Banken, Versicherungen & Kanzleien

Betrugserkennung mit KI im Retailbanking: Muster, Modelle, Grenzen

Kartenmissbrauch, manipulierte Online-Überweisungen und Social Engineering stellen Banken vor Muster, die feste Regeln und Blacklists kaum noch erfassen. Sie erfahren, mit welchen ML-Verfahren Institute Transaktionen in Echtzeit bewerten, welche Daten einen Verdacht tragen und wie ein Frühwarnsystem entsteht und gemessen wird. Anwendungen wie Geldwäsche-Erkennung, Behavioral Biometrics und Chat-Analyse kommen ebenso zur Sprache wie Fehlverdacht und gezielte Manipulation der Modelle. Damit sind Sie in der Lage, KI-Lösungen zur Betrugsbekämpfung fachlich zu beurteilen und Projekte fundiert zu begleiten.

Für wen

Fachkräfte aus Banken und Finanzdienstleistung, vor allem aus Betrugsprävention, Compliance, Risikomanagement, IT-Sicherheit und Datenanalyse, sowie Entscheidende und Projektverantwortliche, die KI-Systeme zur Betrugserkennung bewerten oder einführen.

KI-Tagesseminar · 1 Tag

Verfahren, Daten und Qualitätsmaße für KI-gestützte Betrugsabwehr in der Bank verstehen

Das nehmen Sie mit

  • Sie verstehen, warum regelbasierte Systeme und Blacklists gegen getarnte Betrugsmuster an Grenzen kommen und was ML-Verfahren anders machen.
  • Relevante Datenquellen, SMOTE für seltene Betrugsfälle und datenschutzfreundliche Techniken sind Ihnen vertraut.
  • Sie können die Qualität eines Betrugsmodells mit Precision, ROC und F1-Score einschätzen.
  • Sie wissen, wie Explainable AI bei Fehlverdacht hilft und wie sich Modelle gegen Adversarial Attacks schützen lassen.

Ablauf

  1. Teil 1

    Modul 1 – Bedrohungslage: Aktuelle Betrugsmaschen und die Grenzen fester Regeln

    • Missbrauch bei Online-Überweisungen und Kreditkarten aufdecken: regelbasierte Systeme verglichen mit ML
    • Phishing und Social Engineering durchschauen, gestützt auf die Analyse von Verhaltensmustern
    • Gut getarnte Betrugsversuche: wo Blacklists versagen und Anomalieerkennung ansetzt
  2. Teil 2

    Modul 2 – Verfahren und Anwendungen: Was KI in der Bank bereits leistet

    • Verdächtige Zahlungen in Echtzeit anhalten mit Random Forest und Decision Trees
    • Kontobewegungen ohne vorgegebene Kennzeichnung auswerten: Unsupervised Learning und Clustering
    • Übliche Nutzerprofile lernen und Abweichungen melden, etwa mit Autoencoder oder k-Means
    • Geldwäsche mit neuronalen Netzen aufspüren (Deep Learning)
    • Die Identität von Kundinnen und Kunden über ihr Geräteverhalten bestätigen (Behavioral Biometrics)
    • Betrugsversuche im Kundenchat sofort erkennen per Natural Language Processing
  3. Teil 3

    Modul 3 – Datenbasis: Welche Signale einen Verdacht begründen

    • Woraus sich ein Betrugsverdacht ableitet: Transaktionsdaten, Geodaten, Login-Verhalten
    • Wenige Betrugsfälle neben sehr vielen legitimen Buchungen: Ungleichgewicht mit SMOTE oder Resampling ausgleichen
    • Datenschutz wahren und dennoch wirksam auswerten: Differential Privacy und Tokenisierung
  4. Teil 4

    Modul 4 – Modellbau: Schritte zum digitalen Frühwarnsystem

    • Merkmale herausarbeiten, die betrügerische Vorgänge kennzeichnen: Feature Engineering mit Python
    • Modelle mit scikit-learn und XGBoost trainieren und testen
    • Güte messbar machen: Precision, ROC und F1-Score und ab wann ein Modell als tauglich gilt
  5. Teil 5

    Modul 5 – Grenzen: Fehlverdacht, Manipulation und Ausblick

    • Wenn das Modell unbescholtene Kunden verdächtigt: Entscheidungen mit Explainable AI nachvollziehen
    • Betrüger lernen mit: Adversarial Attacks abwehren und Modelle robust machen
    • Ausblick: KI als Ko-Pilot für Compliance und Sicherheit

VoraussetzungenGrundverständnis für betriebliche Abläufe im Finanzwesen und Interesse an digitalen Technologien. Kenntnisse im Programmieren werden nicht verlangt; Erfahrung mit Datenanalysen oder KI-Konzepten hilft, ist aber nicht zwingend.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen