|
Getting your Trinity Audio player ready...
|
Eine aktuelle Studie zeigt, wie maschinelles Lernen die Identifizierung von Hochrisikokunden in Finanzinstituten verbessern kann. Mit einem systematischen 16-stufigen Ansatz erreichten die Forscher eine Erkennungsgenauigkeit von über 96 Prozent.
Die wachsende Komplexität der Geldwäschebekämpfung
Die Anti-Geldwäsche-Compliance (AML) steht vor zunehmenden Herausforderungen. Traditionelle regelbasierte Systeme stoßen angesichts der steigenden Anzahl und Komplexität von Finanztransaktionen an ihre Grenzen. Gleichzeitig müssen Finanzinstitute eine Balance zwischen effektiver Risikoerkennung und der Minimierung von Fehlalarmen finden, die operative Kosten verursachen und Kundenbeziehungen belasten können.
In diesem Kontext gewinnt maschinelles Lernen als Werkzeug zur Verbesserung der AML-Prozesse an Bedeutung. Eine aktuelle Studie[1]Anti-Money Laundering Machine Learning Pipelines; A Technical Analysis on Identifying High-risk Bank Clients with Supervised Learning der Universität Toronto liefert konkrete Erkenntnisse darüber, wie ML-basierte Ansätze zur Identifizierung von Hochrisikokunden entwickelt und implementiert werden können.
Methodischer Ansatz und Datengrundlage
Das Forschungsteam entwickelte seine ML-Pipeline im Rahmen der IMI Big Data and Artificial Intelligence Competition 2023–2024 und erreichte dabei den zweiten Platz. Die Untersuchung basierte auf einem Datensatz von 195.789 Kunden-IDs, der vier zentrale Datenquellen umfasste: Know Your Customer (KYC)-Informationen, Bargeldtransaktionen, E‑Mail-Kommunikation und Überweisungsdaten.
Die Forscher verfolgten einen systematischen 16-stufigen Design- und Analyseprozess. Dieser begann…
References