Drei Tipps für Machine Learning (ML) in der Compliance-Praxis

Machine Learning: es gibt konkrete Anwendungen, zum Beispiel für Compliance von Finanzinstituten. Worauf sollten Unternehmen also achten, wenn sie Machine-Learning-Projekte in der Praxis umsetzen wollen? Thomas Ohlemacher von Actico gibt drei Tipps.

1. Über die eigenen Compliance-Ziele klarwerden

Zuerst müssen Unternehmen genau spezifizieren, was sie mit Machine Learning erreichen wollen und evaluieren, ob die Technologie überhaupt der richtige Ansatz für die konkrete Herausforderung ist. Machine Learning kann kein Allheilmittel sei. Für die Technologie gibt es spezifische Anwendungsfälle, für andere eignen sich jedoch andere Technologien besser. Machine Learning ist beispielsweise für eine sehr allgemeine Mustererkennung gut geeignet. In anderen Fällen würde man mit Machine Learning weit über das Ziel hinausschießen. Für die Überprüfung, ob bestimmte, präzise formulierte Regularien erfüllt werden, reichen einfachere Regeln völlig aus.

2. Den richtigen Ansatz wählen und mit den richtigen Daten kombinieren

Machine Learning ist nicht gleich Machine Learning. Hier gibt es verschiedene Ansätze, die sich je nach Einsatzzweck unterscheiden. Da ist zum einen die Klassifikation, dabei teilt man Dinge in Kategorien ein, zum Beispiel Kunden im KYC-Prozess in solche, die noch einmal überprüft werden müssen und solche, die keine Indikatoren hatten, die eine erneute Überprüfung nötig machen würden.

Für diesen Ansatz benötigt man allerdings Sample-Daten, mit denen man die Erkennungsfähigkeit des Systems trainieren kann.”

Mit unüberwachtem Lernen lassen sich auch Muster abseits bekannter Parameter aufdecken. Das kann besonders aus der Compliance-Perspektive interessant sein. Clustering teilt zum Beispiel Kunden nach ihrem Verhalten in verschiedene Gruppen ein. Das kann dabei helfen, zu erkennen, wann ein Kunde plötzlich die Gruppe wechselt. Diese Verhaltensänderungen können wiederum Anzeichen für Compliance-Verletzungen sein. Eine dritte Kategorie für Machine Learning-Anwendungen ist die Anomalie-Erkennung. Hierbei kommen ebenfalls unüberwachte Lernverfahren zum Einsatz. Damit lassen sich vor allem ungewöhnliche Kunden oder Transaktionen überprüfen.

3. Machine-Learning-Entscheidungen müssen überprüfbar sein

Transparenz in Bezug auf die Entscheidungsfindung ist bei Machine Learning unabdingbar, um die getroffenen Entscheidungen nachvollziehbar und erklärbar zu machen.

Um Fehlentscheidungen von KI-Anwendungen zu erkennen, muss man ihre Wirkmechanismen und Entscheidungsparameter genau kennen. Nur so kann man feststellen, dass die Entscheidungen nicht nur durch Zufall richtig waren.”Thomas Ohlemacher, Actico

Sie finden diesen Artikel im Internet auf der Website:
https://itfm.link/108934