Betrug heisst nicht nur Geldwäscherei, Korruption oder Bestechung, sondern auch Steuerbetrug, Social Engineering und Cybercrime. Neue Technologien sollen hier zum Einsatz kommen, um die Betrugsraten zu senken und automatisch potenziell betrügerische Bewegungen zu erkennen. Künstliche Intelligenz, insbesondere Machine Learning, hat das Potenzial, Anomalien frühzeitig zu erkennen und dadurch kriminelle Tätigkeiten aufzuspüren.

Regelbasierte Detections werden für bekannte Bedrohungen verwendet, Machine Learning hilft unbekannte Bedrohungen aufzuspüren. Dabei wird für jede zuvor definierte Kundengruppe ein digitaler Fingerabdruck erstellt, der vorhersagen soll, wie sich die Personen dieser Gruppe online verhalten. Schon kleinste Verhaltensauffälligkeiten können auf Betrug hinweisen: Etwa die Art, wie ein Kunde ein Formular ausfüllt, tippt oder wie schnell er die Maus bewegt. Machine Learning kann daraus Schlüsse ziehen und Bewegungen und Kundenkonten mit Scores versehen, die auf neue Arten von Betrug hinweisen – oder auch als unverdächtig eingestuft werden können. Machine Learning sucht also die kleinsten Anomalien im Verhalten von Kunden um auch unbekannten Betrug so früh wie möglich erkennen zu können.

Machine Learning Modelle sind jedoch stets nur so gut, wie die Daten, auf denen sie basieren. Finanzinstitutionen können das Problem, nicht genug erkannte betrügerische Daten zu haben, umgehen, indem sie künstliche Datenpunkte erstellen, welche Betrugsfälle imitieren. Dies geschieht mit oversampling Techniken wie SMOTE oder mit undersampling Techniken.

Für Finanzinstitutionen und Banken ist der Einsatz von KI, insbesondere von Machine Learning, ein entscheidender Erfolgsfaktor, wenn es darum geht, immer raffiniertere kriminelle Vorgänge zu entdecken und zu bekämpfen. Machine Learning ermöglicht es Banken, verdächtige oder tatsächlich kriminelle Aktivitäten in Echtzeit und mit höherer Genauigkeit zu identifizieren, als es die andere Methoden können. Auch wenn es natürlich nach wie vor menschliche Interaktion braucht, um Regeln zu definieren und Resultate zu prüfen, kommen Banken nicht darum herum, Machine Learning einzusetzen, wenn sie sich die nötigen Skills aneignen möchten, die sie für das Weiterbestehen ihres Geschäfts brauchen – und den Anschluss an eine sich rapide entwickelnde Technologie nicht verpassen wollen.