Banken nutzen maschinelles Lernen, um Geldwäscheschemata zu erkennen

Im April senkte die Danske Bank ihren Ausblick für 2019, da sie mit den Folgen eines 223 Milliarden Dollar schweren…

Im April senkte die Danske Bank ihren Ausblick für 2019, da sie mit den Folgen eines 223 Milliarden Dollar schweren Geldwäschesystems zu kämpfen hat. Die Aktionäre der Swedbank sind nervös wegen der US-Prüfung ihrer Geldwäschepolitik, da auch sie in die Ermittlungen verwickelt ist, wie Reuters berichtet. Und einer regionalen russischen Bank, die einem ehemaligen US-Kongressabgeordneten aus North Carolina gehört, wurde am 5. April die Lizenz wegen Verstößen gegen die Geldwäschebestimmungen entzogen, wie American Banker berichtet.

Und das, obwohl Regierungen auf der ganzen Welt seit Jahrzehnten Druck auf Banken und Finanzdienstleister ausüben, als Partner der Strafverfolgungsbehörden zu fungieren, wenn es darum geht, Kriminelle und korrupte Beamte daran zu hindern, mit illegalen Mitteln erwirtschaftetes Geld als legitimes Einkommen zu tarnen – Geldwäsche – und es in das Finanzsystem zu schleusen.

Heute gibt es Anzeichen dafür, dass die US-Regierung erste Schritte unternimmt, um von Finanzdienstleistern zu verlangen, dass sie künstliche Intelligenz (KI) und auf maschinellem Lernen basierende Tools einsetzen, um Geldwäsche zu bekämpfen.

Die Entwicklung der Regeln und Standards, die Banken und Finanzdienstleister befolgen müssen, um die im Bank Secrecy Act und anderen Gesetzen verankerten Anforderungen zur Bekämpfung der Geldwäsche (AML) zu erfüllen, ist in der Vergangenheit einem vorhersehbaren Muster gefolgt.

In der Regel werden große Institute, die in modernste Technologien und Prozesse investieren können, versuchen, innovativ zu sein und Wege zu finden, die Einhaltung der Vorschriften effizienter und effektiver zu gestalten. Wenn die Aufsichtsbehörden den Wert eines neuen Ansatzes erkennen, werden sie den Unternehmen die Erlaubnis erteilen, mit diesem Ansatz zu experimentieren.

Mit der Perfektionierung neuer Methoden wird das, was einst als innovative Technik zur Einhaltung der BSA-Bestimmungen galt, allmählich als Best Practice angesehen – etwas, das jede Bank tun sollte.

Vor mehr als zwei Jahrzehnten haben große Banken, die sich des Risikos bewusst waren, mit schmutzigem Geld in ihren Büchern erwischt zu werden, manchmal große Anstrengungen unternommen, um die wirtschaftlichen Eigentümer der Unternehmen zu identifizieren, mit denen sie Geschäfte machten. Das war ein manchmal mühsamer Prozess, bei dem es darum ging, die Schichten von Briefkastenfirmen zu entfernen, um den wahren Eigentümer eines Unternehmens oder eines Vermögenswerts zu ermitteln.

Schließlich wurden Datenbanken und Prozesse in ausreichendem Umfang entwickelt, so dass die Aufsichtsbehörden beschlossen, dass die Identifizierung der wirtschaftlichen Eigentümer nicht länger optional ist. Im Mai 2018 wurde dies durch eine neue Vorschrift zur Sorgfaltspflicht gegenüber Kunden zur Pflicht.

KI und maschinelles Lernen können Anti-Geldwäsche-Bemühungen verbessern

Die gleiche Art von Entwicklung kann man bei der Nutzung von KI und maschinellem Lernen im Bereich der Geldwäschebekämpfung beobachten.

Für Banken war die Einhaltung der BSA schon immer ein extrem datenintensiver Prozess, und zu wissen, wem die Unternehmen gehören, mit denen sie Geschäfte machen, ist nur ein Teil des Puzzles. Die Banken müssen überprüfen, ob die einzelnen Kunden die sind, die sie vorgeben zu sein. Sie wollen auch wissen, mit wem ihre Kunden Geschäfte machen, ob sie mit Amtsträgern oder bekannten Kriminellen und Terroristen verwandt oder anderweitig verbunden sind und ob sie Verhaltensmuster aufweisen, die auf illegale Aktivitäten schließen lassen.

Um dies effektiv zu tun, müssen wir große Mengen an Informationen aus einer Vielzahl von Quellen zusammenstellen und analysieren – Nachrichtenberichte, Jahresabschlüsse, Firmenunterlagen, Gerichtsakten und vieles mehr.

Im Dezember gaben die wichtigsten Aufsichtsbehörden für Finanzdienstleistungen in den USA, darunter das Board of Governors des Federal Reserve System, die Federal Deposit Insurance Corporation, das Financial Crimes Enforcement Network (FinCEN), die National Credit Union Administration und das Office of the Comptroller of the Currency, eine gemeinsame Erklärung ab, in der sie anerkennen, dass viele Banken mit neuen Technologien experimentieren, um diese Daten effektiver zu verarbeiten.

