Geldwäsche-Prävention: Cloud & Künstliche Intelligenz ist die einzige Chance

Der Danske Bank Skandal und andere, öffentlich bekanntgewordene Vorfälle haben dafür gesorgt, dass die Bekämpfung von Geldwäsche und die Finanzierung von Terrorismus stärker in die öffentliche Wahrnehmung gerückt sind. Bislang ist es jedoch leider bei der gesteigerten Wahrnehmung geblieben. Das Problem mag heute zwar transparenter sein denn je, aber tatsächlich wird immer noch nicht genug getan, um die Finanzkriminalität tatsächlich zu bekämpfen.

von Wolfgang Berner, CTO hawk:AI

Die UN (UNODC Money-Laundering and Globalization https://www.unodc.org/unodc/en/money-laundering/globalization.html) schätzt, dass von ein bis zwei Billionen US-Dollar an gewaschenem Geld (das entspricht zwei bis fünf Prozent des globalen Bruttoinlandprodukts) jährlich weniger als ein Prozent tatsächlich entdeckt werden. Und das trotz der steigenden Ausgaben der Banken. Europäische Banken allein geben aktuell mehr als 80 Milliarden Euro im Jahr zur „Geldwäschebekämpfung“ aus. Tatsächlich steht aber für viele Institute eigentlich ein ganz anderes Ziel im Vordergrund:

Möglichst aufwandsoptimiert den Regulierungsvorgaben zu entsprechen und die Prüfungen der Behörden zur „Compliance“ zu überstehen.”

Angesichts einer immer schneller rotierenden Spirale aus Strafen für Finanzinstitute und steigender Compliance-Kosten, ist das einfach nicht mehr gut genug.

Geldwäsche ist ein hochprofessionell betriebenes Geschäft. Das Beispiel des Russian Laundromat (OCCRP: The Russian Laundromat Exposed (https://www.occrp.org/en/laundromat/the-russian-laundromat-exposed/)), das Geldwäschenetzwerk hinter dem Danske Bank Skandal, das über 20 Milliarden Dollar gewaschen hat, zeigt deutlich: Eine Organisation, die in 96 Länder operiert, Konten bei 732 Banken unterhält, Gerichte unterwandert und über 5000 Firmen involviert, darunter viele, extra dafür angelegte Scheinunternehmen, lässt sich nicht mit den starren Regeln einer einzelnen Bank zu Fall bringen. Mit Tunnelblick zu prüfen, ob Beträge oberhalb eines gewissen Schwellenwertes transferiert werden, reicht einfach nicht mehr aus, um Herr der Lage zu bleiben. Leider ist das weltweit nach wie vor die Vorgehensweise der Finanzindustrie und …

… aufgrund des geringen Ausfallrisikos bleibt Geldwäsche für die Kriminellen hochlukrativ.”

Das lässt einige Fragen offen. Warum wird nicht gehandelt? Warum werden für ein klar definiertes Problem nicht die verfügbaren Technologien genutzt, anstatt veraltete Systeme in Kombination mit immer mehr Sachbearbeitern einzusetzen?

Bestehende Technologien durch neue zu ersetzen, ist nie einfach. Besonders schwierig wird ein IT-Umbau in Banken, wo es um Kundendaten und Geldströme geht und um die damit verbundenen Risiken.

Fast unmöglich wird Innovation in einem Bereich der Bank, der zu Recht besonders stark reguliert ist – jüngst durch die 5. Europäische Geldwäscherichtline, die im Januar wirksam wird.”

Dennoch gilt: Der Einsatz von Technologie ist derzeit die einzige Lösung, mit der sich die Geldwäsche eindämmen ließe. Konkret geht es um den Einsatz von Künstlicher Intelligenz, von Deep Learning und Predictive Analytics in der Cloud – sicher, regulatorisch erklärbar und in Echtzeit.

Professionelle Geldwäscher kennen die starren Regeln und Mechanismen (sind diese in der Tat ja öffentlich bekannt) und haben ihr Verhalten längst anpasst. Nur eine Abkehr von ausschließlich starren Regeln und die Hinkehr zu einer hochautomatisierten Einzelfallbetrachtung könnte hier Abhilfe schaffen. Künstliche Intelligenz kann der Komplexität der Herausforderung Rechnung tragen, unterstützt von bankeigenen Entscheidungen aus der Vergangenheit (sogenanntes „labelling“) der Daten zur Einordnung von spezifischem Kundenverhalten, Netzwerkanalysen sowie die Nutzung neuer Datenquellen aus dem Netz.

Technisch bedeutet das Supervised Learning aber auch Deep Learning und ein ausgeklügeltes Feature Engineering, das tausende Features für eine KI auf der Zeitachse („time-series based“) erzeugt, um beispielsweise im Kundenkontext Anomalien zu erkennen.”

Genauso übrigens, um auffällige Transaktionen innerhalb der Regeln als normales Verhalten („false positives“) zu klassifizieren. Darüber hinaus ist die Erklärbarkeit der KI („Explainable AI“) ein aktuelles Forschungsfeld von zentraler Bedeutung. Hier geht es um die menschlich verständliche Erklärung einzelner Entscheidungen („local feature importance“), das Extrahieren von verständlichen Namen für Muster, aber auch der Erklärung der Evolution der Modelle durch kontinuierliches Training.

Daneben braucht es flankierende Maßnahmen zur Qualitätskontrolle wie beispielsweise die Überprüfung von Stichproben. Wird all dies zu den Regeln addiert, die ihre Berechtigung behalten, nimmt die Qualität der Gesamt-Entscheidungen zu.”

Letzten Endes werden aber nicht Menschen Millionen von Einzelentscheidungen und -szenarien diskutieren und dokumentieren können, sondern nur eine intelligente Maschine. Insbesondere müssen all die zeitfressenden Fehlalarme – die aktuell für mehr als 95% der Alarmmeldungen stehen – gefiltert werden. Menschen sollten in der Geldwäschebekämpfung ausschließlich mit den Sachverhalten konfrontiert werden, die menschliches Fingerspitzengefühl und Kommunikationskraft fordern.

Außerdem lässt sich Geldwäsche-Netzwerken, die sich das internationale, digitale Überweisungsnetz der Banken und Finanzdienstleister clever zu Nutze machen, viel effektiver branchenweit begegnen. Entsprechende Organisationen und Personen und ihre Verhaltensmuster zu erkennen, funktioniert dramatisch besser, wenn übergreifend die Daten von vielen – idealerweise von allen – Banken analysiert werden. Dieser Austausch kann zentral über die Cloud erfolgen (anstelle von ausschließlich im bankeigenen Datensilo).

In Bezug auf Sicherheit und Verfügbarkeit sind Cloud-Plattformen schon seit geraumer Zeit jedem Bankrechenzentrum deutlich überlegen. Im Übrigen sind sie kostengünstiger. Zudem lassen sich in der Cloud auch alle Anforderungen aus dem Bankwesen umsetzen: Von den Regularien und Durchgriffsrechten über Datenschutz bis hin zu Data Residency. Darüber hinaus haben wir mittlerweile mit Privacy Enhancing Technologies technisch die Möglichkeit, offene Schnittstellen für den Austausch zu etablieren, ohne die Daten selbst offen legen zu müssen. Damit lässt sich der globale Ausbau eines Netzwerks zur Geldwäschebekämpfung weiter beschleunigen. Auch wenn noch Jahre vergehen mögen, bis ein entsprechendes System weltweite Akzeptanz gefunden hat, gilt dennoch: „It takes a network to defeat a network.“Wolfgang Berner, CTO hawk:AI /aj