Noch immer sind handgeschriebene Schecks anerkanntes und genutztes Zahlungsmittel. Ihre Echtheit lässt sich allerdings nur aufwändig prüfen. Dank Künstlicher Intelligenz macht ein neues Tool die Prüfung einfacher und kostengünstiger.
Künstliche Intelligenz und Maschinelles Lernen ermöglichen effiziente Betrugsprävention im Banking.
Partner des Bank Blogs
„Nur Bares ist Wahres“, heißt es. Trotzdem ist noch immer eine große Anzahl handgeschriebener Schecks im Umlauf. Im Gegensatz zur elektronischen Bezahlung oder automatisierten Clearing House Transaktionen, müssen handgeschriebene Schecks einzeln von Menschen verifiziert werden. Die Verluste für Banken durch Fälschungen sind millionenhoch.
Ein neues Tool nutzt künstliche Intelligenz, um eine selbstlernende Lösung für eine globale Bank zu entwickeln und die Anzahl der Vorfälle von Scheckbetrug zu reduzieren. Die Lösung lernt selbstständig, wie man Fälschungen erkennt, indem sie Dokumente mit der immer weiter wachsenden Datenbank der vorherigen vergleicht.
Das digitale „Auge” entdeckt Betrug
Die Scheck-Prozesszeit ist in den letzten Jahren aufgrund von Automated Clearing Hous Transaktionen (ACH) deutlich gesunken. Aber während Teile dieses Prozesses wirklich automatisch ablaufen, wie zum Beispiel das Scannen von Papierschecks, beschäftigen große Banken immer noch eine ganze Reihe an Mitarbeitern, die jeden Tag nur damit beschäftigt sind, mögliche Fälschungen zu entdecken.
Die Nutzung von optischer Zeichenerkennung (OCR) und Technologien aus dem Bereich Deep Learning ermöglichen, Schecks zu scannen, zu verarbeiten und Unterschriften zu verifizieren. Während einige Schecks, wie zum Beispiel die für die Lohnabrechnung einfach zu bearbeiten sind, bleiben handgeschriebene Schecks eine Herausforderung.
Da ein bestimmter Prozentsatz der Geldmittel von Schecks den Einlegern direkt verfügbar gemacht wird, führt die Identifikation von Fälschungen auch dazu, dass letztlich weniger Geld durch den Kassenschalter oder den Geldautomaten an Fälscher gelangt. Mit der neuen Lösung werden zwei Ziele verfolgt:
- Gefälschte Schecks in Echtzeit vor der Teil-Auszahlung zu erkennen und gleichzeitig
- die Anzahl der Schecks, die manuell geprüft werden müssen, zu verringern.
So werden Auszahlungen für Fälschungen eingedämmt, mühsame Arbeiten verringert und Prozesskosten reduziert.
Machine Learning Lösung zur Scheckprüfung
Dazu wurde eine AI-basierte Machine Learning Lösung entwickelt, die mögliche Betrugsfälle durch die Analyse von Scans der handgeschriebenen Schecks aufzeigt. Eine globale Bank reduziert so das Risiko für Betrugsfälle und senkt Kosten.
Das Modell…
- liefert eine schnelle, akkurate Vertrauens-Punktzahl in weniger als 70 Millisekunden pro Scheck.
- ermöglicht Einsparungen von über 20 Millionen US-Dollar im Bereich Betrugsfälle.
- verringert den manuellen Aufwand und hält gleichzeitig die initialen und fortlaufenden Kosten gering.
Near-Human-Intelligence dank Künstlicher Intelligenz
Die Technologie vergleicht unterschiedliche Faktoren auf Scans von Schecks mit einer immer weiter wachsenden Datenbank an Schecks, die zuvor als gefälscht identifiziert wurden. So können potentielle Fälschungen nahezu in Echtzeit identifiziert werden. Erwartet werden eine signifikante Verbesserung der Möglichkeiten der Software und die Erkennung potentieller Betrugsfälle bei Millionen von Schecks, die jeden Monat bearbeitet werden.
Das Modell, abgeleitet von Google Tensorflow, adaptiert ein neurales Netzwerk um eine historische Datenbasis mit zuvor gescannten Schecks – auch mit denen, die als betrügerisch bekannt sind. Das ermöglicht es, eine riesige Datenbasis zu den variablen Elementen von Schecks zu nutzen: Zahlungsempfänger, Schecknummer, Konto- und Routingnummer, Beträge und sogar die Unterschrift. Eine Reihe vergleichender Algorithmen ermittelt, was für gültige Schecks maßgeblich ist und welche Faktoren außerhalb dieser Norm liegen.
Ein regelbasiertes neurales Netzwerk ermöglicht automatisches Lernen. Die Plattform leistet die Unterschrifts- und Bildkontrolle automatisch – ohne weitere Referenzbilder zu benötigen. Sie analysiert Bilder und überprüft, ob alle notwendigen Informationen vorhanden sind. