Intelligent Automation zur Einhaltung der Compliance

Im Finanzsektor kommen Unternehmen heute nicht mehr um den Einsatz von Künstlicher Intelligenz und Machine Learning herum. Intelligent-Automation-Tools schaffen es durch die Analyse großer Datenmengen, Wissen und Erkenntnisse in Echtzeit zu liefern – schneller als das menschliche Personal. Dieser Vorteil ist wichtig, damit das Unternehmen die sich stetig verändernden Anforderungen berücksichtigen kann. Ebenso unterstützt Intelligent Automation das Compliance Management bei der Identifizierung von potenziellen Compliance-Verstößen. Transparenz ist in Bezug auf die Entscheidungsfindung der KI unabdingbar, wie Thomas Cotic erklärt.

Eine Künstliche Intelligenz (KI) kann einem Mitarbeiter täglich anfallende Routinearbeit abnehmen und Arbeit übernehmen, die für den Menschen kaum zu bewältigen ist. In Finanzinstituten wie Banken und Versicherungen lagern große Datenmengen, die gesichtet, bearbeitet und nutzbar gemacht werden müssen, um auf individuelle, dynamische Kundenbedürfnisse eingehen zu können. Eine KI ist in der Lage, das zu leisten, woran die menschliche Arbeitskraft scheitert: sie analysiert die Daten schnell und liefert somit Ergebnisse und Insights in Echtzeit.

Als Intelligent Automation bezeichnet man den Prozess, durch den neues Wissen aus Daten generiert und sämtliche Geschäftsprozesse automatisiert werden. Intelligent Automation Software kombiniert das Expertenwissen in Form von Regeln mit dem durch Machine Learning (ML) angereicherten Datenwissen und trifft automatisiert Geschäftsentscheidungen. Sie begünstigt nicht nur effizienteres Arbeiten, sondern lässt die Fehlerquote, also Fales Positives und Fales Negatives, auf ein Minimum schrumpfen – Aspekte, die dem Institut einen Wettbewerbsvorteil einräumen.

Transparenz in Bezug auf die Entscheidungsfindung der KI ist in einem solchen Fall unabdingbar, um die getroffenen Entscheidungen nachvollziehbar und erklärbar zu machen. Dieses White Box-Prinzip steht im Gegensatz zur Black Box, bei der die automatisierten Entscheidungsvorgänge im Verborgenen bleiben und nicht nachvollziehbar sind. Doch die Transparenz kommt nicht nur dem Verständnis des Anwenders zugute: Sie vereinfacht die direkte Kommunikation mit Kunden, da man diesen genau erklären kann, wieso eine bestimmte Entscheidung getroffen wurde. Banken können zum Beispiel eine verdächtige Transaktion eines Kunden automatisiert blockieren und mit ihm, basierend auf den Details die weiteren Schritte klären.

Darüber hinaus ermöglicht die Transparenz den Instituten, die einer strengen Reglementierung und Aufsicht unterliegen, ihrer Pflicht nachzukommen und jederzeit in der Lage zu sein, den entsprechenden Behörden im Ernstfall die Vorgänge nachvollziehbar darzulegen. Damit vermögen sie eventuellen Compliance-Verstößen entgegenzuwirken. In Sachen Compliance müssen Intelligent Automation Tools also in der Lage sein, die Datenmengen auf verdächtige Muster und Transaktionen zu durchsuchen, um potenzielle Risiken und Compliance-Fälle schneller zu identifizieren. Die Fachexperten speisen die entsprechenden Compliance-Regeln in die Software, die die KI für die Datenanalyse nutzt. Die Machine Learning-Komponente speichert dieses Wissen und lernt, in Zukunft selbstständig Lösungen zu finden.

In ihrer Publikation zur Studie „Big Data trifft auf künstliche Intelligenz“ schreibt die Bundesanstalt für Finanzdienstleistungsaufsicht (BaFin) vor, dass die Nachvollziehbarkeit der Entscheidungsprozesse, die auf Grundlage von Machine Learning zustande kommen, für alle Beteiligten gewährleistet sein muss.

Die Rahmenbedingungen, in denen die KI arbeitet, können sich ändern. Dies kann dazu führen, dass die KI zu einer falschen Erkenntnis gelangt und darum eine falsche Entscheidung trifft. Bestimmte Muster und Transaktionen könnten von der KI beispielsweise als verdächtig identifiziert werden. Aufgrund der Offenlegung aller maschinellen Prozesse, die zur Falscheinschätzung führten, wird dem Anwender nachvollziehbar aufgezeigt, wie es zum falschen Treffer kam. Daraufhin kann das System angepasst und optimiert werden. Ist eine ML-Lösung nicht transparent genug oder gar eine vollständig undurchsichtige Black Box, so ist die Rückverfolgung einer Entscheidung kaum möglich.

Thomas Cotic