Hitting the Books: Wie die größte Bank Südostasiens KI zur Bekämpfung von Finanzbetrug einsetzt

YEs kommen Roboter, um unsere Jobs zu übernehmen. Das ist eine gute Sache, wir sollten froh sein, dass sie es sind, denn diese Jobs, die sie annehmen, sind irgendwie scheiße. Wollen Sie wirklich zurück in die Zeit von manuell Überwachung, Kennzeichnung und Untersuchung der weltweiten täglichen Banküberweisungen auf der Suche nach Finanzbetrug und Geldwäsche? Die DBS Bank, Singapurs größtes Finanzinstitut, tut dies sicherlich nicht. Das Unternehmen hat Jahre damit verbracht, ein hochmodernes maschinelles Lernsystem zu entwickeln, das den minutiösen Prozess der „Transaktionsüberwachung“ stark automatisiert und menschliche Analysten für Arbeiten auf höherer Ebene entlastet und gleichzeitig in einem sensiblen Gleichgewicht mit den antiken Finanzvorschriften arbeitet, die die Branche einschränkten . Es ist faszinierendes Zeug. Arbeiten mit KI von Thomas H. Davenport und Steven M. Miller ist voll von ähnlichen Fallstudien aus unzähligen Technologiebranchen, die sich mit der alltäglichen Zusammenarbeit zwischen Mensch und KI befassen und Einblicke in die möglichen Auswirkungen dieser Interaktionen geben. 

Auszug aus Arbeiten mit KI: Echte Geschichten der Mensch-Maschine-Kollaboration von Thomas H. Davenport und Steven M. Miller. Nachdruck mit freundlicher Genehmigung von The MIT Press. Urheberrecht 2022.

DBS Bank: KI-gesteuerte Transaktionsüberwachung

Seit der Verabschiedung des Bank Secrecy Act, auch bekannt als Currency and Foreign Transactions Reporting Act, in den USA im Jahr 1970 werden Banken auf der ganzen Welt von Regierungen zur Verhinderung von Geldwäsche und verdächtigen grenzüberschreitenden Strömen großer Geldbeträge zur Rechenschaft gezogen Geld und andere Arten von Finanzkriminalität. Die DBS Bank, die größte Bank in Singapur und in Südostasien, konzentriert sich seit langem auf die Bekämpfung von Geldwäsche (AML) und die Erkennung und Prävention von Finanzkriminalität. Laut einem Compliance-Verantwortlichen von DBS „wollen wir sicherstellen, dass wir strenge interne Kontrollen innerhalb der Bank haben, damit die Täter, Geldwäscher und Sanktionshinterzieher nicht in das Finanzsystem eindringen, weder durch unsere Bank noch durch unser nationales System , oder international.“

Die Grenzen regelbasierter Systeme für die Überwachungsüberwachung

Wie bei anderen großen Banken nutzt der DBS-Bereich, der sich auf diese Themen konzentriert und als „Transaktionsüberwachung“ bezeichnet wird, seit vielen Jahren KI, um diese Art von Arbeit zu erledigen. Die Personen in dieser Funktion werten Warnungen aus, die von einem regelbasierten System ausgegeben werden. Die Regeln bewerten Transaktionsdaten aus vielen verschiedenen Systemen der Bank, einschließlich derjenigen für Verbraucher, Vermögensverwaltung, institutionelles Banking und deren Zahlungen. Diese Transaktionen durchlaufen alle das regelbasierte System zur Überprüfung, und die Regeln kennzeichnen Transaktionen, die Bedingungen entsprechen, die mit einer Person oder Organisation verbunden sind, die verdächtige Transaktionen mit der Bank durchführt – solche, die ein potenzielles Geldwäscheereignis oder eine andere Art von Finanzbetrug beinhalten. Regelbasierte Systeme – früher bekannt als „Expertensysteme“ – sind eine der ältesten Formen der KI, aber sie sind immer noch weit verbreitet in Banken und Versicherungen sowie in anderen Branchen.

Bei DBS und den meisten anderen Banken auf der ganzen Welt generieren regelbasierte Überwachungssysteme für Finanztransaktionen dieser Art täglich eine große Anzahl von Warnungen. Der Hauptnachteil regelbasierter Überwachungssysteme besteht darin, dass die meisten – bis zu 98 Prozent – ​​der generierten Warnungen falsch positive Ergebnisse sind. Einige Aspekte der Transaktion lösen eine Regel aus, die dazu führt, dass die Transaktion auf der Warnliste gekennzeichnet wird. Nach einer Nachuntersuchung durch einen menschlichen Analysten stellt sich jedoch heraus, dass die gemeldete Transaktion tatsächlich nicht verdächtig ist.

