Bitte hinterlassen Sie Ihre Kontaktdaten, wir werden Ihnen unser Whitepaper per E-Mail zusenden
Ich stimme der Verarbeitung meiner persönlichen Daten zu, um personalisiertes Marketingmaterial in Übereinstimmung mit der der Datenschutzrichtlinie geschickt zu bekommen. Mit der Bestätigung der Anmeldung erklären Sie sich damit einverstanden, Marketingmaterial zu erhalten
Vielen Dank!

Das Formular wurde erfolgreich abgeschickt.
Weitere Informationen finden Sie in Ihrem Briefkasten.

Innowise ist ein internationales Unternehmen für den vollen Zyklus der Softwareentwicklung, welches 2007 gegründet wurde. Unser Team besteht aus mehr als 1600+ IT-Experten, welche Software für mehrere Branchen und Domänen weltweit entwickeln.
Über uns
Innowise ist ein internationales Unternehmen für den vollen Zyklus der Softwareentwicklung, welches 2007 gegründet wurde. Unser Team besteht aus mehr als 1600+ IT-Experten, welche Software für mehrere Branchen und Domänen weltweit entwickeln.

Maschinelles Lernen im Bankwesen: 5-fache Reduzierung des Betrugsrisikos durch Erkennung von Transaktionsanomalien

Innowise hat ein ML-gestütztes System entwickelt, das digitale Transaktionen überwacht und verdächtiges oder betrügerisches Verhalten aufdeckt.

Der Kunde

Branche
Bankwesen, Finanzen
Region
US
Kunde seit
2021

Unser Kunde ist eine große Geschäftsbank mit einem landesweiten Netz von Filialen, die Einlagen, Kredite und andere Dienstleistungen anbieten.

Detaillierte Information über den Kunden kann aufgrund der Bestimmungen des NDA nicht veröffentlicht werden.

Herausforderung: Erhöhtes Risiko von Finanzbetrug und Kontoübernahmen bei einer großen amerikanischen Bank

Das Hauptaugenmerk jeder Bank oder jedes Finanzinstituts liegt auf der Zufriedenheit und Sicherheit ihrer Kontoinhaber. Im Rahmen ihrer täglichen Arbeit führen diese Institute Kundenkonten, überwachen Anlagen, sorgen für eine angemessene Liquidität und erfüllen weitere Aufgaben.

Leider ist der Bankensektor derzeit einer erheblichen Bedrohung durch verdächtige Aktivitäten ausgesetzt, die nicht nur die Kunden, sondern auch den gesamten Sektor gefährden. Bis vor kurzem haben die Banken vor allem manuelle, regelbasierte Systeme verwendet. Da die Betrüger jedoch immer raffinierter werden, werden diese Systeme schnell ineffizient.

Eine der wichtigsten amerikanischen Banken wandte sich an Innowise auf der Suche nach einem effektiven Modell des maschinellen Lernens zur Aufdeckung und Bekämpfung von Finanzbetrug. Als das Unternehmen expandierte und die Zahl der Transaktionen zunahm, war die Bank regelmäßig mit bösartigen Aktivitäten konfrontiert, die ihre Sicherheit und ihren Ruf gefährdeten. Unser Kunde verfügte über ein System zur Bekämpfung der Geldwäsche, das verhinderte, dass kriminelle Gewinne getarnt und in das Finanzsystem integriert wurden. Es war jedoch nicht sehr genau, zeigte eine hohe Anzahl von Fehlalarmen und ließ Raum für Kontoübernahmen und Zahlungsbetrug.

Lösung: ML-basierte Lösung zur Erkennung von Transaktionsanomalien und Verhinderung betrügerischer Aktivitäten

Innowise empfahl die Integration einer ML-gestützten Erweiterung in das Banking-Ökosystem, um große Datenmengen zu analysieren und Gelder vor bösartigen Aktivitäten zu schützen. Die Transaktionen der Kontoinhaber werden analysiert und alarmiert, wenn ein untypisches, verdächtiges oder betrügerisches Verhalten festgestellt wird. Mithilfe von Deep Learning in Fintech-Algorithmen analysierte unser Projektteam große Datenmengen, um Anomalien zu erkennen, die auf Betrug hindeuten könnten.

Aggregation von Daten

In einem ersten Schritt sammelte und konsolidierte Innowise alle bankbezogenen Daten, einschließlich der Identitäten, Standorte, Zahlungsmethoden, Transaktionshistorien und anderer relevanter Faktoren der Nutzer.

Ausarbeitung abnormaler Muster

Wir haben markante Muster abgeleitet, wie z. B. ungewöhnlich hohe Transaktionsbeträge oder die Aufteilung von Transaktionen, um eine automatische Steuererklärung zu vermeiden. Diese Muster ermöglichen es ML-Algorithmen, betrügerische Aktivitäten von regulären Bankgeschäften zu unterscheiden und geeignete Maßnahmen auszulösen, wenn ein riskantes Muster auftaucht. Auf dieser Grundlage werden die Transaktionen entweder als "gut" (legitim) oder "schlecht" (betrügerisch) eingestuft. 

