten diese Technologien als starke Verbündete. Sie helfen Unternehmen dabei, Cyberkriminellen das Handwerk zu legen, die immer wieder neue Wege finden, um auf Kundenkonten zuzugreifen.

Die Anzahl der Account-Übernahmen – für Verbraucher eine sehr belastende Art des Betrugs – ist 2018 drastisch gestiegen. Innerhalb eines Jahres wurden dreimal so viele Übernahmen verzeichnet als noch im Vorjahr, mit Verlusten in Höhe von 5,1 Milliarden US-Dollar (3,9 Milliarden Pfund).

Bedenkt man, welche Summen hier für Verbraucher und Finanzinstitute auf dem Spiel stehen, ist offensichtlich, wieso eifrig nach effektiven Lösungen gesucht wird. In diesem Artikel möchten wir uns nun ansehen, wie KI und maschinelles Lernen im Kampf gegen die Betrüger eingesetzt werden.

Akkurate Datenanalysen

Zu den wichtigsten Merkmalen von auf maschinellem Lernen basierenden Algorithmen gehört die Fähigkeit, riesige Mengen an Transaktionsdaten zu analysieren und verdächtige Transaktionen in Echtzeit – inklusive zuverlässiger Risikobewertungen – zu melden. Diese risikobasierte Analyse ermöglicht die Erkennung sehr komplexer Muster, die Analysten nur schwer selbst entdecken können. Für Banken und Finanzinstitute bedeutet dies, dass sie eine höhere betriebliche Effizienz erreichen und mehr Betrugsversuche aufdecken können.

Die Algorithmen berücksichtigen dabei mehrere Faktoren – darunter der Standort des Kunden, das verwendete Gerät und andere kontextuelle Datenpunkte –, um ein detailliertes Bild jeder einzelnen Transaktion zu erstellen. Anhand dieser Informationen ist es leichter, Entscheidungen in Echtzeit zu treffen und Kunden gegen Betrugsversuche zu schützen, ohne dass die Benutzererfahrung darunter leidet.

Über die nächsten Jahre werden diese Technologien noch weitreichender Anklang finden. Dank weiterer Entwicklungen in diesem Bereich werden Unternehmen zunehmend basierend auf diesen Algorithmen entscheiden, welche Transaktionen verdächtig sind und welche nicht.

Unterstützung für Betrugsanalysten

Es entstehen kontinuierlich neue Cyberbedrohungen – und das mit zunehmender Geschwindigkeit. Zudem werden immer mehr Daten generiert, die analysiert werden müssen, um Bedrohungen zu identifizieren. Diese Tatsachen stellen Betrugsanalysten vor die schier unmögliche Aufgabe, jegliche verdächtigen Aktivitäten in Echtzeit aufzudecken. Um Betrugsversuche in Echtzeit zu erkennen, müssen Finanzinstitute daher innovative Lösungen einsetzen, die ihnen eine schnelle Extrahierung und Analyse von Daten aus mehreren Kanälen ermöglichen.

KI erledigt solche Datenanalysen innerhalb von Millisekunden und erkennt dabei komplexe Muster, die für menschliche Analysten nur schwer zu entdecken sind.

Dadurch fällt weniger manuelle Arbeit an, da bei weit weniger Transaktionen menschlicher Input erforderlich ist. Auf SCMagazine.com wird beschrieben, dass die Qualität und Effektivität der Arbeit von Betrugsanalysten steigt, wenn ihre Arbeitsbelastung sinkt. Wenn also zeitaufwändige Aufgaben wegfallen, können sie sich auf die wirklich wichtigen Dinge konzentrieren, etwa auf die Bearbeitung von Transaktionen mit negativer Risikobewertung. Durch diese optimierte Risikobewertung werden die betrieblichen Kosten für Betrugserkennungsaufgaben reduziert, und die Zahl erfolgreich verarbeiteter, authentischer Transaktionen steigt.

