Anti-Geldwäsche-Prozesse: Wie KI diese beschleunigen kann

Experte für KI Nutzung bei Anti-Geldwäsche-Prozessen: Kevin Levitt, NVIDIA — Kevin Levitt, NVIDIANVIDIA

Die Finanzaufsichtsbehörden in ganz Europa verhängen weiterhin hohe Geldstrafen gegen Banken, die die Vorschriften zur Kundenidentifizierung (KYC) und zur Bekämpfung der Geldwäsche (AML) nicht einhalten. Ende 2021 verhängte die Financial Conduct Authority (FCA) gegen zwei der größten britischen Banken, HSBC und NatWest, Geldstrafen in Höhe von insgesamt 328 Millionen Pfund (ca. 378 Millionen Euro) wegen Mängeln bei ihren Geldwäscheverfahren.

von Kevin Levitt, NVIDIA

Geldwäsche ist ein Verfahren, das Kriminelle nutzen, um die illegale Herkunft ihrer Gelder zu verschleiern. Indem das Geld durch mehrere, manchmal komplexe Überweisungen und Transaktionen geschleust wird, wird es von seiner illegalen Herkunft “gereinigt” und als legitimer Geschäftsgewinn ausgegeben.

Die technologischen Fortschritte im digitalen Banking, bei der Online-Kontoeröffnung, beim Open Banking und bei Kryptowährungen haben dazu geführt, dass das Aufspüren der Herkunft von Geldern und das Aufdecken verdächtiger Muster und Verhaltensweisen für Finanzinstitute und ihre Aufsichtsbehörden sehr viel ressourcenintensiver geworden sind. Tatsächlich fordern Mitglieder des Europäischen Parlaments, dass auch Kryptowährungen der Anti-Geldwäsche-Behörde der Europäischen Kommission unterstellt werden, da kriminelle Organisationen immer neue Methoden finden, um Geld innerhalb des Finanzsystems zu waschen.

Herkömmliche Automatisierungsmethoden können mit den immer raffinierteren Methoden, mit denen kriminelle Organisationen das Finanzsystem missbrauchen, oder mit der rasanten Entwicklung der Technologie einfach nicht Schritt halten.”

Künstliche Intelligenz (KI) ist daher eines der vielversprechendsten Instrumente zur Bekämpfung der Geldwäsche, die Bankern und Aufsichtsbehörden zur Verfügung stehen. Man kann sich darunter die Entwicklung von Computersystemen vorstellen, die selbstständig Aufgaben erfüllen können, indem sie enorme Datenmengen aufnehmen und analysieren und dann Muster in diesen Daten erkennen.

KI-Tools konzentrieren sich in erster Linie auf die Entwicklung von Systemen, die Aufgaben ausführen können, für deren Erledigung ansonsten menschliche Intelligenz erforderlich wäre, und zwar mit einer Geschwindigkeit, die die Fähigkeiten eines Einzelnen oder einer Gruppe übersteigt.

Finanzinstitute setzen KI bereits in allen Geschäftsbereichen ein, um Anwendungen zu betreiben, die vom Risikomanagement für die Kapitalmärkte bis hin zu virtuellen Assistenten für die Kundenbetreuung in der Privatkundenfinanzierung reichen.”

Aber auch die Betrugsbekämpfung ist ein vorrangiger Anwendungsfall für KI bei Finanzdienstleistungen. Eine von NVIDIA durchgeführte Studie aus dem Jahr 2022 zeigt, dass zwei der fünf wichtigsten KI-Anwendungsfälle für Investitionen “Betrugserkennung: Transaktionen und Zahlungen” und “Betrugserkennung” sind: AML und KYC.

Die BaFin, die deutsche Finanzaufsichtsbehörde, stimmt zu, dass KI “die Erkennungsrate von Anomalien und Mustern verbessern und damit die Effizienz und Effektivität von Compliance-Prozessen, wie z. B. der Geldwäscheerkennung oder der Betrugsprävention, erhöhen kann”. Im selben Bericht schlägt die BaFin auch vor, dass die Aufsichtsbehörden die Algorithmen von KI-Compliance-Lösungen für die Geldwäschebekämpfung prüfen und zu diesem Zweck möglicherweise aufsichtsrechtliche Mindestanforderungen einführen können.

Warum ist KI ein so effektives AML-Instrument?

Autor Kevin Levitt, NVIDIA

Kevin Levitt leitet bei NVIDIA (Webseite) die globale Geschäftsentwicklung für die Finanzdienstleistungsbranche. Er konzentriert sich auf globale Trends in der beschleunigten Datenverarbeitung und KI für die Verbraucherfinanzierung – einschließlich FinTech, Privatkundengeschäft, Kreditkarten und Versicherungen. Zuvor leitete Kevin Vertriebs- und Geschäftsentwicklungsorganisationen bei zwei FinTechs: Credit Karma und Roostify. Er half auch comScore, einem Unternehmen für digitale Messungen und Analysen, sich zu einem börsennotierten, multinationalen Unternehmen zu entwickeln, wo er als Senior Vice President der Financial Services Practice tätig war. Kevin hat einen B.A. von der American University in Washington und einen M.B.A. von der R.H. Smith School of Business an der University of Maryland.

Erstens können KI-Modelle und -Algorithmen riesige Datenmengen verarbeiten und synthetisieren. Diese Eingaben beschränken sich nicht auf herkömmliche Arten von Tabellendaten (d. h. Transaktionsbücher), sondern können auch unstrukturierte Daten (d. h. Audio-, Video- und Geodaten) umfassen. Darüber hinaus kann die KI die Daten aufnehmen und nahezu in Echtzeit verarbeiten, so dass die Behörden mit den Bewegungen bösartiger Akteure Schritt halten können, anstatt Tage oder Wochen hinter diesen zurückzuhängen..