„Einige Banken experimentieren mit Technologien für künstliche Intelligenz und digitale Identität, die sich auf ihre BSA/AML-Compliance-Programme anwenden lassen“, schreiben sie. „Diese Innovationen und Technologien können die BSA/AML-Compliance-Ansätze stärken und die Transaktionsüberwachungssysteme verbessern. Die Agenturen begrüßen diese Art von innovativen Ansätzen, um die Bemühungen zum Schutz des Finanzsystems vor illegalen Finanzaktivitäten zu unterstützen. Darüber hinaus können diese Arten von innovativen Ansätzen die Nutzung der BSA/AML-Compliance-Ressourcen der Banken maximieren.“

Gleichzeitig signalisierte die FDIC-Vorsitzende Jelena McWilliams, dass die Nutzung von Big Data zur Unterstützung der Einhaltung von Anti-Geldwäsche-Vorschriften nicht immer nur den größten Akteuren der Finanzdienstleistungsbranche vorbehalten sein wird.

„Neue Technologien wie künstliche Intelligenz und maschinelles Lernen können Banken jeder Größe bessere Strategien bieten, um Geldwäsche- und Terrorismusfinanzierungsrisiken besser zu managen und gleichzeitig die Kosten für die Einhaltung der Vorschriften zu senken“, sagte sie.

Große Fortschritte bei der Transaktionsüberwachung

In Anbetracht der Tatsache, dass auch Kriminelle von technologischen Fortschritten profitieren, ist es für Finanzdienstleister eigentlich überfällig, KI und maschinelles Lernen in ihre Compliance-Prozesse einzubinden, sagt Patrick Craig, Leiter der Technologieabteilung für Finanzkriminalität bei EY in Europa, dem Nahen Osten, Indien und Afrika.

„Der derzeitige Ansatz zur Bekämpfung der Geldwäsche hat Mühe, mit den modernen Geldwäscheaktivitäten Schritt zu halten“, schrieb er. „Es gibt eine echte Chance für KI, nicht nur um die Effizienz zu steigern, sondern vor allem um neue und kreative Wege zur Bekämpfung der Geldwäsche zu finden.“

Eine der größten Herausforderungen für Anti-Geldwäsche-Programme von Banken ist die Überwachung von Transaktionen – der Prozess, bei dem Transaktionsdaten durchforstet werden, um potenziell verdächtige Aktivitäten zu identifizieren.

Die derzeitigen automatisierten Systeme produzieren eine große Anzahl von „falsch positiven“ Ergebnissen. Das heißt, dass sie Transaktionen als verdächtig kennzeichnen, die in Wirklichkeit normale Aktivitäten sind, die weitere Untersuchungen durch Bankmitarbeiter erfordern. Einige Schätzungen gehen davon aus, dass bis zu 99 Prozent der Transaktionen, die von den derzeitigen Systemen als verdächtig eingestuft werden, falsch positiv sind.

„KI bietet unmittelbare Möglichkeiten, die Betriebskosten erheblich zu senken, ohne die Effektivität zu beeinträchtigen, indem maschinelle Lerntechniken in verschiedenen Phasen des Transaktionsüberwachungsprozesses eingesetzt werden“, schreibt Craig. „KI wird auch zunehmend bei der Sorgfaltsprüfung von Kunden und bei Screening-Kontrollen unter Verwendung von natürlicher Sprachverarbeitung und Text Mining-Techniken eingesetzt.“

KI kann bei den Know Your Customer Regeln helfen

Sogenannte „Know Your Customer“-Regeln – die von den Banken eine umfassende und kontinuierliche Prüfung der Kunden verlangen – sind ein weiterer Bereich, in dem KI vielversprechend ist, um sowohl die Effizienz als auch die Leistung zu verbessern, sagte er.

„KI könnte ganzheitliche KYC-Prüfungen umfassender, umfangreicher und häufiger machen, so dass laufende Screening- und Überwachungsanalysen besser integriert werden. Risiko- und Erkennungsmodelle würden eine größere Anzahl von Eingaben bewerten und daraus lernen und Ergebnisse im Kontext des Kundenprofils und -verhaltens liefern. Durch die Nutzung der dynamischen Lernfähigkeit von KI in Verbindung mit qualifizierten Ermittlern könnte dieses Modell dazu verwendet werden, den Betrieb zu erweitern, eine Qualitätskontrolle durchzuführen und sogar neue Ressourcen zu schulen.“

Laut Scott Zoldi, Chief Analytics Officer bei der Fair Isaac Corp., können KI und maschinelle Lerntechniken Finanzdienstleistern, die im Bereich der Geldwäsche tätig sind, einen „übermenschlichen“ Schub geben. Aber zuerst müssen Sie in der Lage sein, es ihnen zu erklären.

