AML/CTF-Monitoring – Mit holistischem Ansatz und hybrider KI zu höheren Trefferquoten

Um ihre Verfahren zum Aufspüren von Geldwäsche und Terrorismusfinanzierung möglichst effektiv und effizient zu gestalten, setzen Finanzinstitute schon seit Jahren auf automatisierte Monitoring-Verfahren. Viele der eingesetzten Lösungen lassen allerdings genau in punkto Effektivität und Effizienz nach wie vor zu wünschen übrig.

von Roy Prayikulam, Bereichsleiter Risk & Fraud bei INFORM

Silo-Architekturen, fehlende abteilungsübergreifende Zusammenarbeit und der Einsatz von verschiedenen entkoppelten Systemen in den unterschiedlichen Bereichen schmälern ihre Überwachungserfolge. Regelmäßig klagen Anti-Money-Laundering (AML) bzw. Counter-Terrorist-Financing (CTF) Experten über zu geringe Trefferquoten und gleichzeitig eine zu hohe Falsch-Positiv-Rate, die eine erhebliche Zahl eigentlich unnötiger manueller Nachprüfverfahren erforderlich macht. ‚Eigentlich unnötig‘, denn längst stehen Technologien zur Verfügung, mit denen die Trefferquoten der Monitoring-Verfahren drastisch verbessert werden könnten.

Über 100 Milliarden Euro – auf diese Summe schätzte bereits 2016 eine Dunkelfeldstudie das Volumen der jährlichen Geldwäsche in Deutschland.”

Im neuen Jahresbericht der Financial Intelligence Unit (FIU) für 2020 sind insgesamt 144.005 Verdachtsmeldungen, allein zum Vorjahr ein Anstieg von 25 Prozent, in Deutschland vermerkt worden. Innerhalb der letzten zehn Jahre habe sich das jährliche Meldeaufkommen laut der Anti-Geldwäsche-Einheit des Bundes gar verzwölffacht. Um diese gewaltigen, auf kriminelle Aktivitäten zurückführbaren Finanzströme aufdecken und bekämpfen zu können, ist der Staat im Wesentlichen auf Hinweise aus der Finanzbranche angewiesen.

98 Prozent aller 2019 übermittelten Verdachtsmeldungen, so der aktuelle Jahresbericht der Zentralstelle für Finanztransaktionsuntersuchungen, entstammen dem Finanzsektor.”

Dieser ist gesetzlich verpflichtet, Zahlungsströme auf potenziell kriminelle Anomalien zu prüfen und den zuständigen Behörden zu melden. Hierzu setzen Banken seit Jahren auf eine Kombination aus digitalen Lösungen und Experten aus den Bereichen AML bzw. CTF. ausgebildeten

Das Problem: Klassische AML/CTF-Lösungen haben zu geringe Trefferquoten

Die Systeme arbeiten dabei den Experten vorgelagert, prüfen die Masse der täglichen Finanztransaktionen, sortieren aus und selektieren, so dass die menschlichen Spezialisten sich ganz auf die Fälle mit den größten Verdachtsmomenten konzentrieren können.

Dennoch kommt ein AML/CTF-Experte im Schnitt im Monat auf über 300 zu bearbeitende Fälle.”

Eine kaum zu bewältigende Zahl, von der sich zudem weit über 80 Prozent am Ende als reine Fehlermeldung entpuppen. Die Trefferquote der meisten eingesetzten Lösungen lässt dementsprechend noch einiges zu wünschen übrig. Der Hauptgrund hierfür: Die Qualität der Analyseverfahren ist zu schlecht und die Quantität der ausgewerteten Daten einfach zu gering.

Silo-Architekturen erschweren übergreifende Analysen

Die zum Einsatz kommenden Lösungen, wie Customer Due Diligence, Watchlist-Screening und Suspicious Activity Monitoring, basieren oft auf einer Siloarchitektur. Ihre Datenmodelle und Technologien sind in der Regel untereinander nicht kompatibel. Außerdem können sie auf die der Bank zur Verfügung stehenden Datensätze häufig nicht vollumfänglich zugreifen, da diese in Datensilos eingelagert werden. Die Aufbereitung und Verfügbarkeit der Daten ist nur ein Teil des Ganzen. Eine zusätzliche Herausforderung ist die Anwendung der richtigen Technologie.