Die Transaktionsüberwachungsanalysten müssen jeder Warnung nachgehen und sich alle relevanten Transaktionsinformationen ansehen. Sie müssen auch die Profile der an der Transaktion beteiligten Personen, ihr früheres finanzielles Verhalten, alles, was sie in „Know your Customer“- und Kunden-Due-Diligence-Dokumenten angegeben haben, und alles andere, was die Bank über sie wissen könnte, berücksichtigen. Die Nachverfolgung von Warnungen ist ein zeitintensiver Prozess.

Wenn der Analyst bestätigt, dass eine Transaktion berechtigterweise verdächtig ist oder sich als Betrug erweist, ist die Bank gesetzlich verpflichtet, den zuständigen Behörden einen Suspicious Activity Report (SAR) zu übermitteln. Dies ist eine Entscheidung mit hohem Risiko, daher ist es für den Analysten wichtig, es richtig zu machen: Wenn dies nicht der Fall ist, könnten gesetzestreue Bankkunden fälschlicherweise darüber informiert werden, dass gegen sie wegen Finanzkriminalität ermittelt wird. Wenn andererseits ein „bösartiger Akteur“ nicht entdeckt und gemeldet wird, könnte dies zu Problemen im Zusammenhang mit Geldwäsche und anderen Finanzkriminalität führen.

Regelbasierte Systeme können zumindest vorerst nicht abgeschafft werden, da die nationalen Regulierungsbehörden in den meisten Ländern sie noch fordern. Aber die DBS-Führungskräfte erkannten, dass ihnen viele zusätzliche Quellen für interne und externe Informationen zur Verfügung stehen, die bei richtiger Verwendung zur automatischen Auswertung jeder Warnung aus dem regelbasierten System verwendet werden könnten. Dies könnte mithilfe von ML erfolgen, das mit komplexeren Mustern umgehen und genauere Vorhersagen treffen kann als regelbasierte Systeme.

Nutzung der neuen Generation von KI-Fähigkeiten zur Verbesserung der Überwachung

Vor einigen Jahren startete DBS ein Projekt zur Anwendung der neuen Generation von KI/ML-Fähigkeiten in Kombination mit dem bestehenden regelbasierten Screening-System. Die Kombination würde es der Bank ermöglichen, alle vom regelbasierten System generierten Alarme gemäß einem numerisch berechneten Wahrscheinlichkeitswert, der den Grad des Verdachts angibt, zu priorisieren. Das ML-System wurde darauf trainiert, verdächtige und betrügerische Situationen anhand aktueller und historischer Daten und Ergebnisse zu erkennen. Zum Zeitpunkt unserer Interviews war das neue ML-basierte Filtersystem seit etwas mehr als einem Jahr im Einsatz. Das System überprüft alle vom regelbasierten System generierten Warnungen, weist jeder Warnung eine Risikobewertung zu und kategorisiert jede Warnung in Kategorien mit höherem, mittlerem und geringerem Risiko. Diese Art der „Nachbearbeitung“ der regelbasierten Warnungen ermöglicht es dem Analysten zu entschlüsseln, welche sofort priorisiert werden müssen (diejenigen in den Kategorien mit höherem und mittlerem Risiko) und welche warten können (diejenigen in der Kategorie mit dem niedrigsten Risiko). . Eine wichtige Fähigkeit dieses ML-Systems besteht darin, dass es über einen Erklärer verfügt, der dem Analysten die Beweise zeigt, die bei der automatisierten Bewertung der Wahrscheinlichkeit verwendet wurden, dass die Transaktion verdächtig ist. Die Erklärung und geführte Navigation des KI/ML-Modells hilft dem Analysten, die richtige Risikoentscheidung zu treffen.

DBS hat auch andere neue Fähigkeiten entwickelt, um die Untersuchung gemeldeter Transaktionen zu unterstützen, einschließlich eines Network Link Analytics-Systems zur Erkennung verdächtiger Beziehungen und Transaktionen zwischen mehreren Parteien. Finanztransaktionen können als Netzwerkdiagramm dargestellt werden, das die beteiligten Personen oder Konten als Knoten im Netzwerk und alle Interaktionen als Verbindungen zwischen den Knoten zeigt. Dieses Beziehungsnetzdiagramm kann verwendet werden, um verdächtige Muster von Finanzzuflüssen und -abflüssen zu identifizieren und weiter zu bewerten.

