KI IN AML: BEITRETEN, BEVOR ES ZU SPÄT IST

In den letzten Jahren haben die Regulierungsbehörden umfangreiche Befugnisse zur Verhängung von Geldbußen und Sanktionen erhalten: Die US-Regulierungsbehörden haben die Führung übernommen, während die europäischen Aufsichtsbehörden aufholen. Die Geldstrafen für AML in Europa und Großbritannien beliefen sich von 2014 bis 2017 auf insgesamt $214 Millionen, in den USA auf $1,96 Milliarden. In den ersten drei Quartalen des Jahres 2018 beliefen sich die Geldstrafen in Großbritannien und Europa auf 918 Mio. USD, während sie in den USA etwas über 1 Mrd. USD betrugen. Daher haben die Finanzintermediäre begonnen, die neue Generation intelligenter Waffen einzusetzen und Innovationen im Bereich des maschinellen Lernens in den verschiedenen Phasen der Aufdeckung von Finanzkriminalität einzuführen (siehe Abbildungen unten).

WO KANN DIE KI HELFEN?

Durch den Ersatz regelbasierter Modelle durch datengesteuerte Modelle kann der Prozess der Aufdeckung verdächtiger Aktivitäten objektiver, zeiteffizienter und kostengünstiger gestaltet werden. Darüber hinaus können Analyseverfahren von Big Data helfen, versteckte Muster (z. B. bestimmte Fälle von "Smurfing") zu erkennen und externe unstrukturierte Informationen zu verarbeiten (z. B. Erkennung nachteiliger Medien).

Es erübrigt sich zu sagen, was das Endziel dieses ganzen Digitalisierungsprozesses ist: die Reduzierung von Fehlalarmen. 99% der regelbasiert generierten Warnungen der FIs sind in der Tat Fehlalarme und werden daher nicht zu SARs eskaliert; die Einbeziehung des maschinellen Lernens hat sich als erfolgreiche Strategie erwiesen, um die Falsch-Positiv-Erkennungsrate auf weniger als 70% zu reduzieren.

WO LIEGEN DIE PROBLEME?

Warum aber, wenn die Vorteile so zahlreich sind, ist die KI von der Mehrheit der FI noch nicht aktiv umgesetzt worden?

• Schlechte Datenqualität: ein großer Teil der in den Datenbanken der FI gespeicherten Daten ist veraltet oder fehlt, fehlende Rückverfolgbarkeit und mangelnde Datenabstammung.
• Veraltete IT-Infrastruktur: Die meisten FIs haben noch immer ziemlich veraltete IT- und Datenbanksysteme, die modernisiert werden müssen; maschinelle Lernroutinen können nicht auf ineffizienten und veralteten Datenarchitekturen implementiert werden.
• Begrenzte gemeinsame Nutzung von Daten: FIs arbeiten nicht formell bei der AML zusammen und haben keine rechtliche Freiheit, Informationen über ihre Kunden auszutauschen, um ein umfassendes Netzwerk aufzubauen; diese Einschränkungen verhindern, dass die Algorithmen neue mögliche kriminelle Muster zwischen verschiedenen Konten erkennen können.
• Regulatorische Einschränkungen: Regulatoren erwarten Modelle, die klar verstanden, interpretiert und erklärt werden können; Algorithmen, die zur Unterstützung von Fragen im Zusammenhang mit AML implementiert werden, sind jedoch in der Regel nicht so vanilla.
• Schwer zu erklären: Es gibt einen klaren Kompromiss zwischen der Vorhersagegenauigkeit eines Modells und seiner Interpretierbarkeit: Eine lineare Regression wäre in der Regel leichter zu interpretieren, hat aber keine ausreichende Vorhersagekraft.

WIE KANN EINE ALPHA REPLY HELFEN?

Dank unseres praktischen und branchenspezifischen Fachwissens können wir bei Alpha Reply in jeder Phase des Prozesses Hilfe anbieten, indem wir die vollständige Verantwortung für das gesamte Projekt übernehmen oder indem wir Teamverstärkungskapazitäten anbieten.