Video

Wie Finanzinstitute Betrug mit maschinellem Lernen erkennen und verhindern

Julie Conroy, Research Director bei Aite Group, spricht mit OneSpan darüber, wie maschinelles Lernen Finanzinstituten helfen kann, mit den sich ändernden Betrugsmustern Schritt zu halten.

Dieses Dokument ist nur auf Englisch verfügbar.

Wie Finanzinstitute Betrug mit maschinellem Lernen erkennen und verhindern

Video-Transkript

Maschinelles Lernen ist ein Thema, mit dem ich in den letzten Jahren viel Zeit verbracht habe. In der Branche steckt viel Dynamik dahinter. Wie bei so vielen "lebhaften" Themen gibt es viele verschiedene Definitionen für maschinelles Lernen. Die Art und Weise, wie wir bei Aite Group maschinelles Lernen definieren, besteht darin, ein gutes Benutzerverhalten zu ermitteln und anschließend iterative Optimierungsanalysen zu verwenden, um anomale Aktivitäten zu erkennen.

Machine Leaning ist aus Sicht der Betrugsfälle großartig, da es Finanzinstituten hilft, mit der Entwicklung des Betrugs und den sich ändernden Betrugsmustern Schritt zu halten. Dies steht im Gegensatz zu dem Legacy-Ansatz, der regelbasiert war und nach schlechtem Verhalten suchte. Wenn Sie diesen Ansatz verfolgen, neigen Sie dazu, viele Fehlalarme zu erhalten, und Sie vermissen auch viele Dinge, weil Sie nicht nach den neuen und aufkommenden Betrugsmustern suchen.

Die Operationalisierung des maschinellen Lernens ist definitiv einer der schwierigeren Aspekte für die Banken, mit denen ich gesprochen habe. Es geht darum, die Daten in der Bank zu nutzen. Dies ist keine leichte Aufgabe, wenn Sie eine Reihe von Geschäftsbereichen haben, die in Silos aufgewachsen sind und Daten an unterschiedlichen Orten haben. Wenn Sie Banken haben, die durch Akquisition gewachsen sind, haben die Silos möglicherweise völlig unterschiedliche Datenstrukturen und unterschiedliche Datendefinitionen.

Wenn Sie sich den Weg zum maschinellen Lernen ansehen, ist die Planung der Datenverwertung und des Daten-Wranglings ein wirklich wichtiger Teil des Prozesses. Große Institute wie die 100 weltweit führenden Banken verfügen über eine Kombination aus internen, maßgeschneiderten Datenwissenschaftlern, die sich der Operationalisierung des maschinellen Lernens sowie Partnerschaften mit Lieferantenpartnern widmen. Große Regionalbanken bemühen sich zunehmend um die Zusammenarbeit mit Anbietern, die ihnen auf ihrem Weg zum maschinellen Lernen helfen können. Schließlich sind die kleineren Finanzinstitute, Gemeindebanken und Kreditgenossenschaften auf ihre Kernpartner angewiesen, um das maschinelle Lernen zu operationalisieren.

Fraud-Buyers-Guide
WEISSES PAPIER

Einkaufsführer zur Bewertung von Tools zur Betrugserkennung

Lernen Sie das vom maschinellen Lernen bis zum dynamischen Authentifizierungsablauf neun wichtige Anforderungen beim Vergleich von Betrugslösungen zu suchen.

Jetzt herunterladen