Die Systeme, die derzeit entwickelt werden, sind in der Lage, Verbindungen zwischen verschiedenen Datenquellen herzustellen, um ein klareres Bild der Aktivitäten der Kunden zu erhalten. So können zum Beispiel Algorithmen entwickelt werden, um Kunden zu identifizieren, deren Aktivitäten mehrere Schwellenwerte gleichzeitig überschreiten. Zum Beispiel würde ein Kunde, dessen durchschnittliche Transaktion in Dollar, die Anzahl der Einlagen aus dem Ausland und die Geschwindigkeit des Geldflusses in „riskante“ Länder alle über dem 90sten Perzentil einer Bank liegen, für eine zusätzliche Prüfung markiert werden.

In der Vergangenheit hätte jeder einzelne dieser Auslöser ausgereicht, um eine rote Fahne zu setzen, was zu einer Flut von Fehlalarmen geführt hätte. Aber ein System, das mit Techniken des maschinellen Lernens ausgestattet ist, kann den Fokus erheblich einschränken.

Laut Zoldi basieren die Ergebnisse „auf der Gesamtheit der Daten, die zur Erstellung des maschinellen Lernmodells verwendet wurden, und sind probabilistisch.“ Es kann auch spezifische Gründe zurückgeben, warum eine Person markiert wurde, was den Ermittlern einen Vorsprung bei der Entscheidung verschafft, ob weitere Maßnahmen erforderlich sind.

„Maschinelles Lernen für AML kann bei wichtigen Compliance-Herausforderungen wie False Positives helfen, neue Einblicke und ein besseres Verständnis des Kundenverhaltens ermöglichen und eine klare und erklärbare Entscheidungslogik liefern. Es liegt auf der Hand, dass die Technologie des maschinellen Lernens die Effizienz der AML-Bemühungen übermenschlich steigert!“ schrieb Zoldi.

Warnung: Algorithmen können voreingenommen sein

Die Übertragung eines Großteils der harten Arbeit bei der Aufdeckung möglicher Geldwäscheaktivitäten birgt jedoch auch eine Reihe von Risiken. Lisa Quest, Anthony Charrie, Lucas du Croo de Jongh und Subas Roy warnten im August 2018 in der Harvard Business Review, dass Algorithmen nur so gut sind wie die Menschen, die sie erstellen, und dass sie ungewollt Voreingenommenheit und blinde Flecken aufweisen können.

Sie empfehlen ein robustes System zur Überprüfung der Ergebnisse, um sich gegen eine Vielzahl von möglichen Problemen zu schützen. Die Idee ist, Probleme aufzudecken, wie z.B. Muster von Fehlalarmen, die zu Diskriminierungsvorwürfen führen könnten, systematisches Versagen bei der Erkennung bestimmter Aktivitäten als verdächtig und das Versagen, mit neuen Ansätzen Schritt zu halten, die Kriminelle entwickeln, um illegale Gelder in das Finanzsystem zu bringen.

„Um dies zu verhindern, müssen Unternehmen verschiedene Szenarien von Kaskaden von Ereignissen entwickeln und testen, die sich aus KI-gesteuerten Werkzeugen zur Verfolgung krimineller Aktivitäten ergeben“, schreiben sie. „Um Geldwäschern ein Schnippchen zu schlagen, sollten Banken zum Beispiel ‚Kriegsspiele‘ mit ehemaligen Staatsanwälten und Ermittlern durchführen, um herauszufinden, wie sie ihr System schlagen würden.

Um die Algorithmen – oder die Ergebnisse von Algorithmen – zu verstehen, müssen Sie ein System mit „erklärbarer KI“ verwenden. Trey Grainger, Chief Algorithms Officer bei Lucidworks, erklärt, dass Sie, wenn die Maschine einen Vorschlag unterbreitet, genau verstehen wollen, welche Logik und welche Daten in diesen Vorschlag eingeflossen sind. Grainger glaubt, dass offene KI ein Muss für regulierte Branchen sein wird.

Laut Stuart Breslow, Mikael Hagstroem, Daniel Mikkelsen und Kate Robu von McKinsey & Company können Banken, die in KI- und maschinelle Lerntechnologien zur Einhaltung der Geldwäschebestimmungen investieren, mit den richtigen Sicherheitsvorkehrungen große Vorteile erzielen. Die Technologie kann die Fehlerquote bei der Einhaltung von Vorschriften auf unter 5 Prozent senken, verglichen mit einem Branchendurchschnitt von etwa 30 Prozent. Darüber hinaus kann das lästige Problem der Falschmeldungen fast um die Hälfte reduziert werden.

Sie schreiben: „Banken, die strategisch in diese drei Bereiche investieren, anstatt taktisch auf Markt- und Regulierungsveränderungen zu reagieren, können im Laufe der Zeit ihr Risiko erheblich reduzieren und andere wesentliche Vorteile erzielen.“

Rob Garver ist ein Reporter für Finanzdienstleistungen in DC.