AML/CFT-Prozesse: enorme 95 % Fehlalarmquote – KI und Deep-Learning kann helfen

Geldwäsche: Starre Silostrukturen verhindern den Austausch und machen es Kriminellen zu leicht, unentdeckt zu bleiben. Im IT Finanzmagazin-Interview sprechen die FinTech-Experten Tobias Schweiger (CEO & Co-Founder von Hawk AI) und Felix Baaken (CPO & Co-Founder von BANKSapi) über die neuesten Entwicklungen in der Geldwäsche-Prävention sowie über Technologien, die sich im Kampf gegen Finanzkriminalität als erfolgreich erwiesen haben.

Die Financial Intelligence Unit (FIU) meldet für das vergangene Jahr so viele Verdachtsmeldungen wie nie zuvor. Häufig entdecken die zuständigen Behörden das Geschehen nicht oder nicht rechtzeitig. Der Schlüssel zur erfolgreichen Bekämpfung von Finanzkriminalität liegt in der Zusammenarbeit und KI/ Deep-Learning.

Herr Schweiger [Hawk AI], welche Entwicklungen spielen aktuell in der Geldwäsche-Prävention für Banken und Zahlungsinstitute eine Rolle?

Im Kampf gegen Geldwäsche und Terrorismusfinanzierung stellen wir aktuell sowohl auf europäischer als auch auf nationaler Ebene viel Bewegung fest, die letztlich auch das Geschäft von Banken und Zahlungsinstituten beeinflusst. So hat beispielsweise die EU-Kommission im vergangenen Jahr ihren neuen Aktionsplan vorgestellt, in dem es darum geht, Schlupflöcher zu schließen und Schwachstellen in den EU-Vorschriften zu beseitigen. Hinzu kommt jetzt die Initiative der EU-Kommission, die Geldwäsche-Bekämpfung europaweit einheitlich per Verordnung mit Gesetzeskraft zu regulieren und eine eigene Behörde – die AMLA – zu schaffen. Auf Bundesebene hat die Regierung ihren Entwurf eines Gesetzes zur Verbesserung der strafrechtlichen Bekämpfung der Geldwäsche vorgelegt. Finanzinstitute sind in der Pflicht, die gesetzlichen Neuerungen umzusetzen.

Wir beobachten, dass Aufsichtsbehörden immer seltener Nachsicht walten lassen und mit zunehmend schärferen Sanktionen drohen, wenn Banken und Zahlungsdienstleister dieser Pflicht nicht nachkommen.”

Insofern sind Finanzinstitute gut beraten, ihre AML/CFT-Prozesse möglichst schnell zukunftsfest aufzustellen.

Wie steht es um die Bereitschaft der Institute und der relevanten Regulierung, moderne Lösungen basierend auf Cloud und KI einzusetzen?

Der Einsatz von KI und Cloudtechnologien ist im Hinblick auf die immer komplexeren Anforderungen und Compliance-Prozesse, die Zahlungsinstitute heutzutage abbilden müssen, unverzichtbar geworden. Immer mehr Banken und Finanzunternehmen erkennen diese Herausforderung und damit wächst auch die Bereitschaft, auf entsprechende Lösungen zu setzen. Das sehen wir an den vielen Banken, die ihre Orientierung hin zu neuen Technologien bereits öffentlich gemacht haben. Dennoch bleibt es weiterhin unsere Aufgabe, die Unternehmen bei diesem Fortschritt mitzunehmen, Bedenken auszuräumen und den Wandel damit zu fördern. Regulatorisch sind die Voraussetzungen für einen technologiebasierten Neustart in der Geldwäsche-Prävention aber besser denn je.

Welche Prozessverbesserungen sind damit bereits heute erreichbar?

Auch heute arbeiten im Kampf gegen Geldwäsche noch zu viele Finanzhäuser mit unflexiblen IT-Systemen, die für hohe Fehlalarmquoten von bis zu 95 Prozent verantwortlich sind.”

Mit einer cloudbasierten KI-Lösung wird diese Quote erheblich reduziert. Insbesondere der Einsatz von transparentem, auditierbarem Machine Learning bringt hier Effizienzgewinne. Außerdem lassen sich mithilfe von Deep-Learning-Verfahren Datenbestände auf bislang unbekannte Muster analysieren, die dann wiederum zu höheren Trefferquoten beitragen.

Beides wirkt sich nicht nur positiv auf die Kriminalitätsbekämpfung aus, auch in Sachen Prozesseffizienz und Compliance werden damit große Schritte nach vorne gemacht. Gleichzeitig sinken die Betriebskosten, da weniger Personal zur manuellen Nachbearbeitung der falsch-positiven Meldungen benötigt wird.

Herr Baaken [BANKSapi] Inwieweit verbessert sich das Leistungsspektrum der BANKSapi durch den Einsatz von Hawk AI, oder geht es „nur“ um die Erfüllung der regulatorischen Anforderungen?

Wir sind ja nicht nur “Kontoinformationsdienstleister”, sondern auch “Zahlungsauslösedienst”, bieten also z.B. PSPs oder auch Händlern die Möglichkeit, eine eigene Zahlungsmethode aufzusetzen, im Prinzip ein Ersatz zur Zahlung auf Rechnung.

Was vielen Marktteilnehmern noch nicht bewusst ist: Im Gegensatz zur “alten” Prä-PSD2-Welt sind Überweisungen, die über die PSD2-Schnittstelle ausgelöst werden, vom Kunden nicht mehr reversibel. Anders also als versehentlich getätigte Überweisungen, oder auch Betrugsversuche, für die zunächst eine Überweisung ausgelöst wird, deren Ausführung später aber vom Betrüger gestoppt wird, stellen Zahlungen über Zahlungsauslösedienste für den Händler inzwischen eine praktisch risikofreie Art des Payments dar.

