BANKINGNEWS: Die ACTICO Compliance Suite unterstützt Banken und Versicherungen bereits seit mehr als 15 Jahren. Wie haben sich die Herausforderungen in Compliance-Abteilungen von Banken in dieser Zeit verändert?
Thomas Ohlemacher: Über diesen Zeitraum ist eine Regulierungswelle nach der anderen auf Banken und Versicherungen zugerollt. Mit jeder dieser Wellen mussten unter Druck neue Anforderungen erfüllt werden. Bei ACTICO ist dabei eine Compliance Suite entstanden, die Compliance umfassend von AML über Anti-Terrorismus-Finanzierung, PEP-Check, KYC bis hin zu Marktmissbrauch, Insiderhandel und Fraud abdeckt. Banken und Versicherungen wechseln auch weiterhin auf diese Lösung, aber in den letzten Jahren hat sich die Motivation geändert: Es geht seltener darum, neue Anforderungen abzudecken, sondern vielmehr etablierte Standards anzunehmen und effizienter zu werden. Dabei kommen immer öfter neue Technologien wie Machine Learning zum Einsatz.
Machine Learning und Künstliche Intelligenz werden häufig in einem Atemzug genannt. Wie sind diese Begriffe abzugrenzen?
Künstliche Intelligenz umfasst einen weiten Bereich von Ansätzen. Machine Learning ist einer dieser Ansätze und wird für die Praxis aktuell besonders relevant. Er ist in Feldern außerhalb der Compliance schon länger erfolgreich im Einsatz: Im angrenzenden Bereich der Verhinderung von Betrug lernt man mit Machine Learning aus alten Betrugsfällen und auch im Marketing werden damit bereits Vertriebschancen aus Daten erkannt.
Welche Use Cases bietet Machine Learning für das Compliance Management von Banken?
Machine Learning ergänzt bei ACTICO die vorhandenen Standard-Modelle zum Monitoring und zum Rating. Lassen Sie mich zwei konkrete Use Cases schildern: Im Monitoring von Zahlungen kann Machine Learning aus bestehenden Zahlungshistorien lernen. Es erkennt Muster, die auffällige Zahlungen gemeinsam haben. Da Machine Learning sehr mächtige Modelle erzeugen kann, ist man damit oft in der Lage, die Zahlungen präziser zu filtern und weniger unnötige Abklärungen auszulösen. Als zweites Beispiel möchte ich den Namensvergleich gegen Sanktions- und PEP-Listen nennen. Hier lernt Machine Learning aus der Abklärungshistorie, wie die Bearbeiter historische Fälle abgeklärt haben. Mit diesem Modell ist es dann möglich, zukünftige Fälle zu bewerten. So bekommt man sehr früh eine Einschätzung, ob ein Treffer voraussichtlich relevant sein wird und kann danach priorisieren.
Welche Vorbereitungen muss eine Bank treffen, bevor sie eine Machine-Learning-Softwareplattform implementieren kann?
Im Compliance-Umfeld sind erstaunlich wenige Vorbereitungen nötig. Oft sind diese durch die Einführung einer Compliance-Lösung wie der Compliance Suite weitgehend bereits erfüllt. In dieser Lösung werden die für das maschinelle Lernen notwendigen Daten-Historien bereits gesammelt.
Wie hoch ist der Aufwand für die Implementierung, und wie lange dauert das Training der Machine-Learning-Modelle?
Das variiert von Fall zu Fall. Aber es ist uns schon für einige Interessenten gelungen, die ersten hilfreichen Modelle mit nur wenigen Tagen Aufwand zu lernen. Damit konnten sie die Ergebnisse schnell selbst beurteilen.
Brauchen Compliance-Manager erweitertes technisches Know-how, um mit dieser Plattform arbeiten zu können?
Technisches Know-how müssen die Compliance-Manager nicht mitbringen. Manche Banken und Versicherungen verfügen bereits über eigene Data-Scientists, die sich um die Modelle kümmern. Andere lassen diese durch ACTICO erstellen. Die Wirksamkeit wird für die Compliance-Manager mit Statistiken und nachvollziehbaren Testfällen aufgezeigt.