Wie helfen künstliche Intelligenz und maschinelles Lernen im Kampf gegen finanziellen Betrug?
  1. Akkurate Datenanalysen
  2. Unterstützung für Betrugsanalysten
  3. Weniger falsch positive Ergebnisse
  4. Effektive Angriffserkennung
  5. Einhaltung der Vorschriften

Weniger falsch positive Ergebnisse

Da heutige Finanzinfrastrukturen ein hohes Level an Komplexität erreicht haben, wird das Konzept „falsch positiver“ Ergebnisse öfter im Zusammenhang mit den Prozessen zur Vereitelung von Betrugsversuchen genannt. Eine der größten Herausforderungen von Banken besteht deshalb darin, die Anzahl an falsch positiven Ergebnissen ihrer Betrugserkennungssysteme zu minimieren. Dadurch sparen sie Zeit und Geld und müssen Kunden keine unnötigen Umstände bereiten.

KI und maschinelles Lernen spielen dabei eine wichtige Rolle. Sie sind in der Lage, eine viel größere Menge an Datenpunkten, Verbindungen zwischen Entitäten sowie Betrugsmustern zu analysieren, darunter sogar Betrugsszenarien, die den Analysten noch nicht bekannt sind. Dadurch kann das Vorkommen von falsch positiven Ergebnissen drastisch reduziert werden.

Das bedeutet, dass weniger Kunden fälschlicherweise zurückgewiesen werden und dass weniger Arbeit und Zeit in die Bearbeitung von gemeldeten Transaktionen gesteckt werden muss.

Effektive Angriffserkennung

Wie auf SCMagazine.com nachzulesen, sind auf maschinellem Lernen basierende Algorithmen gut dazu in der Lage, Muster in riesigen Mengen strukturierter als auch unstrukturierter Daten zu erkennen. Demnach sind sie deutlich effektiver als Menschen in der Erkennung neuer und entstehender Betrugsangriffe.

Maschinelles Lernen wie auch KI sind also effektive Mittel im Kampf gegen Betrug – sei es, indem sie einen hohen Traffic von ungewöhnlichen Quellen identifizieren oder indem sie durch den Aufbau detaillierter Kundenprofile jegliche Anomalien umgehend erkennen. Wenn diese Tools zukünftig immer ausgeklügelter werden, steigen damit für Banken und Finanzinstitute exponentiell die Erfolgschancen.

Einhaltung der Vorschriften

Systeme zur Betrugsprävention, die auf manuell definierten Regeln und Richtlinien basieren, können in unserem modernen digitalen Banking-Ökosystem nicht mehr mithalten. Damit Finanzinstitute Angreifern einen Schritt voraus bleiben, benötigen sie eine Betrugserkennungslösung, die sich künstliche Intelligenz durch beaufsichtigtes und unbeaufsichtigtes maschinelles Lernen zunutze macht.

Maschinelles Lernen ermöglicht Unternehmen, Daten samt Kontext über verschiedene Geräte, Anwendungen und Transaktionen hinweg zu analysieren, ohne dass dazu ein nennenswerter manueller Input nötig wäre. Richtlinien können demnach bei Bedarf jederzeit aktualisiert werden, was Unternehmen bei der Einhaltung der Vorschriften (z. B. PSD2) unterstützt. Banken sparen dadurch Zeit und riskieren keine Geldbußen.

Abschließend ist noch wichtig zu erwähnen, dass diese einzelnen Elemente nicht unabhängig voneinander betrachtet werden sollten. Es handelt sich eher um einzelne Bestandteile einer übergreifenden Strategie zur Betrugsprävention, mit der Unternehmen in der Bankenbranche ihre Kunden schützen und das milliardenschwere Problem des Finanzbetrugs bekämpfen können.

ebook cover
E-Buch

Betrug durch Account-Übernahme: Wie Sie Ihre Kunden und Ihr Unternehmen schützen

Tragen Sie dazu bei, Betrug durch Account-Übernahmen zu verhindern und Kunden in jeder Phase ihrer digitalen Aktivitäten zu schützen.

Jetzt herunterladen

Dieser Blog-Beitrag erschien erstmals am 28. März 2018 auf SCMagazine.com.

Tim ist Director of Product Marketing bei OneSpan und verantwortlich für die Identitätsprüfung, E-Signatur und sichere Automatisierungslösungen für Vereinbarungen. Tim hatte Führungspositionen in den Bereichen Produktstrategie, Produktmanagement und Marketing bei führenden Sicherheitsorganisationen