Finanzinstitute im Visier von Cyberkriminellen Wie KI bei der Bekämpfung von Wirtschaftskriminalität hilft

Anbieter zum Thema

Cloudera

Fsas Technologies GmbH

INFOMOTION GmbH

QUNIS GmbH

Betrugsfälle wie Wirecard und Cum-Ex zeigen die wachsenden Risiken der Wirtschaftskriminalität. Mit der Digitalisierung entstehen neue Angriffspunkte für Cyberkriminelle. Künstliche Intelligenz (KI) bietet jedoch Möglichkeiten, Betrug in Echtzeit zu erkennen und zu verhindern. Der Artikel beleuchtet, wie Finanzinstitute mit der richtigen Datenstrategie die Oberhand gewinnen können.

Wirecard und Cum-Ex – gerade in Deutschland gibt es eine lange und unrühmliche Geschichte blühender Wirtschaftskriminalität. Der digitale Wandel hat nicht nur neue Komfortfunktionen für die Bevölkerung wie digitale Möglichkeiten zur persönlichen Identifikation für Bankdienstleistungen oder zur Verwaltung von Portfolios durch Finanzdienstleister hervorgebracht, sondern bietet Cyberkriminellen und Betrügern auch zahlreiche Angriffspunkte. In Zukunft wird sich dieses Problem noch verstärken. So kann etwa der Zugang zu nur einem Dienst eine Fülle an persönlichen Daten offenlegen, während einsteigerfreundliche KI-Tools Social-Engineering-Angriffe noch effizienter machen.

Der öffentliche Sektor gibt einen wichtigen Rahmen mit neuen Vorschriften und angepassten Regulierungen vor, wenn es darum geht, gegen moderne Arten des Betrugs vorzugehen. So zielt etwa der AI-Act der Europäischen Union darauf ab, das Vertrauen der Verbraucher in KI-Technologien zu stärken und gleichzeitig deren sichere und ethische Entwicklung zu fördern. Der AI-Act legt zu diesem Zweck unter anderem Regeln für Hochrisiko-KI-Anwendungen fest. Darunter fallen transparente Datensammlung und -verarbeitung, klare Kennzeichnung von KI-Systemen sowie die Einhaltung von Datenschutz- und Sicherheitsstandards. Mit dem Digital Operational Resilience Act (DORA) verfolgt der Gesetzgeber wiederum die Absicht, die Widerstandsfähigkeit des digitalen Finanzsektors zu stärken. Das Gesetz legt Regeln und Standards für die Cybersicherheit und operationelle Widerstandsfähigkeit von Finanzdienstleistern und Anbietern kritischer digitaler Dienste fest.

Doch für private Unternehmen gestaltet sich die Bekämpfung von Online-Betrug zunehmend ressourcenintensiv. Die Betrugsermittler verbringen immer mehr Zeit damit, unzählige Datensätze und Verhaltensindikatoren zu durchforsten, um Auffälligkeiten zu erkennen. Dazu kommt noch die rasante Geschwindigkeit technologischer Entwicklungen. Haben Unternehmen nach einiger Zeit eine funktionierende Methode gegen eine Betrugsart gefunden, so schwenken Cyberkriminelle schon auf die nächste um. Wie also können Finanzinstitute angesichts des hohen Kostendrucks besser gegen Betrug vorgehen und gleichzeitig die Compliance-Vorschriften einhalten?

Am Anfang stehen die Daten

Hier kommt die KI ins Spiel. Tools für KI und maschinelles Lernen (ML) können Unternehmen dabei helfen, Anzeichen und Muster von Betrug in Echtzeit zu erkennen. Diese Werkzeuge unterstützen die Betrugsermittler auch bei der Verhaltensanalyse und der Automatisierung von Entscheidungsfindung. So werden Kosten gesenkt und die Produktivität gesteigert. Richtig implementiert können diese Technologien eine vorausschauende Betrugsabwehr optimieren.

