Betrugserkennung durch künstliche Intelligenz

Banken verlieren jedes Jahr Milliarden von Dollar durch Betrug. Laut der Association of Certified Fraud Examiners (ACFE) verlieren Banken und andere Organisationen jährlich mindestens 5 % ihrer Einnahmen durch Betrug.

Die Vereinigten Staaten verlieren jedes Jahr mindestens 200 Milliarden Dollar durch Betrug. Betrug ist mit dem Fortschritt der Technologie einfacher geworden und kostet die Verbraucher mehr als je zuvor. Aus diesem Grund geben traditionelle Banken Millionen für Betrugsbekämpfungstechnologien aus, warnen Analysten, die die Branche studieren, dass die Banken dieses Wettrüsten verlieren.

Laut KPMG steigen die Betrugskosten schneller, als die Banken für das Betrugsmanagement ausgeben. Dies erfordert einen radikalen Wandel in der Betrugsprävention und -erkennung, sonst wird das Geschäftsmodell der Banken unhaltbar.

Zum Glück für die Bankenbranche entwickelt sich Fintech, das eine Zeit lang als direkte Bedrohung und Konkurrent angesehen wurde, als wahrscheinlichster Retter. Fintech-Unternehmen und Startups wie Zafin, Backbase, Shield und andere nutzen maschinelles Lernen und künstliche Intelligenz, um das Betrugsproblem anzugehen.

Was ist Betrugserkennung?

Betrugserkennung ist der Prozess der Identifizierung betrügerischer Aktivitäten, unabhängig davon, ob es sich um einen Betrugsversuch oder einen tatsächlichen Betrug handelt. Betrug kann viele Formen annehmen, wie z. B. Kreditkartenbetrug, Versicherungsbetrug oder Transaktionsbetrug. Finanzinstitute, Einzelhändler und andere Unternehmen verlieren jedes Jahr direkt und indirekt Milliarden von Dollar durch Betrug.

Direkt Geld zu verlieren macht Sinn. Jeder Betrugsfall wie Hacking oder Geldautomaten-Skimming ist direkter Betrug bei der Bank. Indirekt Geld durch Betrug zu verlieren bezieht sich auf die falsche Identifizierung legitimer Transaktionen als betrügerische Transaktionen. Dies geschieht meistens, wenn die Maßnahmen zur Betrugserkennung so hoch eingestellt sind, dass sogar legitime Transaktionen vom System als betrügerisch gekennzeichnet werden. Banken verlieren durch solche Fehlalarme jährlich etwa 118 Millionen US-Dollar.

Außerdem sind die Kosten für die Betrugsprävention nicht statisch. Die Kosten für die Verhinderung von Online-Kreditkartenbetrug steigen im Laufe der Zeit, da Hacker ihre Arbeit besser machen. Laut dem Cost of Fraud Report 2017 von LexisNexis gaben 81 % der Finanzinstitute an, dass es jetzt teurer wäre, betrügerische Transaktionen zu verhindern als 2015.

Technologien zur Betrugserkennung

Maschinelles Lernen und KI werden bereits von Banken zur Betrugserkennung eingesetzt. Maschinelles Lernen ist eine Anwendung der künstlichen Intelligenz (KI), bei der Programme selbstständig lernen und Ergebnisse ohne explizite Programmierung automatisch genauer vorhersagen können. Beispielsweise könnte das Programm betrügerische Transaktionen schneller als ein Mensch erkennen und sogar lernen, wie man Betrug besser als Menschen verhindert.

KI ist die Simulation menschlicher Intelligenzprozesse durch Maschinen, insbesondere Computersysteme. Zu diesen Prozessen gehören Lernen (Erwerb von Informationen und Regeln für die Verwendung der Informationen), Argumentieren (Verwendung von Regeln, um ungefähre oder endgültige Schlussfolgerungen zu ziehen) und Selbstkorrektur. Künstliche Intelligenz ist immer beliebter geworden, weil die jüngsten technologischen Fortschritte es möglich gemacht haben, KI in Computersysteme zu integrieren.

Trends in der Betrugserkennung

Da maschinelles Lernen und künstliche Intelligenz immer besser werden, sind weitere Fortschritte im Bereich der Betrugserkennung zu beobachten. Das Ausmaß dieser Veränderungen kann nicht genau vorhergesagt werden, aber einige Forscher haben Vorschläge für mögliche neue Verwendungen von Technologie gemacht.

