Fujitsu geht mit AI komplexe Transaktionsvolumen an – Beispiel Nomura Securities

Aus FinTech folgt RegTech für Compliance

| Autor: Ludger Schmitz

Künstliche Intelligenz hilft, in Millionen Datenflüssen Anomalitäten zu erkennen.
Künstliche Intelligenz hilft, in Millionen Datenflüssen Anomalitäten zu erkennen. (geralt, Pixabay gemeinfrei / CC0)

Die Finanzbranche investiert Milliarden in das Zusammenwachsen von Finanzdienstleistung und Technologie, kurz Fintec. Eine Teildisziplin davon ist „RegTech“, Technologien, um zunehmenden regulatorischen Anforderungen gerecht zu werden.

FinTech entwickelt sich schnell und dürfte die Finanzbranche tiefgreifend verändern. Ein erheblicher Teil der Investitionen fließt allerdings in einen Bereich, der inhaltlich nicht ganz neu ist, aber ähnlich wie FinTech mit modernster IT-Technologie völlig neue Dimensionen und Ausprägungen erhält. RegTech und FinTech haben zwar viele Gemeinsamkeiten. Beide basieren auf agilen Entwicklungsmethoden, kombiniert mit Cloud- und Analytik-Verfahren. Aber RegTech wird in einem sehr spezifischen Bereich eingesetzt: Compliance und Regulierung.

Was RegTech und FinTech unterscheidet

Ein entscheidender Unterschied für den Einsatz von RegTech-Lösungen ist das Motiv: Die treibende Kraft hinter den großen Venture-Capital-Investments in FinTech war der Wunsch, grundlegende Dinge neu zu denken und den Kunden besser entgegen zu kommen. RegTech hingegen entwickelte sich aus der Notwendigkeit der Banken, dem Thema „Compliance“ mehr Aufmerksamkeit zu widmen – auch als Folge von empfindlichen Strafzahlungen im Zuge der Finanzkrise 2008.

Konfrontiert mit neuen regulatorischen Vorgaben nutzen Finanzinstitute heute moderne Technologien insbesondere dafür, den Regulierungsstellen die erforderlichen Daten bereitzustellen – besser, schneller, günstiger und sicherer als je zuvor. RegTech hilft den großen Finanzorganisationen auch dabei, Geld zu sparen, etwa durch die Automatisierung Compliance-basierender Geschäftsprozesse. Ein Nebeneffekt davon sind auch eine höhere Produktivität und die schnellere Erkennung von betrügerischen Aktivitäten (Fraud Detection).

AI Zinrai - eine Plattform von Fujitsu

Insbesondere in der Fraud Detection kommen neue Technologien wie Artificial Intelligence (AI) zum Zuge, weil sich mit AI komplexe Zusammenhänge in Datenbeständen identifizieren lassen. Fujitsu arbeitet derzeit eng mit Anwendern aus der Finanzbranche zusammen und entwickelt gemeinsam mit ihnen entsprechende Lösungen auf Basis der „AI Zinrai“-Plattform. Während traditionelle Systeme lediglich einzelne Datensilos durchsuchen, integrieren moderne Technologien eine Vielzahl von Datenquellen, unabhängig davon, ob die Daten strukturiert oder unstrukturiert vorliegen. Dies ermöglicht ganz neue Einblicke und Erkenntnisse.

Machine Learning analysiert komplexe Muster in unterschiedlichsten Datensätzen und lernt, Anomalien sowie potenziell betrügerische Handlungen zu erkennen. AI-Zinrai-Algorithmen führen dazu sehr performante und komplexe Suchen über eine Vielzahl von Datenquellen aus, während sie zeitgleich Muster in davon unabhängigen Daten identifizieren. Das können beispielsweise Abhängigkeiten zu Aktienpreisen, der aktuellen Nachrichtenlage oder Content von sozialen Medien sein. Das Ergebnis sind vollkommen neue Erkenntnisse über bisher unbekannte Verbindungen oder Korrelationen zwischen unterschiedlichsten Daten und Informationen.

Täglich tausende Transaktionen unter der Lupe

Ein Beispiel: Eine Trading-Datenbank protokolliert tausende von Transaktionen pro Tag oder Woche. AI Zinrai analysiert diese Daten und vergleicht sie mit davon unabhängigen Informationen, beispielsweise Aktivitäten in sozialen Netzwerken. Durch dieses Cross-Matching der Daten können wir heute besser verstehen, ob spezielle Verhaltensweisen oder Vorgänge, etwa ein Post auf Twitter oder Facebook, eine direkte Auswirkung auf bestimmte Handelsaktivitäten hatten.

