KI gegen Geldwäsche & Betrug: Wie Graphen- und Deep-Tensor-Technologie den Kriminellen das Handwerk legen

Regelbasierte AML-Systeme überfluten Geldwäschebeauftragte mit Unmengen False Positives. Tiefe neuronale Netze und andere Black-Box-Verfahren sind nicht ohne Weiteres anwendbar, denn ihre Entscheidungen sind intransparent und schwer nachvollziehbar. Mit Graphen- und Deep-Tensor-Technologie lassen sich dagegen auch komplexe Geldwäschemuster aufdecken, ohne das die Erklärbarkeit darunter leidet.

von Maximilian Schmidt, Fujitsu

Betrug und Geldwäsche verursachen beträchtliche Kosten, schädigen die Wirtschaft und haben negative Auswirkungen auf den gesellschaftlichen Zusammenhalt.

Eine wirksame Geldwäschebekämpfung ist für den Schutz der Märkte und des globalen Finanzsystems unerlässlich.”

Je internationaler, komplexer und verflochtener die Geldströme sind, desto schwieriger wird es allerdings, den Durchblick zu behalten. Kriminelle Banden nutzen das aus und verstecken sich hinter einem Geflecht aus Strohmännern, gefälschten Konten und Briefkastenfirmen. Diese Fälle nehmen zu, wie der Jahresbericht 2020 der Financial Intelligence Unit zeigt. Demnach ist die Zahl der Verdachtsmeldungen gegenüber dem Vorjahr um rund ein Viertel gestiegen.

Regelbasierte Standard-AML- und -Compliance-Lösungen sind mit dieser Komplexität überfordert. Sie können die vielen Querverbindungen über mehrere Ebenen nicht zurückverfolgen. Die Folge ist eine hohe Zahl von bis zu 95 Prozent False-Positive-Alerts, die für den Geldwäschebeauftragten oder die Compliance-Abteilung einen enormen Aufwand bedeuten.

Die Zahl der Fehlalarme zu reduzieren, ohne die Detektion echter Betrugsfälle zu verringern, ist mit traditionellen, auf relationalen Datenbanken basierenden Systemen kaum möglich.”

Da sie nur strukturierte, diskrete Daten verarbeiten und nach regelbasierten Mechanismen arbeiten, lassen sich verborgene Muster oder Verflechtungen über mehrere Ebenen hinweg nicht auflösen. Kriminelle Netzwerke zeichnen sich aber nicht durch diskrete Daten aus, die sich in eine SQL-Datenbank stecken lassen, sondern durch das Beziehungsgeflecht zwischen Personen, Konten, Unternehmen und Transaktionen. Das bedeutet: unstrukturierte Daten, Beziehungen, Muster.

KI ja – aber erklärbar, bitte!

Um solche komplexen Verflechtungen darstellen und analysieren zu können, sind Graphdatenbanken weit besser geeignet. Sie repräsentieren Datenpunkte und deren Beziehungen in Form von Knoten und Kanten. Die Knoten können beispielsweise Konten darstellen, die Kanten sind die Verbindungen zwischen den Konten. So lässt sich das reale Transaktionsbild wesentlich besser nachzeichnen, egal wie viele Stationen dabei zurückgelegt werden.

Um die False Positives weiter zu reduzieren, kann die Graphdatenbank mit Machine Learning analysiert werden. In der Regel kommen dabei mehrschichtige neuronale Netze zum Einsatz. Sie erzielen – genügend Trainingsdaten vorausgesetzt – gute Trefferquoten. Im Falle von Betrugserkennung bedeutet dies, dass eine möglichst präzise Klassifikation von Betrugs- und Nichtbetrugsfällen angestrebt wird. Es ist jedoch kaum nachvollziehbar, wie der Algorithmus zu seiner Entscheidung gekommen ist. Ein Geldwäsche- oder Compliance-Beauftragter muss aber begründen können, warum er bestimmte Fälle in einen Suspicious Matter Report aufnimmt und andere nicht.

Hier schafft die Deep-Tensor-Technologie Abhilfe, denn sie ermöglicht es, die Faktoren zurückzuverfolgen, die zu einer bestimmten Entscheidung geführt haben. Deep Tensor ist eine Weiterentwicklung von Deep Learning auf Graphdatenbanken, die lineare und nicht-lineare Faktoren der Wechselwirkung in einem multidimensionalen Raum zusammenfassen und mit einem neuronalen Netz analysieren kann. Dadurch lassen sich selbst komplexeste Zusammenhänge aufdecken. Durch eine Drill-Down-Analyse kann der Verantwortliche jederzeit nachvollziehen, welche Faktoren bzw. Teilgraphen Einfluss auf die Entscheidungsfindung genommen haben.

Nach Untersuchungen von Fujitsu bietet Deep Tensor im Vergleich zu anderen graphenbasierten KI-Technologien wie GNN-Explainer eine 20 Prozent höhere Vorhersagegenauigkeit und eine um 30 Prozent bessere Erklärungsrate.”

Damit bietet Deep Tensor alle Voraussetzungen, um die regulatorischen Vorgaben für Nachvollziehbarkeit und Erklärbarkeit zu erfüllen.

Kein Rip-and-Replace

Laut dem Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS werden „Informed Machine Learning“ und „Explainable Artificial Intelligence“ für eine effiziente Betrugserkennung immer wichtiger. Graphen und Tensoren spielen dabei eine wesentliche Rolle. Es geht aber nicht darum, bestehende AML-Lösungen komplett zu ersetzen, sondern sie intelligent zu ergänzen und zu optimieren. Die dafür notwendige GPU-Rechenpower lässt sich am schnellsten und einfachsten über entsprechende Cloud-Services beschaffen, statt die eigene Infrastruktur umzustrukturieren. Die Umsetzung erfolgt am besten in Zusammenarbeit mit Experten, die auf eine Compliance-kompatible Bereitstellung von Cloud-Ressourcen für Finanzdienstleister spezialisiert sind.Maximilian Schmidt, Fujitsu