Finanzbetrug, etwa in Form von Identitätsdiebstahl, Kreditkartenbetrug und Kreditkartenrückbuchungen, hat sich zu einem milliardenschweren kriminellen Business entwickelt. Und mit Hilfe von generativer KI dürfte das Geschäft noch profitabler werden. So geht der Nilson Report davon aus, dass die weltweiten Kreditkartenverluste bis 2026 voraussichtlich 43 Milliarden Dollar erreichen.

Dabei wird Finanzbetrug auf immer mehr Arten begangen, etwa durch das Sammeln von gehackten Daten aus dem Dark Web für den Diebstahl von Kreditkarten, den Einsatz generativer KI für das Phishing persönlicher Daten und die Geldwäsche zwischen Kryptowährungen, digitalen Geldbörsen etc.

Telefon-Spam für Deep Fakes

Oder die Stimme eines Bankkunden wird mithilfe der Deep-Fake-Technologie geklont, um so die Stimmauthentifizierung der Banken auszutricksen. Die Stimmdaten werden dazu mit Spam-Telefonanrufengesammelt, bei denen versucht wird, den Anrufempfänger zu verleiten, per Stimme zu antworten.

Finanzindustrie rüstet auf

Doch nicht nur die Kriminellen nutzen KI, auch die Finanzdienstleister rüsten auf und verwenden AI zur Betrugserkennung. Zumal sie viele dieser digitalen Straftaten in Echtzeit aufdecken müssen, um Verluste sofort verhindern zu können. Finanzdienstleister wie etwa American Express, die Bank of New York Mellon (BNY Mellon), PayPal oder die Swedbank nutzen laut Nvidia bereits erfolgreich KI.

Und konnten damit bereits erste Erfolge erzielen. So sparte die Swedbank in nur einem Jahr dank AI 150 Millionen Dollar, weil sie so Betrug und Geldwäsche verhindern konnte. Bei BNY Mellon konnte man die Fraud Detection durch föderiertes Lernen um 20 Prozent steigern. PayPal wiederum verbesserte die Echtzeit-Betrugserkennung um 10 Prozent.

KI, NLP, GNNs und Computer Vision

Dabei entwickelt die Finanzdienstleistungsbranche, so Nvidia, etwa KI-Lösungen für die Identitätsüberprüfung. KI-gesteuerte Anwendungen, die Deep Learning mit graphischen neuronalen Netzen (GNNs), natürliche Sprachverarbeitung (NLP) und Computer Vision nutzen, können so die Identitätsüberprüfung für KYC-(Know-Your-Customer-) und AML-Anforderungen (Anti-Money Laundering) verbessern.

Computer Vision analysiert hierzu Fotodokumente wie Führerscheine und Pässe, um Fälschungen zu erkennen. Gleichzeitig liest NLP die Dokumente, um den Wahrheitsgehalt der Daten auf den Dokumenten zu messen, während die KI sie analysiert, um nach betrügerischen Einträgen zu suchen.

Anomalien entdecken

GNNs werden wiederum wegen ihrer Fähigkeit, verdächtige Aktivitäten aufzudecken, geschätzt. Sie sind in der Lage, Milliarden von Datensätzen zu prüfen und zuvor unbekannte Aktivitätsmuster zu erkennen, um Korrelationen darüber herzustellen, ob ein Konto in der Vergangenheit eine Transaktion an ein verdächtiges Konto gesendet hat.

Betrüger mit GenAI entlarven

LLM-basierten Assistenten könne nun die Mitarbeiter bei der Betrugsprüfung unterstützen. Sie führen im Backend RAG (Retrieval-Augmented Generation) aus, um Informationen aus Vertragsdokumenten abzurufen. So trägt die KI dazu bei, die Entscheidungsfindung darüber, ob es sich um einen Betrug handelt, zu beschleunigen.

LLMs werden zudem eingesetzt, um die nächste Transaktion eines Kunden vorherzusagen, was Zahlungsverkehrsunternehmen helfen kann, Risiken präventiv zu bewerten und betrügerische Transaktionen zu blockieren.

Synthetische Daten per GenAI

Die Generierung synthetischer Daten ist eine weitere wichtige Anwendung für GenAI in der Betrugsbekämpfung. Synthetische Daten können die Anzahl der Datensätze verbessern, die zum Trainieren von Betrugserkennungsmodellen verwendet werden. Auf diese Weise lässt sich die Vielfalt und Raffinesse der Beispiele erhöhen, um der KI beizubringen, die neuesten von Betrügern eingesetzten Techniken zu erkennen.