Kommentar von Martina Neumayr, Experian Machine Learning – hoch spezialisiert und extrem nützlich

Autor / Redakteur: Martina Neumayr / Nico Litzel

War Künstliche Intelligenz (KI) vor gar nicht allzu langer Zeit noch vorwiegend ein Thema für Science-Fiction-Geschichten, findet heute ein regelrechter Hype um das Thema statt. Wir sind weit von den Romanvorlagen entfernt, in denen Computer die Weltherrschaft beanspruchen. In der Realität sind KI beziehungsweise Machine Learning (ML) keineswegs bedrohlich, sie sind nützliche und unterstützende, moderne analytische Methoden. Sie können Unternehmen dazu verhelfen, ihre Online-Umsätze zu steigern und ihre Geschäfte solide zu steuern, indem sie sehr konkret ehrliche Kunden besser von Betrügern unterscheiden helfen.

Firmen zum Thema

Die Autorin: Martina Neumayr ist Senior Vice President Credit Risk & Fraud Services bei Experian DACH
Die Autorin: Martina Neumayr ist Senior Vice President Credit Risk & Fraud Services bei Experian DACH
(Bild: Experian)

Lange Zeit waren Unternehmen auf klassische analytische Verfahren und Systeme angewiesen, um die Spreu vom Weizen zu trennen. Diese untersuchten Transaktionsdaten auf statische Weise, gemäß genau definierter Parameter. Solche Systeme lösen dann zum Beispiel eine Warnmeldung aus, wenn die Online-Bestellung eines besonders teuren Produkts über ein Smartphone mit deutscher SIM-Karte aus dem Ausland erfolgt. Häufig muss in solchen Fällen ein Fraud Manager überprüfen, ob es sich um eine valide Transaktion oder einen Betrugsversuch handelt. Das kostet nicht nur Zeit und Geld, sondern verzögert auch die Abläufe, was wiederum zu Kaufabbrüchen ehrlicher Kunden führt. Ein solches Verfahren ist bei steigendem Profitabilitätsdruck, massiv steigenden Transaktionszahlen und der anspruchsvolleren Erwartungshaltung der Kunden nicht mehr zeitgemäß.

Trainieren und optimieren

Hier kommen ML-Systeme ins Spiel. Diese werden bereits vor dem ersten Einsatz darauf trainiert, Betrug zuverlässiger von validen Transaktionen zu unterscheiden und werden mit der Zeit immer besser. Zudem bieten sie den Vorteil, dass sie auch unstrukturierte Daten verarbeiten können, die herkömmliche Systeme vor unüberwindliche Probleme stellen, wie beispielsweise die Nutzung von Sprachdaten oder Eingabemuster auf Touchscreens.

In der Praxis lernt ein modernes ML-System zur Transaktionskontrolle schon vor seinem Einsatz, um im speziellen Umfeld des Unternehmens vom ersten Moment an optimal zu funktionieren. Hierzu stellt das spätere Anwenderunternehmen ein umfangreiches Datenset der vergangenen Monate zur Verfügung. Das Set enthält Transaktionsdaten aller Betrugsfälle aus dieser Zeit und den Transaktionsdaten, die der Betrugserkennung vorangegangen sind. Aus diesen Daten generiert das System hunderte Features, die für die Unterscheidung valider versus betrügerischer Transaktionen relevant sind. Anhand dieser Daten und Features verfeinert das ML-System seine ursprünglichen Algorithmen. Es wird darauf trainiert, die Betrugsmuster und Besonderheiten des Anwenderunternehmens zu erkennen.

Entscheidungen

So erreichen ML-Systeme vom ersten Einsatztag an bessere Ergebnisse als herkömmliche Systeme. Anhand der aktuellen Daten können in der Folgezeit die Algorithmen weiter angepasst und optimiert werden. Dabei passen sie sich zudem an die verändernden Bedingungen an, zum Beispiel an neue Betrugsarten und „Modeerscheinungen“, wie sie auch von Cyberkriminellen verwendet werden. Doch selbst ML-Systeme zur Erkennung valider Transaktionen fällen aktuell noch keine autonomen Entscheidungen. Sie geben Warnhinweise an Fraud Manager, denen letztlich die Entscheidung obliegt. Allerdings ist sind manuelle Eingriffe weit weniger häufig erforderlich als mit statischen Systemen.

Nachvollziehbarkeit

Es ist wichtig, dass die Fraud Manager nicht nur Warnungen über das ML System erhalten, sondern ihnen auch Kriterien für ihre Entscheidungen an die Hand gegeben werden. Im hier beschriebenen Fall werden den Fraud Managern, abhängig vom jeweiligen Fall, im System fünf bis zehn Features, die eine Transaktion verdächtig erscheinen lassen, zur Transaktionskontrolle zur Verfügung gestellt. Erklärbarkeit ist auch aus juristischen Gründen entscheidend, hat doch etwa eine Kundin, deren Mobilfunkvertrag abgelehnt wird, einen rechtlichen Anspruch darauf, die Gründe dafür zu erfahren.

Unstrukturierte Daten

Ein gutes Beispiel unstrukturierter Daten, die von einem ML-System genutzt werden können, um ehrliche Kunden von Betrügern zu unterscheiden, bildet die Kontrolle der Tippgewohnheiten eines Kunden, um dessen Identität zu überprüfen. Anhand von ML-Algorithmen kann beispielsweise bei einem Bestellvorgang in einem Online-Shop die Tippgeschwindigkeit analysiert und die Frage geklärt werden, ob die Dateneingaben von einer Person oder einer Software beziehungsweise einem Roboter vorgenommen werden. Darüber hinaus kann etwa festgestellt werden, ob die eingegebenen Daten auf einem bekannten Gerät von dem zugeordneten Kunden stammen oder auf einem unbekannten Gerät an einem entfernten Ort, von einem potenziellen Betrüger.

Alles in allem

Bei den heute eingesetzten ML-Systemen handelt es sich um bereits sehr gut trainierte und hochspezialisierte Algorithmen. Im beschriebenen Fall hilft ein solches System Unternehmen dabei, ihre ehrlichen Kunden zuverlässiger zu identifizieren und ihnen einen insgesamt besseren Service oder eine optimale Kauferfahrung zu bieten. Bis ein solches System auch in der Lage ist, die Kinder aus der Schule abzuholen und die Einkäufe völlig eigenständig zu erledigen, ist es noch ein sehr weiter weg. Von der Weltherrschaft ganz zu schweigen.

(ID:47445439)