Die Kosten der Geldwäsche und anderer Formen der Finanzkriminalität sind entscheidend für die Zukunft einer Bank. Die in Schwierigkeiten geratene Deutsche Bank wird wegen ihrer angeblichen Rolle in einem russischen Geldwäscheprogramm von 20 Milliarden Dollar mit Geldbußen, rechtlichen Schritten und der möglichen Verfolgung des oberen Managements konfrontiert, so ein aktueller Bericht von The Guardian.

Geldwäsche Betrug umfasste Shellfirmen, die sich gegenseitig Geld leihen und sich dann für bankrott erklären. Neben den hohen Bußgeldern, die anfallen können, kann der Schaden für Marke und Ansehen unkalkulierbar sein. Die Deutsche Bank wird als “Global Laundromat” bezeichnet, wobei die Gesamtfinanzierung auf rund 80 Milliarden US-Dollar geschätzt wird. 

Nun, es gibt eine große Herausforderung für jedes PR-Unternehmen, das dazu bereit ist.

Und doch sind die Kosten für die Quietschreinigung (zumindest in den Augen des Reglers) auch augenfällig. Allein in den USA werden die Kosten für die Einhaltung von AML auf 23,5 Milliarden US-Dollar pro Jahr geschätzt. Europäische Banken kommen mit 20 Milliarden Dollar pro Jahr in die Nähe. Und wofür? Die Banken identifizieren ein mickriges Prozent aller gewaschenen Gelder.

In Europa sind das nur 10 Milliarden Dollar von den 1 Billionen Dollar, die gewaschen werden. Das ist nur die Hälfte dessen, was für Compliance ausgegeben wird! Noch schockierender ist, dass in den letzten zehn Jahren 90 % der europäischen Banken wegen AML-bezogener Straftaten mit einer Geldstrafe belegt wurden; weltweit wurden Banken in den letzten zehn Jahren mit einer Geldstrafe von rund 26 Milliarden Dollar belegt.

Was ist also der Sinn von “Compliance”? Es ist zum Selbstzweck geworden, zu einer von Regierungen und Regulierungsbehörden auferlegten Tick-the-box-Übung, die Tausende von Compliance-Profis in hochbezahlten Jobs hält, und Zehntausende von niedrigbezahlten Schuften, die seelenzerstörerische Nebentätigkeiten verrichten.

Die Bekämpfung der Geldwäsche war und ist immer eine weitgehend manuelle Aufgabe, bei der es darum geht, Fälle von ungewöhnlichen oder verdächtigen Aktivitäten zu verfolgen, die sich in der überwiegenden Mehrheit der Fälle als falsch positiv erweisen.

An der Wurzel des Problems liegen die vier Vs von Big Data: Die zunehmende Wachstumsrate des Volumens der im Umlauf befindlichen Finanzdaten, ihre Umlaufgeschwindigkeit, ihre Vielfalt und Variabilität. Nach Angaben der International Data Corporation (IDC) werden bis 2020 44 Zettabytes an Daten erzeugt worden sein.

Um das in Relation zu setzen, ist ein Zettabyte eine Milliarde Gigabyte. Ein Zettabyte ist gleich einem Sextillion, oder 1021. Die Anzahl der Sandkörner auf der Erde wird auf eine weitaus kleinere Zahl geschätzt, nur 7,5 * 1018, oder sogar Trillionen, fünfhundert Billiarden Körner.

Deshalb kommt das Gerede über Nadeln im Heuhaufen bei weitem nicht an die Beschreibung der Herausforderung heran! Der Versuch, eine einzige kriminelle Transaktion zu finden, ist eher der Suche nach einem Sandkorn auf mehreren Kontinenten gleichzusetzen. Aber mit einem zusätzlichen Komplikationsfaktor.

Die Anzahl der Sandkörner auf der Erde ist zwar riesig, aber begrenzt. Während wir ständig mehr Finanzdaten ausgeben. Bis 2030 werden rund 50 Milliarden elektronische Geräte an das Internet angeschlossen sein, von denen die meisten in der einen oder anderen Form Transaktionen generieren.

Es gibt nur einen Weg, um aus dieser Sackgasse herauszukommen, und zwar durch den Einsatz von Technologie. 

Lassen Sie uns einige der beteiligten Technologien betrachten. Insbesondere die Technologie, die leistungsfähig genug ist, um durch die unüberschaubar riesigen Ozeane von Transaktionsdaten zu streifen und Muster zu erkennen, die auf kriminelle Aktivitäten mit einer sehr zuverlässigen Wahrscheinlichkeit hinweisen.

Es gibt zwar eine Menge IT-Hype, aber wenn Sie es ernst meinen, Ihren Kunden zu kennen und die Geldwäsche mit einer akzeptablen Rendite für Ihre Bemühungen und Investitionen anzugehen, müssen Sie sich mit der künstlichen Intelligenz (KI) vertraut machen.

