Durch die Nutzung der Datenvisualisierung können Banken ihre Möglichkeiten zur Betrugserkennung erheblich verbessern. Ich habe mit Atmajitsinh Gohil gesprochen, dem Autor von Kochbuch zur R-Datenvisualisierungüber die Technologien, die den Kampf gegen Finanzbetrug verändern.
Laut der Nilson-BerichtSchätzungen zufolge werden die weltweiten Kreditkartenverluste bis 2026 43 Milliarden US-Dollar erreichen. Atmajitsinh Gohil, ein renommierter Autor von R-Datenvisualisierungs-Kochbuch, und einer der Top-Experten für KI-gestützte Tools, glaubt, dass Datenvisualisierungstechniken im Kampf gegen Betrug von entscheidender Bedeutung sind.
Atmajitsinh hat mit Finanzinstituten zusammengearbeitet, um Finanzdaten auszuwerten und KI-fähige Tools zur Erkennung von Anomalien zu entwickeln. Diese KI-fähigen Tools erkennen Muster in den Daten und erkennen mögliche Betrüger. Gohil hat proprietäre Datenvisualisierungstools entwickelt, um Finanzbetrug zu erkennen, Finanzdaten zu schützen und neue und aufkommende Bedrohungen zu erkennen.
Sein Kochbuch zur R-Datenvisualisierung befasst sich intensiv mit der Programmiersprache R und bietet praktisches Wissen, das für jeden unverzichtbar ist, vom Datenanalysestudenten bis zum politischen Entscheidungsträger.
„Heutzutage verlassen sich Banken stark auf Modelle des maschinellen Lernens, die Kriminalität durch die Analyse von Datensätzen identifizieren“, sagte Gohil. „Der Betrugsanteil in diesen Datensätzen ist sehr gering, was die Erkennung schwierig macht.“
Derzeit arbeitet er an der Validierung von Modellen für maschinelles Lernen für die größten Banken der Welt. Laut Gohil wenden Kriminelle verschiedene Taktiken an, beispielsweise die Beschaffung gehackter Kundeninformationen aus dem Dark Web, die Nutzung generativer KI zum Phishing persönlicher Daten und die Geldwäsche mithilfe von Kryptowährungen.
Gohil ist hochqualifiziert im Einsatz von KI zur Minderung finanzieller Verluste, eine Strategie, die in letzter Zeit bei Finanzinstituten an Bedeutung gewonnen hat. Zum Beispiel Mastercard gestartet ein generatives KI-Modell, das Banken dabei helfen soll, verdächtige Transaktionen in ihrem Netzwerk besser einzuschätzen.
Dieser proprietäre Algorithmus wird auf Daten von rund 125 Milliarden Transaktionen trainiert, die jedes Jahr über das Kartennetzwerk des Unternehmens laufen. Im Durchschnitt kann die Technologie von Mastercard die Betrugserkennungsraten um 20 % verbessern, in einigen Fällen hat sie sogar zu Verbesserungen von bis zu 300 % geführt.
Prävention von Finanzkriminalität
Laut Gohil sammeln Finanzunternehmen riesige Datenmengen aus verschiedenen Transaktionen, darunter Geldtransfers und Login-Aktivitäten. Um betrügerische Aktivitäten zu erkennen, muss das Profil einer Person mit historischen Daten verglichen werden, um verdächtige Muster zu erkennen.
Gohils innovative Datenvisualisierungstechniken spielen dabei eine entscheidende Rolle. „Visualisierung kommt ins Spiel, indem Dashboards erstellt werden, die zeigen können, wie viele Personen sich anmelden, welches Geschlecht sie haben, welche Altersgruppen sie haben und wo Betrug stattfindet“, sagt Gohil. „Dies hilft bei der Identifizierung, ob Betrug auf eine bestimmte Bevölkerungsgruppe oder Region konzentriert ist.“
Wenn Betrugsmodelle nicht gut funktionieren, nehmen Banken Anpassungen vor und verwenden Visualisierungstechniken, um alte und neue Modelle zu vergleichen.
„Sie können Daten visualisieren, um die Leistung vor und nach der Änderung zu sehen. Dies hilft beim Verständnis, ob die Anpassungen zu weniger Fehlalarmen oder verbesserten Erkennungsraten geführt haben“, fügt Gohil hinzu.
Die größten Risiken für Banken
Mit dem Fortschritt der Technologie entwickeln sich auch die Methoden der Kriminellen. „Betrüger passen sich sehr schnell an. Sie arbeiten aggressiv daran, das System zu brechen, insbesondere mit dem Einzug der KI“, warnt Gohil. Technologie kann beispielsweise zur Erstellung gefälschter Ausweise oder auf andere betrügerische Weise eingesetzt werden, um in Banksysteme einzudringen.
Eines der größten Risiken für Banken besteht darin, das Vertrauen ihrer Kunden aufrechtzuerhalten und ihre Daten zu schützen. „Die Zufriedenheit des Kunden und die Sicherstellung, dass seine Identität nicht preisgegeben wird, sind wichtige Anliegen“, bemerkt Gohil.
Die von Drittanbietern entwickelte Spracherkennungstechnologie ist eine dieser Innovationen, die Banken dabei hilft, betrügerische Anrufe zu erkennen. Diese Systeme können verschiedene Eingaben wie Telefonnummern und geografische Standorte analysieren, um verdächtige Aktivitäten zu kennzeichnen.
„Die Spracherkennung kann anhand verschiedener Variablen im Modell erkennen, ob ein Anruf betrügerisch ist“, erklärt Gohil.
Die Zukunft der Betrugsprävention
Die Bedrohungen, denen Banken ausgesetzt sind, entwickeln sich ständig weiter. Phishing-E-Mails, Spam und gefälschte Mitteilungen von CEOs sind nur einige der Taktiken, die Betrüger anwenden. Gohil warnt davor, dass Banken wachsam bleiben und neue Technologien einführen müssen, um sich und ihre Kunden zu schützen.
Mithilfe der Datenvisualisierungstechniken von Gohil können Finanzunternehmen KI einsetzen, um Szenarien zu erstellen, in denen sie potenzielle Bedrohungen erkennen und Vorsichtsmaßnahmen ergreifen. Beispielsweise hilft die Kennzeichnung von E-Mails als „intern“ oder „persönlich“ den Banken, den Informationsfluss zu überwachen und Phishing-Angriffe zu verhindern.
Viele Banken verfügen zwar über wirksame Tools zur Erkennung ungewöhnlicher Verhaltensweisen, die auf Betrug hinweisen könnten, diese Tools sind jedoch nicht perfekt. Aus diesem Grund sind die Datenvisualisierungstechniken von Gohil für die Identifizierung betrügerischer Muster von entscheidender Bedeutung.
„Fortschrittliche Technologie ist für die Unterscheidung zwischen legitimen und böswilligen Transaktionen unerlässlich“, sagte er. Finanzunternehmen können die Wirksamkeit ihrer Betrugserkennungssysteme nur durch die Nutzung von Daten genau bewerten.
Hervorgehobener Bildnachweis: Eduardo Soares/Unsplash
