KI für Finanzinstitute: Die Geheimwaffe gegen Zahlungsbetrüger?

Schnelligkeit, Flexibilität und Einfachheit – das wünschen sich Verbraucher bei Finanztransaktionen. Dank moderner Technologie sind Finanzinstitute auch immer besser in der Lage, auf diese Kundenwünsche einzugehen. Doch die Medaille hat eine Kehrseite: Auch Zahlungsbetrüger gehen mit der Zeit und verstehen sich meisterhaft darauf, die zunehmende Digitalisierung von Prozessen für sich zu nutzen.

Sicherheitslücken entstehen vor allem deswegen, weil Finanzinstitute nicht allem gleichzeitig Beachtung schenken können. Die permanente Anpassung an neue Nutzerbedürfnisse, einhergehend mit der Implementierung neuer Technologien unter Berücksichtigung der Compliance-Anforderungen stellt sie vor Herausforderungen. Und die erwartete Geschwindigkeit in der Umsetzung führt dann teilweise dazu, dass Schnelligkeit höher priorisiert wird als Sicherheit – und somit Lücken entstehen.

Finanzinstitute benötigen ein adaptives und genaues Verständnis des Verbraucherverhaltens über alle Interaktionen hinweg, um Betrug bei Zahlungstransaktionen entdecken zu können. Und genau dabei kann künstliche Intelligenz helfen.

Prädiktive und selbstlernende Analytik

Betrüger verstehen es mindestens genauso gut wie Unternehmen, die Raffinessen der Technologie für sich zu nutzen. Entsprechend komplex ist Zahlungsbetrug heute. Banken werden mit dynamischen Bedrohungsvektoren konfrontiert und altbewährte Sicherheitsvorkehrungen reichen nicht mehr aus. Es bedarf ausgeklügelter Methoden, um die Anomalien in Transaktionsprozessen erkennen zu können.

Eine Kombination aus prädiktiver Analytik und selbstlernenden Modellen ist für diesen Zweck zielführend. Indem jede Transaktion in einem Modell vorab als betrügerisch oder authentisch gekennzeichnet wird, lernt das Modell ein bestimmtes Muster, auf welchem es dann prädiktiv, also vorausschauend und vorhersagend, arbeiten kann. Die erforderliche Datenbasis für ein solches Training ist allerdings enorm.

Im Gegensatz dazu konzentriert sich das zweite Modell auf das automatische Entdecken von disharmonischen Mustern oder Abweichungen vom „normalen“ Verhalten. Diese Modelle sind wichtig, damit Anomalien erkannt werden, auch wenn nur wenige Daten dazu vorab bekannt waren. Diese Modelle setzen dann auf selbstständiges (maschinelles) Lernen, um Muster und Abweichungen aufzudecken.

Verhaltensanalysen und Dynamik

Verhaltensanalysen verwenden maschinelles Lernen, um Verhaltensweisen auf einer granularen Ebene über jeden Aspekt einer Transaktion hinweg zu verstehen und zu antizipieren. Die Informationen werden in Profilen bei jeder Transaktion in Echtzeit aktualisiert. 

Anzeige

Allerdings sind auch Betrüger enorm anpassungsfähig geworden. Eine Herausforderung für Unternehmen, denn diese müssen ihre Schutzmechanismen entsprechend dynamisch gestalten. Adaptive Technologien sind vor allem in Bezug auf grenzwertige Entscheidungen wichtig. 

Bei diesen Entscheidungen spielt die Genauigkeit eine tragende Rolle: Handelt es sich um eine legitime Transaktion, die zu kritisch bewertet wurde? Oder ist es eine betrügerische Transaktion, die zu unkritisch bewertet wurde?

Adaptive Technologien verbessern die Sensibilität für sich verändernde Betrugsmuster, indem sie sich automatisch an kürzlich bestätigte Falldispositionen anpassen. Dies führt zu einer präziseren Trennung zwischen Betrug und Nicht-Betrug.

Realität und Wunschdenken

Auch wenn die genannten Technologien zweifelsohne eine Menge an Potenzial im Kampf gegen Betrüger bieten, darf der Status quo dabei nicht aus den Augen verloren werden. Denn Tatsache ist: Je ausgeklügelter und damit wirkungsvoller das Verfahren wird, desto komplexer ist es. Damit die Analysen wirklich gut funktionieren, müssen tausende Daten eingespeist und eine enorme Menge an Berechnungen in Millisekunden durchgeführt werden. 

Ohne ein tiefes Verständnis für betrugsspezifische datenwissenschaftliche Techniken kann es schnell passieren, dass auf falsche Algorithmen gesetzt wird. Denn so wie Menschen schlechte Gewohnheiten lernen können, so kann das auch eine Maschine. Richtig eingesetzt ist künstliche Intelligenz jedoch sehr hilfreich im Kampf gegen Betrüger und Finanzinstitute sollten die Möglichkeiten für sich auf jeden Fall in Betracht ziehen.


Über den Autor

Jörg Reuter ist Pre-Sales Consultant bei FICO und Sicherheitsspezialist rund um das Thema Betrug. FICO ist ein Pionier in der Anwendung von Predictive Analytics und Data Science zur Verbesserung operativer Entscheidungen.

 

Das könnte Sie auch interessieren

Was meinen Sie dazu?

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Back to top button
Close