Es vergeht kein Tag, an dem wir nicht von künstlicher Intelligenz hören, und das klingt alles erstaunlich, aber wissen wir wirklich, was sich hinter künstlicher Intelligenz verbirgt?

Die KI-Idee begann Anfang des letzten Jahrhunderts. Genauer gesagt, die erste wissenschaftliche Arbeit von Walter Pitts und Warren McCulloch zu diesem Thema beeinflusste die wichtige Dartmouth-Konferenz 1956.

Die KI hat eine breite Definition. Sie gilt für jede Form von Intelligenz, die durch Computer und ähnliche Geräte nachgewiesen wird. Das Financial Stability Board definiert KI als “die Theorie und Entwicklung von Computersystemen, die in der Lage sind, Aufgaben zu erfüllen, die traditionell menschliche Intelligenz erfordern”.

Maschinelles Lernen (ML): Dies ist ein wichtiges Teilgebiet der KI und es sind die Entwicklungen im Bereich des maschinellen Lernens, die viele der jüngsten Erfolge der KI im Finanzsektor vorangetrieben haben. Es bezieht sich auf die Wissenschaft von Algorithmen und statistischen Modellen, mit denen Computersysteme bestimmte Aufgaben ohne ausdrückliche Anweisungen ausführen. Je mehr historische Daten ein maschinelles Lernsystem hat, desto mehr lernt es, wie es auf neue Daten reagieren kann.

Maschinelles Lernen: Dies ist ein wichtiges Teilgebiet der KI und es sind die Entwicklungen im Bereich des maschinellen Lernens, die viele der jüngsten Erfolge der KI im Finanzsektor vorangetrieben haben. Es bezieht sich auf die Wissenschaft von Algorithmen und statistischen Modellen, mit denen Computersysteme bestimmte Aufgaben ohne ausdrückliche Anweisungen ausführen. Je mehr historische Daten ein maschinelles Lernsystem hat, desto mehr lernt es, wie es auf neue Daten reagieren kann.

Das maschinelle Lernen wird in zwei Gruppen eingeteilt: Überwachtes und unbeaufsichtigtes Lernen:

Künstliche Intelligenz und maschinelles Lernen verwenden zwei Arten von Techniken: Während unbeaufsichtigte Modelle Rohdaten ausgesetzt sind, um versteckte Muster oder intrinsische Strukturen zu finden, die Geldwäsche oder andere Finanzkriminalität signalisieren könnten. 

Alles wird “intelligent“, wie unsere Autos, Handys, Fernseher, Uhren, ja sogar Städte. Dennoch haben wir noch nicht im Zeitalter der unbeaufsichtigten KI gelebt. Sein Gegenstück, die beaufsichtigte KI, existiert bereits. 

Anwendung von KI und ML bei der Bekämpfung der Finanzkriminalität 

Zwei wesentliche Vorteile für die Banken, die sich mit der Bekämpfung der Finanzkriminalität befassen: vor allem die Reduzierung von Fehlalarmen und die Erstellung ausgefeilterer Risikoprofile auf der Grundlage von Verhaltensweisen, anstatt sich nur auf Regeln zu verlassen, werden einen großen Beitrag zur Steigerung der Effizienz im AML-Prozess leisten. 

Die Methodik hinter den traditionellen Transaktionsüberwachungssystemen sind im Wesentlichen Regeln, Schwellenwerte und Risikoprofile, die auf Branchenspezifika wie Produkt, Geographie, Transaktionswert und -typ basieren.

Wie wir gesehen haben, ist dies weder der ausgefeilteste noch der effizienteste Ansatz, um verdächtige Aktivitäten zu erkennen, die zu einem hohen Volumen an False Positives geführt haben. 

Die Zukunft des Transaktions-Monitorings bedeutet daher, in der Lage zu sein, in nahezu Echtzeit tiefer in Transaktionsdaten einzutauchen, als nur mit einer Bibliothek von festgelegten Regeln, die auf Branchenspezifika basieren.

Wie wichtig dies ist, zeigt der Einsatz von überwachtem Lernen bei der Sanktionsprüfung, bei der jeder Zahlungsvorgang überprüft werden muss, um zu überprüfen, ob Begünstigte auf einer Sanktions- oder Pepliste stehen.

Diese Screening-Systeme produzieren jedoch viele False Positives, die von einem menschlichen Prüfer bereitgestellt werden müssen, bevor die Transaktion das Gateway verlassen kann. Hoffentlich kann die KI gut genug trainiert werden, um schließlich einen Großteil der Aufgabe zu übernehmen, diese Fehlalarme zu überprüfen.

Künstliche Intelligenz hätte nicht zu einem besseren Zeitpunkt kommen können, und man kann es sich einfach nicht leisten, nicht damit zu experimentieren, besonders für eine unterbeschäftigte mittelgroße oder kleine Bank. KI und ML haben ein grundlegendes Veränderungspotenzial, da sie in der Lage sind, ein Mittel zur Skalierung und Anpassung an die moderne Bedrohung durch Finanzkriminalität bereitzustellen.