Anomalieerkennung

Laut vielen Forschern könnte KI verwendet werden, um Anomalien im Kundenverhalten zu erkennen. Wenn ein bestimmtes Muster als ungewöhnlich identifiziert wurde, wurde es zur manuellen Überprüfung gekennzeichnet.

“Anomaly Detection” kann auch eine Rolle bei der Verbesserung von Betrugserkennungssoftware spielen. Eine Anomalie ist etwas, das nicht mit einer erwarteten Norm oder einem erwarteten Muster übereinstimmt. Wenn es Auffälligkeiten im Kundenverhalten gibt, die als potenziell betrügerisch gekennzeichnet sind, kann festgestellt werden, dass wahrscheinlich ein Betrug stattgefunden hat.

Zafin hat Partnerschaften mit führenden Bankinstituten auf der ganzen Welt geschlossen, darunter Barclays, HSBC und die Deutsche Bank. Viele dieser Banken haben in den letzten Jahren erhebliche Verluste aufgrund von Betrug erlitten. Die patentierten Algorithmen des Unternehmens erkennen eine Vielzahl betrügerischer Aktivitäten, einschließlich Transaktionswäsche und Kontoübernahmen.

Backbase arbeitet seit Jahren im Verborgenen, um seine „Invisible Fraud Prevention“-Lösung zu entwickeln. Quellen zufolge verwendet dieses Tool maschinelles Lernen und KI, um Anomalien im Kundenverhalten zu identifizieren, sowie regelbasierte Logik, um festzustellen, ob

Soziale Dynamik

Forscher schlagen auch vor, dass “soziale Online-Dynamik” einzigartige Einblicke in die Betrugserkennung bieten kann. Dem liegt die Idee zugrunde, dass „Agenten in sozialen Netzwerken dazu neigen, Gemeinschaften mit Präferenzen, Normen und Vertrauensbeziehungen zu bilden. Diese Verbindungen könnten zur Erkennung von Betrug genutzt werden.“

Die Grenze zwischen Online-Social-Dynamic-Analyse und Social-Credit-Policing ist sehr schmal. China hat in Shenzhen, das sich zur Technologiehauptstadt Chinas entwickelt hat, erfolgreich ein auf Sozialkrediten basierendes Polizeisystem eingeführt. Ob das gut oder schlecht ist, ist eine andere Debatte.

Biometrische Analyse

Biometrie ist kein neues Konzept, aber die Implementierung dieser Technologie entwickelt sich mithilfe von Datenwissenschaft und maschinellem Lernen weiter, um sie noch sicherer zu machen. Beispielsweise sind Gesichtserkennungsprogramme in der Lage, einzelne Benutzer anhand bestimmter Gesichtsmerkmale zu identifizieren – Passwörter werden also nicht mehr benötigt.

Die biometrische Sprachanalyse ist eine weitere Idee, die Forscher vorschlagen. Dies funktioniert, indem Software verwendet wird, um die Stimme eines Kunden zu analysieren und Betrug zu erkennen, je nachdem, ob sie mit früheren gespeicherten Informationen übereinstimmen oder nicht. Ein Beispiel für diese Art von Technologie ist die AIT Group, die Dienstleistungen für einige malaysische Banken anbietet. Durch das Scannen nach 200 Datenpunkten wie Stimmlage und -ton kann die Software von AIT einen „Live-Phishing-Test“ durchführen, während Kunden anrufen, um Anfragen zu stellen.

Mithilfe dieser Technologien können Banken potenziellen Betrug besser erkennen, bevor er passiert, was zu geringeren Verlusten führt.

Betrugserkennung ist ein wichtiger Aspekt für Finanzinstitute, aber die alten Techniken reichen nicht mehr aus, um mit den neuesten Betrugsmaschen Schritt zu halten. Die Ära der „Brute-Force“-Betrugsprävention ist einem differenzierteren Ansatz gewichen, der maschinelles Lernen und Technologien der künstlichen Intelligenz auf kreative neue Weise einsetzt.

In diesem Artikel haben wir erörtert, wie diese Technologien Banken helfen können, Anomalien oder Änderungen im Kundenverhalten zu erkennen, die auf betrügerische Aktivitäten hindeuten könnten – bevor es überhaupt dazu kommt!