Künstliche Intelligenz im Einsatz gegen Finanzkriminalität
Geldwäschebekämpfung, Finanzsanktionen und Betrug: welche neuen Anti Financial Crime (AFC) Technologien werden in der Finanzindustrie heute genutzt?
Das Potenzial von neuen Technologien wie Künstlicher Intelligenz (KI) und Maschinelles Lernen (ML) für Know Your Customer (KYC), Anti-Money Laundering (AML), Sanctions, Fraud und Anti-Bribery & Corruption (ABC) wird in der Finanzbranche immer häufiger erkannt und strategisch genutzt.
Der Einsatz von Anti-Financial Crime Technologien geht regelmäßig mit der Verarbeitung großer Datenmengen einher, um in diesen Hinweise auf verdächtiges Verhalten zu identifizieren, zum Teil in Echtzeit. Die derzeit verwendeten IT-Systeme kommen hierbei sehr schnell an ihre Grenzen, was zu einem erheblichen manuellen Aufwand führt. Der Einsatz von Künstlicher Intelligenz (KI) wird daher schon seit einiger Zeit als Lösungsmöglichkeit diskutiert, schon lange bevor generative Sprachmodelle (GenAI, LLMs) große Popularität erlangt haben.
Deloitte unterstützt Sie in der Evaluierung sowie bei der praktischen Umsetzung und Implementierung von Technologien, wie etwa KI, für Ihre Geldwäsche-, Betrugs- und Sanktions-Compliance.
In den hier aufgeführten Veröffentlichungen können Sie sich zu verschiedenen Themen rund um den Einsatz künstlicher Intelligenz im Bereich Anti Financial Crime informieren und relevante Ansprechpersonen finden.
KI-Overlay im Kampf gegen Finanzkriminalität
Künstliche Intelligenz nutzen, ohne bestehende Lösungen zu ersetzen
Noch bevor Anwendungen, die auf Künstlicher Intelligenz basieren, einen ausreichenden Reifegrad erzielen konnten, mussten Finanzinstitute regelbasierte Überwachungs- und Screening-Systeme implementieren.
Diese regelbasierten Systeme, bei denen es sich häufig um lokale Lösungen - sogenannte „On-Premises“ (On-Prem) Lösungen - handelt, wurden dabei über Jahre mit einer Vielzahl von spezifischen Anpassungen tief in die bestehende Datenlandschaft der Finanzinstitute integriert.
Da diese Altsysteme bei der Bekämpfung von Finanzkriminalität mit dem Aufkommen von leistungsfähigen KI-Anwendungen nun als äußerst ineffektiv und ineffizient bewertet werden können, sind Finanzinstitute bestrebt, auch im Bereich der Finanzkriminalitätsprävention von den immensen technologischen Fortschritten im Bereich der KI zu profitieren.
Die Ablösung solcher Altsysteme kann jedoch sehr aufwändig und kompliziert sein, weshalb viele Institute in der Praxis vor vollständigen Systemwechseln zurückschrecken.
Das Konzept des „KI-Overlay“ kann eine Lösung dafür sein. Bei diesem Konzept wird KI eingesetzt, um das bestehende System zu verbessern, ohne es gänzlich abzuschaffen. KI wird hierbei z.B. genutzt, um Trefferbilder der Altsysteme nachträglich zu bewerten. Dies ermöglicht, entweder Abarbeitungsprozesse zu priorisieren oder gar Fehlalarme automatisch auszusortieren.
Die Implementierung eines parallelen KI-Overlays ist dabei weniger komplex als ein kompletter Systemwechsel und verspricht Finanzinstituten, gleichzeitig unmittelbar von KI profitieren zu können.
"Das Whitepaper in Zusammenarbeit mit Hawk erläutert, welche Aspekte für eine erfolgreiche Implementierung eines KI-Overlays zu beachten sind."
AI Regulation for Anti-Financial Crime
Welche regulatorischen Herausforderungen entstehen aus
Anti-Financial Crime (AFC) Sicht beim Einsatz von künstlicher Intelligenz?
In den letzten zwei Jahrzehnten hat der Druck der Regulierungsbehörden zur Einrichtung umfangreicher Compliance-Programme im Finanzsektor geführt. Insbesondere in den Bereichen Geldwäschebekämpfung, Sanktionen oder Betrugsprävention. Darauf aufbauend wurden ressourcenintensive Compliance-Management-Systeme etabliert.
Der stetig steigende Kostendruck und das wachsende Interesse an künstlicher Intelligenz (KI), u.a. hervorgerufen durch Applikationen wie ChatGPT, veranlassen Finanzinstitute, verstärkt reale Anwendungsfälle der KI und des Maschinellen Lernens (ML) zu erforschen, z.B. in Bereichen wie KYC und Transaktionsmonitoring.
ML-unterstützte Systeme zur Analyse von Transaktionen versprechen bei gleichwertiger Risikoabdeckung eine Kostenreduktionen von 60 Prozent und mehr. Jedoch stoßen Finanzinstitute bei solchen Initiativen unmittelbar auf die Herausforderungen der immer komplexer werdenden regulatorischen Landschaft für ML-basierte Anwendungen, insbesondere in Bezug auf hochgradig komplexe ethische und datensensible Fragestellungen.
Die Ungewissheit darüber, ob ein ML-Anwendungsfall einer Prüfung durch die Regulierungs- und Aufsichtsbehörden standhalten kann, ist entscheidend dafür, ob die Einführung ML-basierter Anwendungen überhaupt durchgesetzt werden kann. Die Entscheidung, Zeit und Geld in die Entwicklung von Anwendungsfällen zu investieren, muss mit der hinreichenden Sicherheit getroffen werden, dass die Aufsichtsbehörden die eigene ML-basierte Applikation akzeptieren werden.