Die Mobilisierung von KI und ML zur Betrugsbekämpfung funktioniert jedoch nur, wenn Unternehmen Quellen von vertrauenswürdigen Echtzeitdaten zusammenführen. Auf Grundlage dieser wird dann das KI-Modell zur Erkennung von Verhaltenstrends trainiert. Die Trainingsdatensätze sollten dabei so vollständig und relevant wie möglich sein. So kann es sinnvoll sein, Daten zu integrieren, die konkrete Einblicke in das Nutzerverhalten geben, wie etwa Bankdaten und Daten zur Kreditwürdigkeit. So lernt die KI, Anzeichen für Betrug zu erkennen. Ohne qualitativ hochwertige Trainingsdaten läuft die KI jedoch Gefahr, zu „halluzinieren“ und mehr False-Positive-Ergebnisse zu produzieren. Das erhöht den Zeitaufwand und beeinträchtigt das Vertrauen der Unternehmensleitung in die gewonnenen Ergebnisse.

One Data wagt Blick in die Zukunft

Diese neun Datentrends prägen das Jahr 2025

Unternehmen sollten zudem sicherstellen, dass sie über die richtige Infrastruktur verfügen, um die Entwicklung von KI zu unterstützen. Die Vereinheitlichung, Bereinigung und Vorbereitung von großen Datensätzen für das Training erfordert eine hohe Rechenleistung.

Vier Maßnahmen für eine erfolgreiche KI-Strategie

Damit sie Betrug mit KI aufdecken und bekämpfen können, müssen Unternehmen umfassende Strategien und Richtlinien entwickeln, wodurch Ermittler neue Tools effektiv nutzen können. Diese vier Schritte helfen, Unternehmen KI-fähig zu machen.

• 1. Daten nach „Source of Truth“ sortieren
  KI-Modelle müssen anhand von Daten trainiert werden, die relevant und vollständig sind. Unternehmen sollten daher Datenpipelines aufbauen, die offene Standards und interoperable Datenformate verwenden. So können Daten gesammelt, integriert, verarbeitet und im gesamten Unternehmen zu verschiedenen Trainingsdatensätzen hin und her verschoben werden.

• 2. Data-Governance-Praktiken verbessern
  Alle gesammelten Daten müssen bereinigt sein. Nur so können KI-Modelle Erkenntnisse über Betrugsarten gewinnen. Die Einrichtung einer Data-Stewardship-Arbeitsgruppe, die Mitarbeiter in Data Governance schult, regelmäßige Audits durchführt, Best Practices fördert und die Einhaltung von Vorschriften durchsetzt, stellt sicher, dass die verwendeten Daten vertrauenswürdig und KI-fähig sind.

• 3. Daten in Echtzeit verfügbar machen
  KI braucht Daten in Echtzeit, um Bedrohungen vorherzusagen. Unternehmen sollten sich um die Implementierung von Technologien bemühen, die die Time-to-Intelligence beschleunigen. Dazu gehören etwa Streaming-Analytics-Lösungen. Mit diesen können Teams Daten analysieren, die sich von der Quelle zum Ziel bewegen.

• 4. Datenmanagement-Plattformen nutzen
  Es ist keine triviale Aufgabe, zahlreiche Datenströme in verschiedenen Umgebungen zu verwalten, mehrere KI- und ML-Modelle zu trainieren und die Data Governance unternehmensweit durchzusetzen. Unternehmen müssen zu diesem Zweck moderne Datenverwaltungsplattformen nutzen. Mit Hilfe dieser erhalten Mitarbeiter einfacher die Kontrolle über Daten und Tools und können analytische Prozesse zentralisieren. Zudem unterstützen sie dabei, Compliance-Risiken vorherzusehen und zu verwalten.

Mit der richtigen Datenstrategie bleiben die Finanzinstitute vorn

Betrugsprävention ist ein stetiges Katz-und-Maus-Spiel. Sobald ein digitaler Dienst populär wird, sind finanziell motivierte Cyberkriminelle zur Stelle und finden völlig neue Wege, das System gegen sich auszuspielen. Während Taktiken, Methoden und Kanäle der Betrüger sich stetig ändern, bleibt jedoch eines konstant: Vorhersagende Echtzeitdaten, KI und Machine Learning bilden zusammen den Motor, mit dem Finanzinstitute bei diesem Rennen die Nase vorn haben können. Allem voran steht daher eine umfassende Datenstrategie.

Kommentar von Christoph Ertl, Nasuni

Ohne solide Datenstrategie keine erfolgreiche KI-Implementierung

(ID:50300488)