Insgesamt konnte Innowise auf einen riesigen Datensatz zugreifen (z. B. Dutzende Millionen Muster auf der Grundlage von neuronalen Netzen, Transaktions- und historischen Daten), der sich als äußerst effizient bei der Identifizierung von Mustern und der Erkennung von anormalem, von der Norm abweichendem Verhalten erwies. Wir haben die kritischsten Merkmale ausgewählt, indem wir die Erwartungen mit den tatsächlichen Daten verglichen und rekursive Verfahren zur Eliminierung von Merkmalen eingesetzt haben. Außerdem hat unser Team fehlende Datenbeschriftungen identifiziert und Techniken für eine bessere Betrugserkennung bereitgestellt.

Trainieren von Modellen

Da regelbasierte Muster eindeutige Betrugsfälle hervorheben, haben unsere ML-Spezialisten Algorithmen entwickelt, die ungewöhnliche oder ungewohnte Umstände erkennen, bei denen herkömmliche Algorithmen versagen. Daher kann die Erweiterung auch ohne ausreichende Daten Vorhersagen treffen, indem sie sich auf Trainingstechniken des maschinellen Lernens stützt. Unsere Lösung nutzt also eingebettete Repräsentationen anstelle von klassischen aggregierten Merkmalen zur Verarbeitung von Transaktionen.

Vollwertiges ML-Modell

Wenn eine Bedrohung erkannt wird, übermittelt das System diese Daten in Echtzeit an den Administrator, der den Betrieb bis zur weiteren Untersuchung einfrieren oder einstellen kann. Je nach Betrugswahrscheinlichkeit gibt es drei mögliche Ergebnisse:

  • Liegt die Betrugswahrscheinlichkeit unter 5%, wird die Transaktion genehmigt;
  • Liegt die Betrugswahrscheinlichkeit zwischen 6% und 70%, ist eine zusätzliche Überprüfung erforderlich, z. B. durch einen einmaligen SMS-Code, einen Fingerabdruck oder eine geheime Frage;
  • Wenn die Betrugswahrscheinlichkeit 80% übersteigt, wird die Transaktion abgelehnt und erfordert eine manuelle Bearbeitung und Analyse.

Darüber hinaus haben wir umfassende Tools zur Erklärung von ML-Modellen entwickelt, die das Verständnis der Vorhersageergebnisse erleichtern und eine nahtlose Benutzererfahrung ermöglichen.

Technologien

Back-end
Python, Scala
Front-end
HTML, CSS, React, MUI
Data Engineering
Apache Flink, Redis Feast, Apache Hive, Apache Airflow, Apache Kafka, Apache Spark
Maschinelles Lernen/Data Science
Apache Spark MLLib, Scikit-learn, LightGBM, XGBoost, Hyperopt, PySpark, Numpy, Pandas, Scipy
MLOps
DVC, MLFlow, Comet
Umgebung
Docker, Docker Compose, Kubernetes, Jenkins

Prozess

Zu Beginn entwickelte unser Projektteam die geschäftlichen und technischen Anforderungen, um die Erwartungen des Kunden zu erfüllen. Während des gesamten Projekts hat unser Business Analyst stand unser Spezialist in engem Kontakt mit den Bankberatern des Kunden, um ein tieferes Verständnis für das Geschäft des Kunden zu erlangen und die Vorteile des maschinellen Lernens bei Finanzdienstleistungen voll auszuschöpfen.

Was die ML-Lösung betrifft, so bestand die größte Herausforderung darin, optimale Kennzahlen für Nutzer mit unterschiedlicher Transaktionshistorie zu erzielen. Unser Modell war effektiv für Kontoinhaber mit einer umfangreichen Transaktionshistorie, aber ineffektiv für neue Nutzer, denen es an historischen Daten mangelt. Solche Benutzer wurden als inaktive Konten behandelt, die nur Identitätsinformationen und keine Transaktionshistorie enthalten. Obwohl diese Annahme den Vorteil vollständiger Nutzerdaten zunichte macht, führt sie dennoch zu einigermaßen stabilen Trainingsergebnissen für das ML-Modell.

Nachdem wir das Problem erörtert hatten, untersuchten wir Methoden des "few-shot Learning", die unsere Metriken verbessern könnten. Wir führten einen Proof of Concept durch, der jedoch nicht die von uns erwarteten wesentlichen Verbesserungen brachte. Daher fuhr unser Projektteam fort, die Plattform zu verbessern und tiefer in die Geschäftsbereiche unseres Kunden einzudringen. Auf diese Weise konnten wir Funktionen entwickeln, die das "few-shot learning"-Modell erheblich beeinflussten und genaue Vorhersageergebnisse für das Projekt sicherstellten.