Wir helfen Ihnen mit Health Checks, Best-Practice-Erfahrungen und zielgerichteten Einzelmaßnahmen, sich in der regulatorischen KI-Landschaft zurechtzufinden, damit Sie sich zuversichtlich Ihrem ML-basierten AFC-Anwendungsfall widmen können.
GenAI in Compliance
Generative Artificial Intelligence (GenAI) oder damit verbundene Large Language Models (LLMs), wie z.B. ChatGPT, haben das Potenzial, die Arbeitswelt und damit auch den Compliance Bereich grundlegend zu verändern
So können LLMs u.a. dabei helfen, KYC-(Know-Your-Customer-) Prozesse zu vereinfachen, indem Kundeninformationen aus vorhandenen Dokumenten automatisiert ausgelesen, dokumentiert und bewertet werden. Auch denkbar ist, dass LLMs regulatorische Reporting-Aufgaben, wie das Verdachtsmeldewesen, automatisiert unterstützen.
Trotz dieser und einer Vielzahl weiterer Möglichkeiten werden LLMs im Compliance Bereich gegenwärtig noch nicht flächendeckend genutzt. Dies liegt unter anderem daran, dass dieser hochsensibel ist und Fehler gravierende juristische und damit möglichweise auch finanzielle Auswirkungen sowie Reputationsschäden haben können.
Aufgrund der hohen Anforderungen im Compliance Bereich – wie niedrige Fehlertoleranz, ausgeprägter Datenschutz, Nachvollziehbarkeit und Transparenz – wird die Nutzung öffentlich zugänglicher LLMs erheblich erschwert.
Unser Anti-Financial Crime Technology Team hat ein spezielles LLM Expertensystem entwickelt, um den damit verbundenen Herausforderungen zu begegnen sowie Erfahrungen in diesem Bereich zu dokumentieren. Zentrale Aspekte, die wir im Aufbau unserer Applikation berücksichtigt haben, werden in der zum Download angebotenen Publikation umrissen.
"Basierend auf unserer Expertise im Umgang mit LLMs im Compliance Umfeld unterstützen wir Sie gerne, wenn Sie auch die Möglichkeiten von LLMs in Ihrem Compliance Bereich wirksam nutzen möchten."
Optimizing rule-based transaction monitoring systems
Ein computergestütztes Transaktionsüberwachungssystem als Schlüsselkomponente des internen Kontrollumfelds bei der Bekämpfung von Geldwäsche, Terrorismusfinanzierung, Sanktionsumgehung und Betrug
Regulatorische Anforderungen in der Geldwäscheprävention sehen periodische Reviews von Transaktionsüberwachungssystemen vor. Gegenwärtig werden diese anhand von Regeloptimierung durch Above- und Below-the-Line Tests durchgeführt, jedoch weist diese Methode mehrere Probleme auf.
Zum einen betrifft dies insbesondere die lokale Optimierung, die eine isolierte Betrachtung einzelner Regeln beinhaltet, ohne der symbiotischen Interaktion zwischen verschiedenen Regeln die gebührende Bedeutung beizumessen. Zum anderen ist es das Fehlen von Risikokosten, d. h. die derzeitigen Ziele konzentrieren sich in erster Linie darauf, entweder False Positives oder False Negatives zu reduzieren, ohne ein optimales Gleichgewicht zwischen beiden zu finden.
Als Antwort auf diese Beschränkungen führen wir einen umfassenden Ansatz ein, der beide Schwachstellen berücksichtigt. Wir schlagen eine globale Optimierungsstrategie vor, die eine ganzheitliche Betrachtung aller im Spiel befindlichen Regeln und die Berücksichtigung ihrer kombinierten Auswirkungen auf das System beinhaltet. Darüber hinaus empfehlen wir, die Risikokosten als Variable in die Gleichung aufzunehmen – sie bezeichnen die Gesamtkosten, die durch False Positives und False Negatives entstehen.
Die Verschmelzung von globaler Optimierung und Risikokosten verspricht ein wesentlich effizienteres und effektiveres regelbasiertes Transaktionsüberwachungssystem. Diese Methode trägt dazu bei, das optimale Gleichgewicht zu finden, Prozesse zu rationalisieren und das Beste aus den KI-Fähigkeiten herauszuholen.
Künstliche Intelligenz in der Geldwäschebekämpfung
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 ausgeschöpft wird.
Aktuelle Transaktionsüberwachungssysteme basieren überwiegend auf festen Regeln. Die Regeln sind starr und mit festen bzw. prozentualen Thresholds hinterlegt und decken nur einzelne wenige Risikofaktoren ab. Dies hat zur Folge, dass viele False Positive Alerts generiert werden, welche Ineffizienzen aufgrund des hohen manuellen Prüfungsaufwands verursachen.
Finanzinstitute (FI) erkennen inzwischen das Potenzial von künstlicher Intelligenz (KI) und suchen nach Wegen, dieses ohne kostspielige, riskante und zeitaufwendige Systemwechsel zu nutzen. Trotz der Vorteile, die KI-Lösungen mit sich bringen, zögern FIs, die bestehenden regelbasierten Systeme (welche tief in der IT-Infrastruktur verankert sind), komplett zu ersetzen.
KI-unterstützte Alert-Triage-Systeme können zum Beispiel bei der priorisierten Bearbeitung von Alerts und Cases helfen, um damit mehr gezielte Untersuchungen zu ermöglichen und insgesamt Zeit einzusparen.
Zur Bewältigung dieser Herausforderungen beschreibt das folgende Whitepaper einen dualen Ansatz, bei dem KI als technische Unterstützung zu dem bereits vorhandenen regelbasierten System agiert, ohne dieses vollständig ersetzen zu müssen.