Allerdings ist künstliche Intelligenz kein Ersatz für menschliche Intelligenz und kann es wahrscheinlich auch nie sein. Um das Potenzial von KI besser zu erforschen und zu realisieren, müssen Banken ihre Grenzen und Risiken sowie ihre Fähigkeiten verstehen. Im Wesentlichen,

Die Aufgabe der KI besteht darin, die nicht und teilautomatisierten Aufgaben bei der Verarbeitung und Untersuchung großer Datenmengen zu unterstützen, die der Mensch einfach nicht bewältigen kann. Kurz gesagt, die KI kann und muss helfen, wo es viele historische Daten gibt, aus denen Algorithmen lernen können und das Risiko, einen Fehler zu machen, gering ist. 

Risikoprofilerstellung 

Die aktuelle Herausforderung besteht darin, dass diese Kundenkategorie nicht einheitlich Gruppen von Unternehmen mit einheitlichem Transaktionsverhalten darstellt. Wenn also Benachrichtigungen über gute Kunden generiert werden, müssen Finanzinstitute entscheiden, ob sie entweder die Regel für die gesamte Kundenkategorie anpassen oder eine neue Kundenunterkategorie anlegen. Aus diesem Grund arbeiten viele Banken mit über 200 Unterkategorien und verlieren buchstäblich die Aufsicht.

Ein vielversprechender Bereich für die KI könnte daher das Risikoprofiling und die Kundensegmentierung sein. AI analysierte Transaktionen, würden Kunden aufgrund ihres Verhaltens in relevantere Risikosegmente einordnen. Ein Kundensegment könnten beispielsweise Unternehmen sein, die große grenzüberschreitende Kreditgeschäfte tätigen, über hochfrequente Gegenparteien und eine große Anzahl von eindeutigen Originatoren verfügen.

Wenn ein Kunde Transaktionen außerhalb der normalen Parameter seines Segments durchführt, wird er einer weiteren Analyse unterzogen, die möglicherweise auch Untersuchungen durch Menschen beinhaltet. Dies würde die Anzahl der Fehlalarme minimieren und gleichzeitig die Produktivität erhöhen und die Kosten für die Einhaltung der Vorschriften senken. 

Menschen hingegen müssen dort eingreifen, wo es wenig Informationen gibt (oder die Informationen bereits gesichtet und verdichtet wurden), aber das Risiko, einen Fehler zu machen, ist erheblich.

Hier sind die Herausforderungen an die Künstliche Intelligenz und das Machine Learning, von denen niemand spricht:

  • Datenzugriff und -kennzeichnung – Stellen Sie sicher, dass Sie Zugriff auf robuste Daten haben, die ordnungsgemäß gekennzeichnet sind, um “garbage in, garbage out” zu vermeiden.
  • Erklärbarkeit – die Regulierungsbehörden erwarten, dass Sie beschreiben können, wie Ihr ML-Modell funktioniert. Ansonsten nur eine “Black Box”.
  • IT-Infrastruktur – muss in der Lage sein, eine hohe Verfügbarkeit aufrechtzuerhalten, um Nachfragespitzen nach dem ML-Modell entgegenzuwirken.
  • Mögliche Verzerrungen – die Trainingsdaten stellen die Bevölkerung nicht genau dar oder die Trainingsdaten werden durch Vorurteile beeinflusst.

Das bedeutet, dass es bei der Untersuchung, wie KI eingesetzt werden kann, auch wichtig ist, ein Governance-System und einen ethischen Rahmen zu schaffen, durch den die Entwicklung und Nutzung von KI gesteuert werden kann. KI-Systeme müssen kontinuierlich bewertet werden, um die Qualität ihrer Ergebnisse zu bestimmen, und sie müssen ständig verbessert werden, wenn die Finanzdienstleistungsbranche mit der sich ständig ändernden Natur der Finanzkriminalität Schritt halten will.

Jedoch ansprechend, dass diese Technologie zu den Leuten klingen konnte, die das Endergebnis überwachen. Die Realität ist, dass KI-Systeme monatelang mühsam geschult werden müssen, da Experten riesige Mengen an gut strukturierten Daten in das System einbringen müssen, um aussagekräftige Schlussfolgerungen ziehen zu können, und diese Schlussfolgerungen basieren nur auf den Daten, auf denen sie geschult wurden.

Kurz gesagt, menschliches Lernen ist genauso wichtig wie maschinelles Lernen!

Weitere Artikel sowie eigene Artikel im AML Knowledge Centre finden Sie hier auf LinkedIn, indem Sie der Gruppe @ beitreten. https://www.linkedin.com/groups/8196279/ oder Besuch oder Seite über Kryptowährungen https://aml-knowledge-centre.org/cryptocurrencie


By continuing to use the site, you agree to the use of cookies. more information

The cookie settings on this website are set to "allow cookies" to give you the best browsing experience possible. If you continue to use this website without changing your cookie settings or you click "Accept" below then you are consenting to this.

Close