Um so wichtiger ist es aber, einen effektiven Betrugsschutz einzusetzen, um Endkunden vor Risiken zu schützen. Gerade hier bietet Hawk AI einen effizienten Schutz vor Betrugsversuchen, auf den wir als erster TPP im Markt setzen. Wir können so im kombinierten Leistungsspektrum eine kosteneffiziente und eben dennoch risikoarme White-Label-Zahlungsmethode anbieten.

Warum benötigt man überhaupt eine Geldwäsche-Analyse als Zahlungsinstitut, wenn doch am Ende die Transaktionen immer von einer Bank abgewickelt werden?

Wir fallen zunächst vor allem deshalb unter das GwG, weil es Betrugsmuster gibt, die einzelne Banken allein nicht aufdecken können, z.B. Sonderformen des sogenannten „Smurfings“ oder auch “Money Mulings”, also Geldwäsche-Methoden, in der ein Betrüger viele kleine Beträge unter den Schwellwerten, auch über mehrere Banken verteilt, laufen lässt. Einzeln sehen die Transaktionen alle legitim aus, zusammen genommen ergeben sich aber auffällige Muster, die über Machine Learning effektiv aufgedeckt werden können.

Außerdem haben wir, vor allem im Payment, durch die direkten Kundenschnittstellen über unsere Payment-Oberfläche einfach deutlich mehr Datenpunkte vom Kunden, so z.B. neben der IP-Adresse auch Informationen über Proxies, eingesetzte Software, biometrische Daten wie Mausbewegungen und viele weitere.”

So können wir eben auch einen erheblich besseren Betrugsschutz anbieten, der über die rein transaktionale Geldwäsche-Analyse hinaus geht.

Warum sollte ein Kunde (wie z.B. auch Hawk AI) eine Kategorisierung nicht einfach selbst entwickeln? Die Daten liegen ja auch vor! (Oder auch: Welche Herausforderungen gibt es?)

Wir setzen für unsere Kategorisierung auf ein hybrides Verfahren aus einem Regelsatz (z.B. für Stadtwerke schon sehr effektiv) und echten Machine-Learning-Methoden mittels neuronaler Netze, die immer dann zum Einsatz kommen, wenn keine oder mehrere Regeln gematched werden. Nehmen Sie z.B. den Begriff “Ballett-Unterricht” als Verwendungszweck, dann werden Sie von einem Regelsatz sowohl Ergebnisse für “Ballett” (also Ausgaben für “Kultur”) als auch “Unterricht” (also “Weiterbildung”) bekommen, tatsächlich handelt es sich vielleicht aber um “Kinder-Hobbies”. In solchen Situationen ist Machine Learning klar im Vorteil. In unsere Modelle sind bereits eine fünfstellige Anzahl an Stunden eingeflossen.

Wichtig für die Entwicklung einer Kategorisierung ist ja vor allem ein ausreichend großer Testdatensatz, also ein Datensatz mit garantiert korrekten Eingaben, aus denen das Modell angelernt werden kann. Hier sind wir mit unserem direkten Kundenkontakt im Vorteil:

Beispielsweise kann der Nutzer in von uns unterstützten Personal-Finance-Managern Kategorien korrigieren. Ihm nutzt das, weil seine Ausgaben korrekt aufgeschlüsselt sind, und uns ebenso, weil wir von dem Lernsignal profitieren.”

Dazu kommt unser Vorteil als Open-Banking-Dienstleister, in dem wir viele unterschiedliche Use Cases unterstützen, und daher schon von zig Millionen Transaktionen gelernt haben. Inzwischen erreichen wir eine Erkennungsrate von 96% über alle Transaktionen hinweg, das ist am oberen Ende des Möglichen.

Man hört viel von KI im Umfeld von Banken und Versicherungen, aber meistens im Kontext von Fraud- und Risikoanalyse – was für Anwendungsfälle werden wir in der Zukunft sehen?

US-Politiker Adlai Stevenson hat schon 1952 gesagt:

Understanding human needs is half the job of meeting them.”

In Fortsetzung eines jahrzehntelangen Trends wird es zunehmend wichtiger, den Kunden besser zu verstehen. Schließlich kostet es 5x mehr, einen neuen Kunden zu gewinnen, als einen existierenden zu halten.

Daher ist es wichtig, ein gutes Verständnis vom Kunden zu entwickeln. Wir werden also mehr Use Cases sehen, die sich auf den Kunden fokussieren: Affinitätenanalyse (z.B. auch, was Hobbies und Interessen angeht), Kundenwanderungen, RFM- und Share-of-Wallet-Analysen und nicht zuletzt auch Abwanderungsanalysen.

Banken werden außerdem dem Vorbild der Telekommunikations-Industrie folgen. Deren Spin-offs nutzen (anonymisierte) Bewegungsdaten von Telefonen, um Insights für Industrie und Behörden zu bieten. Banken sitzen auf endlosen Mengen von Rohdaten. Mehr als 112 Mrd. Transaktionen werden in Europa digital abgewickelt, mit einer jährlichen Steigerung von etwa 7 %. Einige Finanzinstitute verkaufen heute Transaktionsdaten im Rohzustand an die GAFAs (https://www.theguardian.com/business/2013/jun/24/barclays-bank-sell-customer-data). Das ist kurzsichtig.

Anstatt Rohdaten zu verkaufen, so wie viele Länder Rohstoffe verkaufen, werden Banken den nächsten Schritt tun und den Wert selbst extrahieren. Das wird ein wichtiges zukünftiges Standbein für die margengeplagte Bankenwelt.”

Übrigens ein Vorgehen, das in amerikanischen und asiatischen Märkten gang und gäbe ist, siehe z.B. Cardlytics und Alipay.aj