Article
Künstliche Intelligenz in der Geldwäschebekämpfung
Analytics mittels KI für die Anti-Financial-Crime Prozesse in Banken
Im traditionellen Transaction Monitoring lassen sich Effizienz- und Effektivitätsdefizite feststellen, die durch den gezielten Einsatz von KI-Modulen adressiert werden können. Hierbei ist es nicht notwendig, dass alle Funktionen zugleich vollständig ersetzt werden. Es ist jedoch ratsam, dass das Optimierungspotenzial erkannt und sukzessiv ausgenutzt wird. Das Deloitte Whitepaper „KI in der Geldwäscheprävention“ beschreibt die strategische Umsetzung.
Die überwiegende Mehrheit der automatisierten Transaction-Monitoring-Systeme (TMS) basiert auf generischen Risikotypologien mit Regeln, die Schwellenwerte und weitere Parameter verwenden. In der Praxis generieren diese Regeln häufig eine große Anzahl von False Positive Alerts, die manuell bearbeitet werden müssen. Dieser Prozess ist in dieser Form sehr arbeitsaufwändig und bindet viele Ressourcen, die einen Kostenfaktor darstellen.
Die bestehenden TMS inklusive der Alert-Generierung können durch den Einsatz neuer Technologien deutlich verbessert werden, die in der Lage sind, Regeln dynamisch und kundenspezifisch anzupassen. Hierdurch kann nicht nur eine Effizienz-, sondern auch eine Effektivitätssteigerung erreicht werden. Gerade im Kontext der Regelanpassung bieten neue Technologien das Potenzial, genauere Treffer zu generieren und dabei gleichzeitig den Aufwand von Above-the-Line- sowie Below-the-Line-Tests zu verringern.
In diesem Whitepaper beschreiben wir, welche schrittweise Anpassungen vorgenommen werden können, um sukzessiv von technologischen Innovationen zu profitieren. So lassen sich in nahezu jedem Schritt beim Transaction Monitoring Optimierungspotenziale identifizieren. Sowohl bei der Regelkonfiguration als auch im Rahmen der Erstellung von Positivlisten oder aber für konkrete Entscheidungshilfen für Analysten kann Technologie eingesetzt werden, die im ersten Schritt die Compliance Funktionen unterstützt und zukünftig Prozesse teilweise oder sogar vollständig automatisieren kann. Hierdurch lassen sich langfristig Kosten und Zeit in den betroffenen Prozessen einsparen.
Eine Lösung für das Transaction Monitoring sollte dabei möglichst einfach in der Umsetzung sein, sodass viele Elemente bereits durch eine Out-of-the-Box Lösung abgedeckt sind. Trotzdem sollte es darüber hinaus die Möglichkeit geben, bei Bedarf die Lösung flexibel und simpel auf spezifische Anforderungen anzupassen, ohne dass hierdurch ein zu großer Aufwand entsteht. Ein modularer Ansatz sorgt dafür, dass einzelne Funktionen sukzessiv unterstützt werden, ohne dass direkt eine Komplettlösung implementiert werden muss. Dies spart sowohl Zeit als auch Ressourcen in der Umsetzung. Durch eine Zusammenführung und Konsolidierung der Daten kann ferner die Verarbeitung zusätzlicher Informationen ermöglicht werden, die unter Umständen in der traditionellen Verarbeitung und Funktionstrennung übersehen werden. Hierdurch lassen sich weitere Optimierungspotenziale heben.
In Hinblick auf die Aufgaben der Compliance-Funktionen muss eine vollständige regulatorische Konformität gewährleistet sein. US-Regulierungsbehörden gehörten zu den Ersten, die den Einsatz von KI in AML-Prozessen förderten. Im Dezember 2018 veröffentlichten die Federal Reserve, die Federal Deposit Insurance Corporation (FDIC), das Financial Crimes Enforcement Network (FinCEN), die National Credit Union Administration und das Office of the Comptroller of the Currency (OCC) das „Joint Statement on Innovative Efforts to Combat Money Laundering and Terrorist Financing“. Das Dokument bezieht sich speziell auf den Einsatz Künstlicher Intelligenz im Anti-Financial-Crime-Bereich. Regulierungsbehörden in anderen Jurisdiktionen werden diesem Beispiel sicherlich folgen.
Laden sie hier unser aktuelles Whitepaper „KI in der Geldwäscheprävention“ herunter und erfahren Sie mehr.
