Künstliche Intelligenz (KI) ist die Fähigkeit eines Computerprogramms („Machine“), zu denken, zu lernen und zu handeln, ohne explizit mit Befehlen kodiert zu werden. Folglich kann sie als die Entwicklung von Computersystemen mit der Fähigkeit zur selbstständigen Aufgabenlösung betrachtet werden. Dafür nehmen solche Systeme enorme Datenmengen auf, analysieren sie und erkennen bestimmte Muster in den Informationen.
Als Teilbereich der KI verwendet das Machine Learning (ML) Algorithmen zur Datenanalyse, zum anschließenden Lernprozess und zur Bestimmung bzw. Prognose der nächsten Schritte. KI-Algorithmen werden anhand großer Datenmengen trainiert - im Gegensatz zum traditionellen regelbasierten Ansatz oder auch der manuellen Programmierung von Software-Routinen mit einem bestimmten Satz von Anweisungen für eine bestimmte Aufgabe.
Deep Learning (DL) ist wiederum eine Untergruppe von ML. Die entsprechenden Algorithmen erkennen automatisch und ohne menschliches Zutun Zusammenhänge und Muster aus Daten wie Bildern, Videos oder Texten. Das Wort „deep“ in Deep Learning steht dabei für die vielen Schichten von Algorithmen oder neuronalen Netzen, die zur Erkennung von Mustern in Daten verwendet werden. Ähnlich dem menschlichen Gehirn können die hochflexiblen Architekturen von DL direkt aus den Rohdaten lernen. Dabei gilt: Je mehr Daten zur Verfügung stehen, desto höher ist die Genauigkeit der Vorhersage.
Am einfachsten ist es, sich die Beziehung von ML und DL zueinander als Untergruppen innerhalb der KI vorzustellen. Als „Dach“ kam zuerst die KI, dann folgte ML und schließlich DL, das die KI-Entwicklung entscheidend vorantreibt.
Warum ist KI ein wirksames Instrument?
KI-Modelle und -Algorithmen können riesige Datenmengen verarbeiten und zusammenfassen. Dabei erfolgt die Verarbeitung nahezu in Echtzeit, sodass – im Fall von Finanzkriminalität – Behörden mit den Tätern auf demselben Stand sein können und nicht in zeitlichen Rückstand geraten.
KI-Modelle sind so konzipiert, dass sie Anomalien und Muster in den von ihnen erfassten Daten erkennen. Hierfür bewerten sie Verhaltensweisen im Vergleich zu definierten Benchmarks. Somit können die für die Einhaltung der Bankvorschrift en zuständigen Mitarbeiter bei verdächtigen Aktivitäten gewarnt werden, um ggf weitere Schritte zu unternehmen oder tiefergehende Analysen durchzuführen. Die Identifi kation von Anomalien durch die Compliance-Verantwortlichen manuell durchführen zu lassen, würde viele Ressourcen binden, und es können Fehler passieren.
Regel- vs. modellbasierte Ansätze zur Bekämpfung der Geldwäsche
Geldwäsche ist ein Verfahren zur „Legalisierung“ illegaler Einkünfte, bei dem die Herkunft der Mittel durch komplexe Überweisungen und Transaktionen verschleiert wird. So kann das Geld am Ende als legitimer Geschäftsgewinn ausgegeben werden.
Technologische Fortschritte im digitalen Banking, bei der Online-Kontoeröffnung, beim Open Banking und bei Krypto-Währungen haben die Karten beim Herkunftsnachweis von Geldern, aber auch beim Aufdecken verdächtiger Muster und Verhaltensweisen neu gemischt: Für Finanzinstitute und Aufsichtsbehörden sind solche Maßnahmen sehr viel ressourcenintensiver geworden.
Herkömmliche Automatisierungsmethoden sind nicht in der Lage, mit den immer raffinierteren Methoden des Missbrauchs des Finanzsystems Schritt zu halten. Daher fördert die Financial Action Task Force gezielt die Digitalisierung der Aktivitäten gegen Geldwäsche und Terrorismusfinanzierung.
(…)
Den vollständigen Artikel aus der Ausgabe „die bank“ 07.2023 können Sie bei Genios kaufen.
Autoren:
Dr. Jochen Papenbrock, Head of Financial Technology, EMEA, sowie Prabhu Ramamoorthy, Partner Developer Relationship Manager, Financial Services, beide bei NVIDIA.