Unser Team arbeitete nach der Scrum-Methodik mit dreiwöchigen Sprints während des gesamten Projekts. Wir trafen uns regelmäßig mit dem Team über Microsoft Teams, um den Projektfortschritt zu überwachen und etwaige Änderungen des Umfangs zu berücksichtigen. Inzwischen ist das Projekt erfolgreich abgeschlossen.

Team

1
Projektleiter
1
Business-Analyst
2
Front-end Entwickler
2
Back-end Entwickler
3
ML-Ingenieure
2
Dateningenieure
1
UI/UX-Designer
1
QA Engineer

Ergebnisse: x2,4 schnellere Verarbeitungsgeschwindigkeit mit weniger Fehlalarmen und einem geringeren Risiko von unentdecktem Betrug

Innowise hat ein fortschrittliches ML-gestütztes Projeckt entwickelt, um verdächtige oder betrügerische Aktivitäten zu erkennen und proaktive Maßnahmen zu ergreifen. Wir sorgten für einwandfreie Sicherheit und eliminierten das Risiko von Verstößen und Finanzkriminalität. Insgesamt brachte die Implementierung des maschinellen Lernens im Bank- und Finanzwesen die folgenden Vorteile:

  • höhere Geschwindigkeit

Algorithmen des maschinellen Lernens analysieren schnell riesige Datenmengen. Da das Tempo und das Volumen der Banktransaktionen zunehmen, prüft unsere Plattform für maschinelles Lernen kontinuierlich neue Informationen.

  • verbesserte Effizienz

Algorithmen des maschinellen Lernens können sich wiederholende Vorgänge ausführen und subtile Veränderungen in Mustern sofort erkennen. Unsere ML-Lösung prüft Hunderttausende von Zahlungen pro Sekunde und rationalisiert den gesamten Transaktionsprozess.

  • Genauigkeit

In diesem Projekt haben wir Algorithmen des maschinellen Lernens eingesetzt, die darauf trainiert werden können, Muster in scheinbar trivialen Daten zu erkennen. Sie erkennen subtile oder nicht-intuitive Muster, die für Menschen schwierig, wenn nicht gar unmöglich zu erkennen wären. Dies erhöht die Präzision der Betrugserkennung und führt zu weniger Fehlalarmen und einem geringeren Risiko, dass Betrug unentdeckt bleibt.

Projektdauer
  • Juni 2021 - Dezember 2022

99.3% 

Genauigkeit bei der Betrugsbekämpfung

x2.4
schnellere Verarbeitungsgeschwindigkeit

Kontaktieren Sie uns!

Buchen Sie einen Anruf oder füllen Sie das Formular unten aus und wir melden uns bei Ihnen, sobald wir Ihre Anfrage bearbeitet haben.

    Bitte fügen Sie Projektdetails, Dauer, Technologie-Stack, benötigte IT-Experten und andere Infos bei.
    Bitte fügen Sie Projektdetails, Dauer, Technologie-Stack, benötigte IT-Experten
    und andere Infos bei.
    Hängen Sie nach Bedarf zusätzliche Dokumente an.
    Datei hochladen

    Sie können bis zu 1 Datei von insgesamt 2 MB anhängen. Gültige Dateien: pdf, jpg, jpeg, png

    Bitte beachten Sie, dass Innowise mit dem Anklicken der Schaltfläche 'Senden' Ihre persönlichen Daten nach der Datenschutzrichtlinie verarbeiten wird, um Ihnen die gewünschten Informationen zukommen zu lassen.

    Wie geht es weiter?

    1

    Sobald wir Ihre Anfrage erhalten und bearbeitet haben, werden wir uns mit Ihnen in Verbindung setzen, um Ihre Projektanforderungen zu besprechen und eine NDA (Vertraulichkeitserklärung) für die Vertraulichkeit der Informationen zu unterzeichnen.

    2

    Nach der Prüfung der Anforderungen erstellen unsere Analysten und Entwickler einen Projektvorschlag, der Arbeitsumfang, Teamgröße, Zeit- und Kostenschätzung enthält.

    3

    Wir vereinbaren einen Termin mit Ihnen, um das Angebot zu besprechen und eine Vereinbarung mit Ihnen zu treffen.

    4

    Wir unterzeichnen einen Vertrag und beginnen umgehend mit der Arbeit an Ihrem Projekt.

    Vielen Dank!

    Ihre Nachricht wurde gesendet.
    Wir werden Ihre Anfrage bearbeiten und Sie so schnell wie möglich kontaktieren.

    Vielen Dank!

    Ihre Nachricht wurde gesendet.
    Wir werden Ihre Anfrage bearbeiten und Sie so schnell wie möglich kontaktieren.

    Pfeil