Parallel dazu hat DBS auch einen arbeitsintensiven Ansatz für den Untersuchungsablauf durch eine neue Plattform ersetzt, die für den Analysten einen Großteil der Unterstützung für überwachungsbezogene Untersuchungen und das Fallmanagement automatisiert. Es heißt CRUISE und integriert die Ausgaben der regelbasierten Engine, des ML-Filtermodells und des Network Link Analytics-Systems.

Darüber hinaus bietet das CRUISE-System dem Analysten einen einfachen und integrierten Zugriff auf die relevanten Daten aus der gesamten Bank, die benötigt werden, um die Transaktionen zu verfolgen, die der Analyst untersucht. Innerhalb dieser CRUISE-Umgebung erfasst die Bank auch alle Rückmeldungen zur Arbeit des Analysten an dem Fall, und diese Rückmeldungen tragen dazu bei, die Systeme und Prozesse von DBS weiter zu verbessern.

Auswirkung auf den Analysten

Natürlich machen diese Entwicklungen Analysten viel effizienter bei der Überprüfung von Warnungen. Vor einigen Jahren war es nicht ungewöhnlich, dass ein Transaktionsüberwachungsanalyst von DBS zwei oder mehr Stunden damit verbrachte, eine Warnung zu prüfen. Diese Zeit umfasste die Front-End-Vorbereitungszeit zum Abrufen von Daten aus mehreren Systemen und zum manuellen Zusammenstellen relevanter vergangener Transaktionen sowie die tatsächliche Analysezeit zum Auswerten der Beweise, Suchen nach Mustern und zum endgültigen Urteil darüber, ob die Warnung aufgetreten ist oder nicht eine gutgläubige verdächtige Transaktion sein.

Nach der Implementierung mehrerer Tools, darunter CRUISE, Network Link Analytics und das ML-basierte Filtermodell, sind Analysten in der Lage, etwa ein Drittel mehr Fälle in der gleichen Zeit zu lösen. Außerdem ist DBS in den Fällen mit hohem Risiko, die mit diesen Tools identifiziert werden, in der Lage, die „bösen Akteure“ schneller als zuvor zu fassen. 

Der DBS-Leiter für Transaktionsüberwachung kommentierte, wie sich dies von traditionellen Überwachungsansätzen unterscheidet, und teilte Folgendes mit:

Heute sind unsere Maschinen bei DBS in der Lage, die notwendigen Supportdaten aus verschiedenen Quellen der Bank zu sammeln und sie auf dem Bildschirm unseres Analysten darzustellen. Jetzt kann der Analyst die relevanten unterstützenden Informationen für jede Warnung leicht einsehen und die richtige Entscheidung treffen, ohne sechzig verschiedene Systeme durchsuchen zu müssen, um die unterstützenden Daten zu erhalten. Die Maschinen erledigen dies für den Analysten jetzt viel schneller als ein Mensch. Es macht das Leben der Analysten einfacher und ihre Entscheidungen viel schärfer.

In der Vergangenheit konnten Transaktionsüberwachungsanalysten aufgrund praktischer Einschränkungen nur einen kleinen Bruchteil der Daten innerhalb der Bank sammeln und verwenden, die für die Überprüfung der Warnung relevant waren. Heute ist der Analyst bei DBS mit unseren neuen Tools und Prozessen in der Lage, Entscheidungen auf der Grundlage eines sofortigen, automatischen Zugriffs auf fast alle relevanten Daten innerhalb der Bank über die Transaktion zu treffen. Sie sehen diese Daten auf ihrem Bildschirm schön organisiert und komprimiert, mit einer Risikobewertung und mit Hilfe eines Erklärers, der sie durch die Beweise führt, die zum Ergebnis des Modells geführt haben.

DBS investierte in einen „Uplift“ der Fähigkeiten aller Mitarbeiter, die an der Entwicklung und Nutzung dieser neuen Überwachungssysteme beteiligt waren. Zu den Mitarbeitern, die von der Weiterbildung profitierten, gehörten die Transaktionsüberwachungsanalysten, die über Fachkenntnisse in der Aufdeckung von Finanzkriminalität verfügten und in der Verwendung der neuen Technologieplattform und in relevanten Datenanalysefähigkeiten geschult wurden. Die Teams halfen beim Design der neuen Systeme, beginnend mit der Front-End-Arbeit zur Identifizierung von Risikotypologien. Sie lieferten auch Inputs, um die Daten zu identifizieren, deren Verwendung am sinnvollsten war und wo automatisierte Datenanalysen und ML-Funktionen für sie am hilfreichsten sein könnten.

