A bitcoin on top of a dollar bill
Geldwäschebekämpfung
Hintergrund
Nach Angaben des Büros der Vereinten Nationen für Drogen- und Verbrechensbekämpfung (UNODC) werden jährlich zwischen 800 Milliarden bis 2 Billionen US-Dollar aus kriminellen Aktivitäten gewaschen, was zwei bis fünf Prozent des weltweiten Bruttoinlandsprodukts ausmacht. Ein im Jahr 2018 aufgedeckter Geldwäscheskandal bei der Danske Bank betraf mehr als 229 Milliarden US-Dollar, und die Bank und ihre Führungskräfte wurden zur Rechenschaft gezogen, weil sie nicht auf frühere Hinweise von Informanten reagiert hatten.
Herausforderungen
Banken werden von den Behörden zunehmend dafür verantwortlich gemacht, dass sie keine geeigneten Kontrollmechanismen zur Verhinderung von Geldwäsche über die Bankkonten des Unternehmens einrichten. Gleichzeitig werden Bitcoin-Transaktionen aufgrund ihrer Pseudonymität bei kriminellen Organisationen immer beliebter.
Traditionelle regelbasierte Ansätze haben zu einer großen Zahl von "False Positives" geführt, die manuell und mit höchster Sorgfalt verarbeitet werden müssen. Wenn Bankkonten aufgrund einer falsch-positiven Einstufung geschlossen werden, sind die Kunden verärgert und die Bank riskiert, Geschäfte mit diesem Kunden zu verlieren. Aus technischer Sicht könnte es aufgrund der hohen Datensicherheitsbarrieren schwierig sein, auf gekennzeichnete Datensätze für überwachte Lernansätze zuzugreifen und diese zu erhalten.
Darüber hinaus stellen synthetische oder angereicherte Daten möglicherweise nicht die tatsächliche Verteilung betrügerischer Transaktionen dar, da Geldwäschetaktiken vielfältig sind, sich im Laufe der Zeit ändern und zu dynamischen Daten führen.
Lösungsansatz
Regelbasierte Ansätze für betrügerische Transaktionen könnten immer noch ein guter Ausgangspunkt sein, wenn bestimmte Muster durch Beobachtung mit Sicherheit erkannt werden können. Zum Beispiel könnten Transaktionen aus Steueroasen, wie den Kaimaninseln, eine höhere Wahrscheinlichkeit haben, betrügerisch zu sein.
Zu den Algorithmen, die regelmäßig zur Erkennung von Anomalien verwendet werden, gehören k-Nearest-Neighbor, Support Vector Machine oder Bayes'sche Netzwerke. Um weniger offensichtliche Muster zu erkennen, könnten ausgefeiltere Ansätze des maschinellen Lernens gewählt werden, insbesondere im Falle einer begrenzten Menge an Trainingsdaten oder dynamischen Daten.
Graph Neural Networks können hierarchische Beziehungen, z.B. zwischen Entitäten, Ländern oder Banken, abbilden und damit Transaktionsmuster leichter vergleichbar machen. Active Learning kann bei der Erstellung von Labels helfen, indem verdächtige Muster aus der Modellausgabe überprüft werden und Labels im Laufe der Zeit ständig verfolgt und einbezogen werden.