Fraud Detection: Künstliche Intelligenz deckt Betrug auf

Die Digitalisierung findet in immer mehr Branchen und Industriezweigen Einzug. Künstliche Intelligenz spielt dabei eine immer größer werdende Rolle. Für die Finanzbranche ist in diesem Zusammenhang das Anwendungsfeld „Fraud Detection“, also die Betrugserkennung und -prävention, von besonderer Bedeutung.

von Dr. Katrin Botzen ist Head of Advanced Analytics, 5Analytics 

Es gibt verschiedene Typen von Betrug im Finanzwesen. Von internem Betrug spricht man, wenn Mitarbeiter Aufzeichnungen in betrügerischer Absicht modifizieren. Ein externer Betrugsfall liegt zum Beispiel bei Kreditkartenbetrug vor. Und dann gibt es noch inszenierte Autounfälle, Versicherungsbetrug und medizinischen Betrug. Aufgedeckt werden diese Betrugsfälle durch Anomalien im Sachverhalt, also Ereignisse, die nicht zum typischen Verhalten passen. Bei der Erkennung dieser Anomalien und der Interpretation als Betrug hilft Künstliche Intelligenz (KI) mit dem Anwendungsfeld „Fraud Detection“.

Damit KI-Lösungen in der Betrugserkennung arbeiten können, sind als Grundlage Datenquellen erforderlich. Diese hängen vom genauen Überprüfungsfall ab, für den die Künstliche Intelligenz eingesetzt ist. Für Kreditkartenbetrug sind der Transaktionsverlauf von einer oder mehreren Banken und Kundentransaktionen als Informationsgrundlage erforderlich. Um Versicherungsbetrug aufdecken zu können, helfen bisher geltend gemachte Versicherungsansprüche, Interaktionsdaten bzgl. Social Media, Mobiltelefon und Geldautomaten. Zur Erkennung von Finanzbetrug sind natürlich Finanzunterlagen hilfreich.

Kreditkartenbetrug erkennen

Bei einem Kreditkartenbetrug liegen als Datenquellen zunächst die Transaktionsdaten vor: der Zeitpunkt der Transaktion, die transferierte Geldmenge, ob die Transaktion über einen Geldautomat, das Internet, im Geschäft oder anderswo durchgeführt wurde, die Händlerart (zum Beispiel Einzelhandel, Fluggesellschaft, etc.), die Kartennummer, der Bankaussteller, das Land der Transaktion, das Alter und das Geschlecht des Karteninhabers. Zusätzliche Informationen könnten über Metadaten aus Social Media-Kanälen, Lokalisierungsdaten von Smartphones und die IP-Adresse einfließen.

Eine übliche Praxis für die Betrugserkennung sind die sogenannten Expertenregeln. Dabei handelt es sich um „Wenn-Dann-Regeln“, die auf der Expertise von Business-Experten spezifiziert sind. Wenn beispielsweise dieselbe Karte innerhalb einer Stunde an vier verschiedenen Geldautomaten benutzt wurde, dann wird die Transaktion als möglicher Betrug erkannt. Gleiches würde gelten, wenn dieselbe Karte für mehr als zwei Transaktionen innerhalb von fünf Minuten verwendet wurde. Selbstverständlich gibt es noch eine Vielzahl weiterer Expertenregeln, die bestimmt werden.

Diese „Wenn-Dann-Regeln“ sind recht einfach zu implementieren und für die Softwarelösung zu interpretieren. Allerdings können diese Regeln nur frühere Betrugsmuster erkennen.”

Sobald Betrüger ihre Verhaltensmuster ändern, werden diese Regeln nutzlos und es dauert sehr lange, bis ein Betrugsexperte neue Regeln erkennt, sie untersucht und diese dann implementiert werden. Außerdem können nur einfache Regeln erstellt werden, da diese nur schwer in ein System integriert werden können.

So arbeitet die Künstliche Intelligenz

Hier kommt nun Künstliche Intelligenz im Sinne von Machine Learning zum Einsatz, um vorausschauende Analysen und Modellierungen durchzuführen. Dazu werden historische Daten, beispielsweise Transaktionsdaten der letzten zwei Jahre herangezogen. Diese Informationen werden als etikettierte Daten bezeichnet, da hier bereits bekannt ist, ob die dazugehörige Transaktionen legal oder betrügerisch waren. Die bisher genutzten „Wenn-Dann-Regeln“ werden dabei hinzugezogen.

Für sämtliche Transaktionen können so neue Funktionen zur Erkennung von Betrug erstellt werden. Dieser Vorgang wird „Feature-Engineering“ genannt.”

Die Anzahl der erstellten Funktionen wird basierend auf den Eingaben von Business-Experten und dem Modell-Feedback erhöht. Die Anzahl der Funktionen kann sich aber auch erhöhen, wenn neue historische Transaktionsdaten als Datenquellen hinzugefügt werden.

Nach der Aufbereitung der Daten werden mehrere Algorithmen evaluiert, um das beste Modell zu finden, das betrügerische Transaktionen genau vorhersagen kann. Die Modellauswahl kann vom einfachen linearen Klassifikator bis hin zu komplexen rekurrenten neuronalen Netzen reichen. Um herauszufinden, welches Modell besser ist, wird ein Bewertungsschema und eine Leistungsmetrik verwendet. Das gewählte Modell wird dann für alle neuen Transaktionen verwendet. Die tatsächliche Leistung des Modells wird aber auch dann weiter verfolgt und es kann beispielsweise wöchentlich um neue Transaktionsdaten erweitert werden, um immer präziser zu werden.aj