Die nächste Generation der Künstlichen Intelligenz: Predictive Analytics

In der Corona-Krise zeigt sich, dass nahezu alle Branchen die Digitalisierung ihrer Geschäftsprozesse und Geschäftsmodelle beschleunigen. Dabei spielt besonders das Thema der Künstlichen Intelligenz (KI) eine bedeutende Rolle. In diesem Beitrag möchten wir Predictive Analytics vorstellen; eine Technologie, die aus unserer Sicht vor allem bei Banken einen enormen Mehrwert schaffen kann. Gerade im Bereich Compliance beim Einsatz zur Vorhersage von Regelverstößen könnten damit Maßnahmen zur Betrugsprävention ein ganz neues Level erreichen und so effizient sein wie nie zuvor.

Entscheidungsregeln ableiten und Unbekanntes bewerten

Künstliche Intelligenz ist einer der am häufigsten verwendeten Begriffe im Zusammenhang mit Zukunftstechnologien. In mehreren Beiträgen dieser Serie ist KI bereits thematisiert worden. Wir von PPI verstehen darunter jede Technologie, die in der Lage ist, auf Basis von Beobachtungen Entscheidungsregeln abzuleiten und Unbekanntes zu bewerten.

Wie genau ist nun Predictive Analytics technologisch einzuordnen? Vereinfacht ausgedrückt macht diese Technologie nichts anderes, als historische Daten zu analysieren und daraus eine Hochrechnung für die Zukunft zu erstellen. Dabei wird ein Algorithmus benutzt, der in der Lage ist, sehr große Datenmengen auf Muster zu analysieren, Korrelationen selbstständig zu erkennen und daraus eine Prognose abzuleiten. In diesem Zusammenhang kommt auch Machine Learning (ML) als ein Teilbereich von KI mit eigenständig lernenden Algorithmen zum Einsatz. Aus den getätigten Prognosen und den daraus resultierenden Ergebnisdaten lernt der Algorithmus wiederum für seine nächsten Prognosen. Sollten sich gewisse Merkmale oder neue Korrelationen abzeichnen, so gewichtet der Algorithmus automatisch die Merkmale neu und passt seine Prognosen an.

Warum genau ist diese Technologie für Banken und hier insbesondere für den Bereich Compliance so spannend? Streng genommen lassen sich für nahezu alle Technologien, die als KI zu verstehen sind, zahlreiche Anwendungsfälle in der Bank entwickeln. Stellen Sie sich vor, eine Bank wäre ab sofort in der Lage, mit einer Wahrscheinlichkeit von 99 Prozent vorherzusagen, wie sich die Zahlungsfähigkeit eines Kreditnehmers entwickelt. Denkbar ist auch, dass eine Bank respektive Compliance durch KI Geldwäsche sowie sonstige strafbare Handlungen effizienter und wirksamer bekämpfen kann. Predictive Analytics bietet somit zukunftsorientierte und vielversprechende Einsatzmöglichkeiten im Bereich der Geldwäsche- und Betrugsprävention, sogar bei internem Betrug.

Anwendungsfälle in Compliance

Zur Veranschaulichung mal ein reelles Beispiel fernab der Banken: Die Strafverfolgungsbehörden in den USA verwenden bereits heute Predictive Analytics, um Verbrechen genauestens vorhersagen zu können. So lässt sich ein potenzielles Verbrechen auf einen ganz bestimmten Zeitraum und einen genauen geographischen Korridor einschränken. Damit können die Behörden ihre Abläufe massiv optimieren, da die Verbrecher nur noch abgefangen werden müssen. Losgelöst davon ist für die Ergebnisse und deren Genauigkeiten stets die Menge sowie die Qualität der Daten ausschlaggebend. So kann es zu folgenschweren Verzerrungen der Ergebnisse kommen, wenn der Algorithmus mit einseitigen Daten versorgt wird. Konkret zu erkennen ist dies am Beispiel von Gerichtsentscheidungen auf Basis von KI in den USA. Schon heute werden so die Schuldfähigkeit und die Rückfallwahrscheinlichkeit eines Täters beurteilt. Eine einseitige beziehungsweise inkorrekte Datenfütterung verursacht hier falsche Verurteilungen. Es ist also maßgeblich, eine Vielzahl von Datensätzen und eine fehlerfreie Datengrundlage – Stichwort Datenqualität – zu verwenden, bei denen sich nicht nur eindeutige Korrelationen, sondern auch Querverbindungen ausfindig machen lassen. Überträgt man dieses Konstrukt nun auf Banken, so lassen sich ähnliche Anwendungsfälle in Compliance identifizieren. Predictive Analytics kann gerade beim präventiven Erkennen und Verhindern seine Algorithmusstärken ausspielen.
Als innovatives Software- und Beratungshaus haben wir uns bereits mit genau diesen Aspekten auseinandergesetzt. Unser Ziel war es, eine smarte End-2-End-Prävention von Cybercrime zu entwickeln, die bereits beim Social Engineering ansetzt.

Auf der Suche nach einer passgenauen Lösung

Predictive Analytics ist dabei nur ein Bestandteil, wenngleich auch ein wesentlicher. Unter anderem dienen Continuous Learning oder auch intelligente Textanalysen digitaler Kommunikationsströme dazu, zielgenaue Prognosen zu erhalten. Diese visualisierten Vorhersagen auf Basis identifizierter semantischer Zusammenhänge ermöglichen verlässliche und spezifische Warnhinweise – in Echtzeit. Durch individualisierbare Parameter wie Schwellwerte und Gewichtungen sind Anpassungen an unzählige Anwendungsfälle möglich, immer mit dem Fokus,

  • potenzielle Ziele schon vor dem eigentlichen Angriff zu identifizieren,
  • interne wie auch externe betrügerische Handlungen frühzeitig zu ermitteln und zu stoppen,
  • größere finanzielle Schäden und Reputationsverluste zu vermeiden,
  • fundierte Entscheidungsgrundlagen im Kontext von Compliance-Controlling zu gewinnen sowie
  • Zeit und Aufwand einzusparen.

Sollten Sie weitere Fragen haben oder auf der Suche nach einer passgenauen Lösung der nächsten Generation von KI für Ihr Unternehmen sein, kommen Sie gerne auf uns zu!

RegTech Teil 10: Predictive Analytics

Für weitere Informationen kommen Sie auf uns zu!

Weitere Infos: https://www.ppi.de/banken/compliance/regtech/

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.

Verwandte Artikel
Mehr

Teil 18: Compliance-Suiten

Die unverzichtbaren Werkzeuge zur Einhaltung regulatorischer Vorgaben Im Zuge der Aufarbeitung der Finanzkrise 2008 wurden Banken vom Gesetzgeber nach und nach weitreichende Pflichten zur Dokumentation…