Maschinelle Lernverfahren nutzen Informationen aus Datenbeständen implizit, um Zusammenhänge und Korrelationen in Daten zu erkennen und können große Datenmengen schnell verarbeiten. Sie benötigen   dafür statistisch-signifikante Mengen an hochwertigen und ausreichend aufgabenspezifischen Daten. In   der Finanzbranche stehen diese aufgrund immer neu entstehenden Zahlungsplattformen und -arten,  schnell voranschreitenden Digitalisierungsinitiativen sowie anderen Innovationen nicht immer in  ausreichender Menge zur Verfügung. Hierbei kommen auf Wissen basierende Verfahren wie beispielsweise Fuzzy Logic ins Spiel. Wissensbasierte KI-Ansätze bilden Expertenwissen explizit und in nachvollziehbarer Weise ab, diese bieten die erforderliche Erklärbarkeit, erfordern aber auch ein hohes Maß an Fachwissen.

Betrachtet man die Ansätze gesondert, erkennt man schnell, dass es jeweils große Herausforderungen gibt. Rein Maschinelle Verfahren basieren auf der dauerhaften Verfügbarkeit aller relevanter Daten, die nicht immer gegeben ist. Wissensbasierte Verfahren funktionieren nur durch über Jahre geschulte und hochqualifizierte Compliance-Experten. Gemeinsam können hier die jeweiligen Herausforderungen gelöst beziehungsweise die Nachteile aufgefangen werden. Es wird deutlich, dass die Kombination dieser beiden Technologien, Maschinelle- und wissensbasierte KI-Ansätze, der effektivste Weg für die Zukunft ist.

Hybride KI-Verfahren bringen Algorithmen und Erfahrungen zusammen

Kommen nun – statt rein datenbasierter – sogenannte hybride KI-Verfahren zum Einsatz, kann die Trefferquote der Analysen spürbar angehoben werden. Hybrid bedeutet dabei, dass bei den Analyseverfahren sowohl auf daten- als auch auf wissensbasierte KI-Verfahren gesetzt wird. Erstere umfassen beispielsweise überwachtes und unüberwachtes Machine Learning, Mustererkennung und Data Mining, letztere mathematische Algorithmen, Fuzzy Logic, dynamisches Profiling und Logic-Score Cards. Diese Verknüpfung von datenbasierten KI-Algorithmen und von im Laufe von Jahren gewonnenen Erfahrungen und Erkenntnissen unzähliger AML/CTF-Experten stellt die schlagkräftigste derzeit erhältliche Analysevariante zur Bekämpfung von Geldwäsche und Terrorfinanzierung dar.

Holistischer Plattformansatz – AML/CTF-Monitoring aus einem Guss

Kombiniert man dieses Verfahren nun noch mit einem holistischen Plattformansatz, kann auch das Dilemma der Siloarchitekturen überwunden werden. Hierbei kommen Monitoring-Verfahren nicht als Insellösungen zum Einsatz, sondern integriert über eine zentrale Plattform. Daten und Analyseergebnisse der AML/CTF-Lösungen können über die Schnittstellen der Plattform umfassend miteinander verzahnt und in Beziehung gesetzt werden. Sie erlauben auch die Integration unterschiedlichster Datenströme – ganz nach Bedarf. So können Daten aus allen Kanälen und Quellen eines Finanzinstituts in die Analyseverfahren eingebunden werden.

Banken erhalten einen umfassenden Überblick über potenzielle kriminelle Aktivitäten und können die Trefferquote ihres AML/CTF-Monitorings signifikant erhöhen.”

Es ist sicherlich im Interesse praktisch jeder Bank, ihre AML/CTF-Monitoring-Verfahren Compliance-konform mit hoher Effektivität und Effizienz arbeiten zu lassen und die Zahl personalintensiver Nachprüfverfahren für ihre Experten radikal zu reduzieren. Um dies zu erreichen, werden sie um die Implementierung einer Lösung mit holistischem Plattformansatz und hybridem KI-Verfahren nicht herumkommen.Roy Prayikulam, Inform