Auf die Frage, wie sich die Systeme in Zukunft auf menschliche Transaktionsanalysten auswirken würden, sagte der Compliance-Manager von DBS:

Effizienz ist immer wichtig, und wir müssen immer nach einem höheren Niveau streben. Wir wollen die transaktionsbasierten Aspekte unserer aktuellen und zukünftigen Überwachungsarbeit mit weniger Mitarbeitern bewältigen und die freigewordenen Kapazitäten dann in neue Bereiche der Überwachung und Betrugsprävention reinvestieren. Es wird immer unbekannte und neue Dimensionen von schlechtem Finanzverhalten und schlechten Schauspielern geben, und wir müssen mehr Zeit und mehr Menschen in diese Art von Bereichen investieren. Soweit wir können, werden wir dies tun, indem wir die Effizienzgewinne reinvestieren, die wir in unsere eher standardmäßigen Bemühungen zur Transaktionsüberwachung erzielen.

Die nächste Phase der Transaktionsüberwachung

Insgesamt strebt die Bank eine stärker integrierte und proaktive Transaktionsüberwachung an. Anstatt sich nur auf Warnungen zu verlassen, die von der regelbasierten Engine generiert werden, möchten Führungskräfte mehrere Ebenen der integrierten Risikoüberwachung nutzen, um eine ganzheitliche Überwachung von der „Transaktion über das Konto bis zum Kunden, über das Netzwerk bis hin zu den Makroebenen“ zu ermöglichen. Diese Kombination würde der Bank helfen, mehr schlechte Akteure zu finden und dies effektiver und effizienter zu tun. Der Compliance-Manager führte aus:

Es ist wichtig zu beachten, dass Geldwäscher und Sanktionshinterzieher immer neue Wege finden, Dinge zu tun. Unsere Mitarbeiter müssen mit unserer Technologie und unseren Datenanalysefähigkeiten arbeiten, um diesen neuen Bedrohungen immer einen Schritt voraus zu sein. Wir möchten die Zeit, die unsere Mitarbeiter für die mühsamen, manuellen Aspekte der Überprüfung von Warnungen aufgewendet haben, freisetzen und diese Zeit nutzen, um mit den aufkommenden Bedrohungen Schritt zu halten.

Menschliche Analysten werden weiterhin eine wichtige Rolle bei der AML-Transaktionsüberwachung spielen, obwohl sich die Art und Weise, wie sie ihre Zeit und ihr menschliches Fachwissen nutzen, weiterentwickeln wird.

Der Compliance-Manager äußerte sich auch zu KI: „Es handelt sich bei der Risikoüberwachung wirklich um erweiterte Intelligenz und nicht um automatisierte KI. Wir glauben nicht, dass wir das menschliche Urteilsvermögen aus den endgültigen Entscheidungen herausnehmen können, da es immer ein subjektives Element bei der Bewertung dessen geben wird, was im Zusammenhang mit Geldwäsche und anderen Finanzkriminalität verdächtig ist und was nicht. Wir können dieses subjektive Element nicht eliminieren, aber wir können die manuelle Arbeit minimieren, die der menschliche Analyst im Rahmen der Überprüfung und Bewertung der Warnungen leistet.“

Lektionen, die wir aus diesem Fall gelernt haben

• Ein automatisiertes System, das eine große Anzahl von Warnungen generiert, von denen sich die meisten als Fehlalarme herausstellen, spart keine menschliche Arbeit.

• Mehrere Arten von KI-Technologie (in diesem Fall Regeln, ML und Network Link Analytics) können kombiniert werden, um die Fähigkeiten des Systems zu verbessern.

• Unternehmen dürfen die Anzahl der Menschen, die eine Arbeit erledigen, nicht reduzieren, selbst wenn das KI-System die Effizienz der Arbeit erheblich verbessert. Vielmehr können Mitarbeiter die frei werdende Zeit nutzen, um sich neuen und höherwertigen Aufgaben in ihrem Job zu widmen.

• Da es bei der Bewertung komplexer Geschäftsvorfälle immer subjektive Elemente geben wird, darf menschliches Urteilsvermögen nicht aus dem Bewertungsprozess ausgeschlossen werden.