Kostenfrei: Steigerung der Transaktionsmonitoring-Effizienz durch maschinelles Lernen

• Erkennung unbekannter AML-Typologien (Anomalieerkennung)
• Effizienzsteigerung des Transaktionsmonitorings durch automatische Alert-Triage
• Erklärbare Algorithmen
• Identifizierung Verhaltsveränderung
• Targeted Clean Review
• Round Table-Diskussion

Die AML-Erkennung bei Finanzinstituten sieht sich regelmäßig mit zwei zentralen Herausforderungen konfrontiert.

1. AML-Erkennung neigt dazu, Geld wäscheaktivitäten mit unbekann ten Typologien zu übersehen (Effektivitätsproblem)
2. Die regelbasierte Transaktionsüberwachung weist eine hohe Rate an falsch positiven Alerts auf, diese binden Ressourcen und Erhöhen die Compliance-Kosten (Effizienzproblem)

Machine Learning bietet Lösungen für beide Probleme, wird jedoch im Bereich der Geldwäschebekämpfung nur in begrenztem Umfang eingesetzt. Der Hauptgrund dafür ist die Schwierigkeit, die Ergebnisse von Modellen des maschinellen Lernens gegenüber Wirtschaftsprüfern und Finanzaufsichtsbehörden zu erklären. Fortschritte im Bereich des erklärbaren maschinellen Lernens (Explainable AI) helfen Compliance- Teams, die Ergebnisse von Algorithmen zu verstehen und für sich nutzbar zu machen.

In dieser Veranstaltung wird diskutiert, wie maschinelles Lernen AML-Systeme ergänzen kann, um das Wirksamkeitsparadoxon im AML-Transaktionsmonitoring zu lösen und wie Ergebnisse aus Algorithmen erkärbar gemacht werden können.