AI Spotlight

Betrugserkennung im Online-Banking durch Künstliche Intelligenz revolutionieren

AI optimizes processes at a container terminal

Betrugsmuster im Online-Banking sind komplex und entwickeln sich stetig weiter. Erfahren Sie hier, wie fortschrittliche, hybride KI-Technologie die Betrugserkennung im Finanzsektor deutlich verbessert, indem sie menschliche Expertise und datengesteuertes maschinelles Lernen (ML) miteinander kombiniert.

Vorteile

  • Reduzierung von Fehlalarmen: Hybride KI verringert Falsch-positiv-Ergebnisse bei der Betrugserkennung.
  • Schnelle Reaktionszeiten: Eine Priorisierung von Meldungen bei Transaktionen hebt solche mit hohem Risiko hervor, diejenigen mit geringem Risiko filtert die KI hingegen hinaus. Das verbessert die Reaktionszeiten, die Servicequalität und entlastet die Fallanalysten.
  • Verbesserte Entscheidungsfindung und Transparenz: Die Kombination aus maschinellem Lernen (ML) und menschlicher Expertise verbessert die Entscheidungsgenauigkeit, während interpretierbare Modelle des maschinellen Lernens und kognitive Modelle eine transparente Entscheidungsfindung gewährleisten.

Use Case

Überblick

  • Ein Finanzinstitut hat kürzlich die Hybrid-KI-Lösung von INFORM implementiert, was die Betrugserkennung im Online-Banking verbesserte.
  • Im Vergleich zu einer rein wissensbasierten KI entstanden durch unsere hybride KI-Lösung deutlich weniger Falsch-positiv-Ergebnisse und illegale Aktivitäten wurden spürbar besser erkannt und verhindert.
  • Unsere Softwarelösung optimierte außerdem die Ressourcenzuweisung, indem sie kritische Meldungen priorisierte und so den Aufwand für das Management für die Fallanalysten reduzierte.

SO FUNKTIONIERT’S

  • Eine wissensbasierte KI war bei dem Finanzinstitut bereits im Einsatz. Die Integration des Maschinellen Lernens (datenbasierte KI) verlief deshalb einfach und reibungslos und zeigte als sinnvolle Ergänzung sofortige Ergebnisse.
  • Die vom wissensbasierten System generierten Warnungen wurden priorisiert. Das erleichtert die Untersuchungen der Fälle, da Fallanalysten sich auf relevante Meldungen konzentrieren können. Sie nutzen dabei die Erklärungen des ML-Modells, um fundierte Entscheidungen zu treffen.
  • Sowohl die Bank als auch unser Team sind mit dem Prozess und den Ergebnissen sehr zufrieden – wir konnten das Projekt ohne großen Aufwand effizient umsetzen und die Anzahl der Falsch-positiv-Ergebnisse um 10 Prozent senken ohne dabei die generelle Trefferrate zu verschlechtern.

 SCHON GEWUSST?

  • Die Untersuchung von Warnungen über potenziellen Betrug ist für Banken oft teuer. Pro Meldung entstehen Kosten von 25 bis 50 US-Dollar, wie NerdWallet berichtet. Da Banken jährlich eine große Anzahl an Meldungen bearbeiten, kann dies eine finanzielle Belastung in Millionenhöhe bedeuten. Die Kosten umfassen die Ressourcen, die für die gründliche Untersuchung der Meldungen nötig sind, sowie die Arbeitszeit der Mitarbeitenden.
  • Die Kosten, die für Banken durch Betrug entstehen – insbesondere im Online-Banking – sind beträchtlich. Laut dem ABA Banking Journal fallen zusätzliche Kosten von etwa 4,36 US-Dollar für jeden durch Betrug verlorenen Dollar an, aufgrund damit verbundener Ausgaben wie Anwaltsgebühren und Erstattungsmaßnahmen. Die finanzielle Belastung geht also weit über die anfängliche betrügerische Transaktion hinaus.

Sind Sie an weiteren AI Spotlights interessiert? 

VorherigeNächste