SAP : KI im Kampf gegen Finanzbetrug

Um Geldwäsche zu verhindern, setzt SAP-Partner Quantiply auf Künstliche Intelligenz und maschinelles Lernen.

Der Begriff Geldwäsche wurde Anfang der 30er-Jahre geprägt. Die Alkoholprohibition in den USA hatte dazu geführt, dass die organisierte Kriminalität boomte. Illegal erwirtschaftete Gelder wurden steuerlich reingewaschen. Die Strafverfolgung wurde daraufhin entsprechend angepasst und es wurden Gesetze eingeführt, um diese kriminellen Handlungen unter Strafe zu stellen. Moderne Technologien haben Finanzverbrechern jedoch neue, noch kreativere und erfolgreichere Methoden ermöglicht.

Laut Angaben des Büros der Vereinten Nationen für Drogen- und Verbrechensbekämpfung werden jährlich bis zu fünf Prozent des weltweiten Bruttoinlandsprodukts (rund zwei Billionen US-Dollar) an Geldern 'gewaschen' - Tendenz steigend. Der Basel AML-Index des International Centre for Asset Recovery bewertet das Geldwäscherisiko in 129 Länder. Gemäß aktuellen Indexergebnissen gibt es kaum messbaren Erfolg im Kampf gegen Geldwäsche: Bei über 42 Prozent der Länder verschlechterte sich die Risikobewertung 2018 im Vergleich zu 2017.

Gegen diesen Abwärtstrend wehrt sich SAP-Partner Quantiply. Laut Surendra Reddy, Gründer und Vorstandssprecher von Quantiply, arbeitet das Unternehmen heute zusammen mit der SAP an Maßnahmen gegen Geldwäsche. Lösungen auf Basis von Anti-Money-Laundering-Konzepten und Know-Your-Customer-Technologie sollen verdächtige finanzielle Transaktionen erkennen und auswerten.

'Zusammen mit Finanz- und Regulierungsbehörden wollen wir Finanzverbrechern den Riegel vorschieben. Wir sind auf dem besten Weg, dieses Ziel zu erreichen. Glücklicherweise arbeiten wir mit gleichgesinnten Partnern an der Umsetzung dieses Vorhabens', bekräftigt Reddy.

Gute oder unlautere Absichten? ML-Algorithmen decken es auf

TV-Serien und Filme haben dazu beigetragen, die Aufmerksamkeit der Öffentlichkeit auf Geldwäsche und andere Finanzverbrechen zu lenken. Laut John Tripier, Vice President of Business Development and Strategy bei Quantiply, haben auch viele Regierungen ihre Bemühungen verstärkt, diese kriminellen Handlungen zu unterbinden. Unter anderem, weil mit den illegalen Geldern sonst noch schwerere Straftaten begangen würden.

'Es wird mehr dafür getan, Finanzverbrechen aufzudecken. Auch die schiere Anzahl an kriminellen Individuen bereitet Grund zur Sorge. Wir wollen Banken und Aufsichtsbehörden in ihren Bemühungen unterstützen, Geldwäscheaktivitäten aufzudecken und zu stoppen. Die Gelder gelangen nicht nur in die Hände von Drogenbaronen, sondern werden auch zur Finanzierung von Terrorismus, Kinderpornografie, Menschenhandel und anderen grauenvollen Verbrechen eingesetzt', erklärt Tripier.

In den USA müssen Geldbewegungen über mehr als 10.000 US-Dollar den Aufsichtsbehörden gemeldet werden. Banken sehen dabei allerdings nur, dass eine Geldbewegung in großer Höhe getätigt worden ist- sie wissen nicht, ob gute oder unlautere Absichten hinter der Transaktion stecken', fügt Tripier hinzu.

KI und maschinelles Lernen gegen Geldwäsche

Das kalifornische Start-up Quantiply hat die Anwendungssuite Quantiply Sensemaker entwickelt und bietet damit eine Alternative zu älteren manuellen oder regelbasierten Lösungen. Sensemaker nutzt künstliche Intelligenz (KI) und Algorithmen für maschinelles Lernen, um potenziell verdächtige und risikoträchtige Transaktionen zu identifizieren. Die Lösung hilft Finanzinstituten und Aufsichtsbehörden, verdächtige Aktivitäten aufzuspüren. 'Weil sich so Betriebskosten einsparen und Risiken eindämmen lassen, sind sie eher bereit, Transaktionen zu überwachen und Finanzdelikte zu bestrafen', so Reddy.

'Unsere Aufgabe ist es, Aufsichtsbehörden dabei zu helfen, kriminelle Individuen zu verfolgen. Dazu wird ein System benötigt, das auf kontinuierlichem Lernen basiert. KI kann dabei helfen, auf Grundlage von Kundenaktivitäten Trends zu ermitteln. Mit Sensemaker kann eine Bank verfolgen, was genau ein Kunde in seinen Interaktionen durchführt, mit wem er finanzielle Beziehungen pflegt und ob es in der Vergangenheit Ungereimtheiten bei den Transaktionen gab', führt Reddy weiter aus.

KI zum Schutz von Kunden

Bei regelbasierten Ansätzen sind bis zu 95 Prozent der gemeldeten Vorgänge falsch-positiv. Es dauert normalerweise zwischen drei und fünf Stunden, um einen einzelnen Fall zu bearbeiten. Auf KI basierende Systeme lernen von Kundenaktivitäten und setzen auf einer SAP-HANA -Plattform auf. Sie ermöglichen es Benutzern, in Echtzeit jeden Fall zu überprüfen.

'Sensemaker reduziert mit seiner Vorkonfiguration falsch-positive Ergebnisse um bis zu 65 Prozent. Uns geht es jedoch nicht nur um falsch-positive oder negative Ergebnisse. Wir möchten, dass Unternehmen Risiken von vornherein verhindern und nicht nur im Nachhinein beseitigen können', so Reddy. 'Banken möchten ein positives Kundenerlebnis gewährleisten. Kriminelle Aktivitäten sollen nicht geduldet werden. Wir möchten nicht nur die Prozesse für Finanzinstitute optimieren, sondern auch das Risiko für Kunden reduzieren - Kunden möchten Ihr Geld nicht Banken anvertrauen, in denen illegale Machenschaften möglich sind.'

'In der Regel zeigt sich der Wert von Quantiply Sensemaker bereits nach 90 Tagen und nicht erst nach zwei Jahren, wie es bei älteren Systemen der Fall ist', so Tripier. Mit Sensemaker will Quantiply eine Grundlage dafür schaffen, dass Finanzinstitute, Aufsichtsbehörden und andere potenzielle Kunden in der Lage sind, Finanzverbrechen effizient zu stoppen.

'Unser Ziel und Unternehmenszweck ist es, dies zu erreichen. Wir können mit Technologie nicht den Hunger in der Welt beenden, aber wir können uns für Veränderungen bei Finanzinstituten - und damit in der Gesellschaft - einsetzen', betont Tripier. 'Das ist unsere Vision und unser Leitgedanke und wir machen große Fortschritte. Die SAP und andere Unternehmen arbeiten zusammen mit uns mit Eifer daran, diese Probleme zu lösen.'