KI-Modelle sind so konzipiert, dass sie Anomalien in den von ihnen erfassten Datenmustern erkennen, indem sie diese Verhaltensweisen im Vergleich zu den erwarteten Benchmarks bewerten, so dass die Compliance-Beauftragten der Banken gewarnt werden, wenn potenziell schädliche Interaktionen auftreten. Die mit diesen Warnungen verbundenen Untersuchungen werden häufig von Compliance-Mitarbeitern in den Banken durchgeführt und sind daher zeit- und kostenaufwändig.

Herkömmliche regelbasierte Methoden – eine gängige Technik aus der Zeit vor dem Aufkommen der modernen KI – haben eine hohe Falsch-Positiv-Rate, was bedeutet, dass die wertvolle Zeit der Ermittler für die falschen Transaktionen verschwendet wird.

Wissensgraphen zur Veränderung der Betrugsaufdeckung

Führende Banken setzen daher Deep-Learning-KI-Techniken wie GANs (generative adversarial networks) und GNNs (graph neural networks) ein. Bei einer ausreichenden Anzahl historischer Finanztransaktionsdaten sind Deep-Learning-Ansätze besser für den Musterabgleich geeignet als regelbasierte Ansätze, da sie verallgemeinert werden können, um Betrugsschemata zu erlernen und dann diese KI zu nutzen, um aktive Betrugsschemata in den Daten zu identifizieren.

GANs können zum Beispiel aus Trainingsdaten verallgemeinern, um Muster in Transaktionen zu erkennen, die auf Geldwäsche hindeuten.

Nachdem einige Muster in realen Situationen gezeigt wurden, können die entsprechenden tiefen neuronalen Netze (DNNs) aus den Beispielen verallgemeinern, um ähnliche und veränderte Muster zu erkennen, die die statischen Regeln umgehen könnten, aber dem alten Muster so ähnlich sind, dass das DNN sie erkennt.”

Dadurch wird es für Kriminelle schwieriger, der Entdeckung zu entgehen. Sie werden nicht mehr in der Lage sein, kleine Anpassungen an der Art und Weise, wie sie ihr Geld waschen, vorzunehmen, um einen relativ statischen Satz von Regeln zu umgehen.

Neben GANs sind GNNs eine weitere DNN-Technik, die es Ermittlern ermöglicht, Beziehungen zwischen einer beliebigen Anzahl von Parteien zu bewerten, um potenzielles Geldwäscheverhalten zu erkennen. Das Konzept besteht darin, einen heterogenen Graphen aus Tabellendaten zu konstruieren und ein GNN-Modell zu trainieren, um verdächtige Transaktionen und komplexe Geldwäscheaktivitäten zu erkennen, da Kriminelle in Gruppen zusammenarbeiten, um ihre auffälligen Merkmale zu verbergen, aber einige Spuren von Verbindungen hinterlassen.

Die Verbindungen, die von GNN-basierten Modellen identifiziert werden, sind von entscheidender Bedeutung, da die KI zuvor nicht identifizierte Verbindungen zwischen Entitäten erkennen kann. Aufgrund der Vorteile der Erfassung von Verbindungen sind GNNs besser in der Lage, kollaborative Geldwäscheaktivitäten zu erkennen als herkömmliche Modelle.

KI für AML in der Praxis

Die positive Auswirkung von KI auf die AML-Aktivitäten einer Bank wurde kürzlich durch eine Zusammenarbeit zwischen Swedbank, Hopsworks und NVIDIA bestätigt. In diesem Beispiel trainierten Swedbank und Hopsworks GANs als Teil der Strategie der Bank zur Verhinderung von Betrug und Geldwäsche. Mit dieser Lösung konnte die Swedbank die Zahl der Fehlalarme im Vergleich zu bestehenden regelbasierten Systemen um 99 % reduzieren und die Effizienz der Ermittler (Zeit für die Untersuchung) innerhalb von fünf Jahren um schätzungsweise mehr als 50 % steigern.

Neben der Nutzung von KI für die unternehmensinterne Datenerfassung und -analyse ermöglichen föderierte Lerntechniken eine verbesserte gemeinsame Nutzung von Daten über Abteilungen, Gerichtsbarkeiten und Unternehmen hinweg, da sie die Einhaltung von Vorschriften zur Datenhoheit und zum Datenschutz gewährleisten können.”

Während KI das Potenzial hat, die AML-Prozesse in der gesamten Finanzdienstleistungsbranche zu beschleunigen, warnt die BaFin, dass, wenn KI “die Aufdeckung von Geldwäsche effektiver machen würde, Kriminelle sich möglicherweise an Unternehmen wenden könnten, die in diesem Bereich weniger fortgeschritten sind”. Daher muss dies überwacht und angegangen werden, sollte dies eintreten.

Die größere Menge an Daten, die für die Analyse zur Verfügung steht, wird die Genauigkeit der KI-Modelle erheblich verbessern und es für böswillige Akteure noch schwieriger machen, erfolgreich Geld zu waschen. Darüber hinaus werden KI-Technologien wie die Automatisierung robotergestützter Prozesse und die optische Zeichenerkennung die Analyse von Dokumenten durch die Ermittler unterstützen, was weitere Effizienzsteigerungen und eine Verringerung der Fehlerquoten im gesamten Prozess zur Folge haben wird.Kevin Levitt, NVIDIA

Sie finden diesen Artikel im Internet auf der Website:
https://itfm.link/147413