Setzt man dann dazu noch Inhalte von News-Seiten und Bewegungen des Aktienmarktes in Relation, lässt sich leicht ein Domino-Effekt erkennen und verstehen, wie sich eine Handelsanomalie ausbreitet. Wie bei den meisten Dingen im Leben gibt es eine Ursache und eine Wirkung, so auch bei RegTech. Durch den Einsatz von künstlicher Intelligenz lässt sich jedoch die Wirkung sehr viel einfacher von der ursprünglichen Ursache abgrenzen.

Weniger Kosten für Compliance und Schutz

Ein derartiges Anwendungsbeispiel zeigt aber nur im Ansatz das Potenzial von RechTech für die Finanzindustrie. Es ist ein zukunftsträchtiger Bereich, der nachhaltig die Kosten für Compliance reduzieren wird. Letztlich wird die Technologie auch für mehr Transparenz und Compliance in Finanzorganisationen sowie einen besseren Schutz vor betrügerischen Aktivitäten sorgen.

Obwohl es nicht der wichtigste Grund für den Einsatz der neuen Technologien ist, profitieren auch die Kunden davon: Sie erhalten immer zuverlässigere Banking-Plattformen und Backend-Systeme und genießen einen besseren Schutz ihrer Finanzdaten gegen Angriffe. Durch den zunehmenden Einsatz von modernen biometrischen Verfahren oder Unterschriftenerkennung kommen den Kunden flächendeckend Verbesserungen des Kundenidentitätsmanagement zugute. Zudem sinkt das Risiko, Opfer eines Betrugs zu werden.

Praxisbeispiel Nomura Securities

Wie sich künstliche Intelligenz in der Praxis anwenden lässt und auswirkt, zeigt sich am Beispiel von Nomura Securites Co. Ldt. Der japanische Wertpapierhändler war mit konventionellen Methoden, die Datenqualität zu sichern, an die Grenzen gestoßen. Die Masse der Daten, sich ändernde interne Prozesse und manuelle Aufgaben bei der Analyse machten eine grundsätzliche Veränderung nötig.

Mit Fujitsu führte das Unternehmen im Juni 2017 AI-Technologie ein, die Fujitsu Laboratories entwickelt hatten. Bisher brauchte es Expertenwissen, um nur Testverfahren aufzusetzen, die Unregelmäßigkeiten aufdecken sollten. Das AI-System von Fujitsu analysiert ohne vorheriges „Training“ selber die Transaktionen und lernt dabei selbständig. So erkennt es einerseits, welche häufig und normal sind und kann sie, nach Gegenprüfung, als genehmigt klassifizieren. Andererseits fallen dem System ungewöhnliche Vorgänge auf, denen eine Meldung folgt.

Schnell fündig und lernfähig geworden

Schon in der Testphase zeigte sich bald, dass dieses System schnell lernte, was normale Transaktionen waren und was nicht. Aus inzwischen mehr als 100 Millionen Vorgängen sortierte es einige Dutzend Anomalitäten heraus. Darunter waren einige, die auch Experten nicht erkannt hätten. Aber etliche dieser vermeintlichen Anomalitäten erwiesen sich als zwar selten vorkommend, aber durchaus regelkonform, was das System dann lernt.

Der Effekt war, dass sich die Masse der normalen Transaktionen von jenen zu trennen ließ, die eine Validierung erfordern. Damit sank der Aufwand für die Analyse der Finanzflüsse. Gleichzeitig stieg die Datenqualität. Nomura Securities erwartet, im weiteren Einsatz die Datenqualität und die Genauigkeit der Analysen weiter verbessern zu können.

* Ludger Schmitz ist freiberuflicher Journalist in Kelheim.

Was meinen Sie zu diesem Thema?

Schreiben Sie uns hier Ihre Meinung ...
(nicht registrierter User)

Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
Kommentar abschicken
copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 44945324 / Data Center für die digitale Welt - Fujitsu Content-Hub)

Weitere Informationen erhalten Sie in folgenden Themenbereichen:

Themenspecial: SDDC Themenbereich: Big Data Analytics Themenbereich: Data Management