Ist Compliance eine Aufgabe für Mensch oder Maschine?

Machine Learning in Compliance liegt im Trend. Anwendungen wie die Erkennung von Betrug, Geldwäsche und Marktmissbrauch werden jetzt interessant.

 

Thomas Ohlemacher, Product Manager Compliance, ACTICO GmbH

 

Über lange Zeit ist eine Regulierungswelle nach der anderen auf Banken und Versicherungen zugerollt. Mit jeder dieser Wellen mussten unter Druck neue Anforderungen erfüllt werden. Aber in den letzten Jahren hat sich die Motivation geändert. Es geht seltener darum, neue Anforderungen abzudecken, sondern etablierte Standards anzunehmen und effizienter zu werden. Dabei kommen immer häufiger neue Technologien wie Machine Learning zum Einsatz.

Compliance wird immer digitaler

Compliance braucht menschliche Intelligenz, das ist gar keine Frage. Aber Compliance benötigt auch Wissen aus der zunehmenden Menge an Daten über Kunden und Finanztransaktionen. Gerade weil Machine Learning Experten- und Datenwissen kombiniert, lassen sich Betrug, Geldwäsche und Marktmissbrauch effektiver erkennen. Immer mehr Banken und Versicherungen planen schon konkret, Machine Learning-Verfahren in Compliance einzusetzen. Damit wollen sie die Risikoanalyse verbessern.

SEMINARTIPPS

 

IT-Compliance, 04.06.2019, Frankfurt/M.

FCH Innovation Days 2019, 24.–25.06.2019, Berlin.

WpHG-Compliance Kompakt, 23.10.2019, Frankfurt/M.

Lernende Frühwarnverfahren im Kreditgeschäft, 18.11.2019, Frankfurt/M.

Compliance-Jahrestagung 2019, 18.–19.11.2019, Berlin.

Das sind die Anwendungen, für die sich Machine Learning anbietet

Im Monitoring von Zahlungen kann Machine Learning aus bestehenden Zahlungshistorien lernen. Es erkennt Muster, die auffällige Zahlungen gemeinsam haben. Da Machine Learning sehr mächtige Modelle erzeugen kann, sind Banken und Versicherungen damit oft in der Lage, die Zahlungen präziser zu filtern und weniger unnötige Abklärungen auszulösen.

Als zweites Beispiel eignet sich der Abgleich von Personendaten gegen Sanktions- und PEP-Listen. Hier lernt Machine Learning aus der Abklärungshistorie, wie die Bearbeiter historische Fälle abgeklärt haben. Mit diesem Modell ist es möglich, zukünftige Fälle zu bewerten. So bekommen Compliance Teams sehr früh eine Einschätzung, ob ein Treffer voraussichtlich relevant sein wird und können danach priorisieren.

Klicken Sie hier, um das vollständige Whitepaper „Warum erfolgreiche Banken beim Thema Compliance jetzt auf Machine Learning setzen“ von ACTICO GmbH zu lesen.FCH Compliance LogoPRAXISTIPPS

  • Expertenwissen mit Datenwissen aus Machine Learning kombinieren
  • Wertvolle Historien in den eigenen Compliance-Daten finden
  • Bestehende Ineffizienzen erkennen und mit ML-Experten diskutieren

Beitragsnummer: 60546



0 Antworten

Hinterlassen Sie einen Kommentar

Wollen Sie an der Diskussion teilnehmen?
Feel free to contribute!

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.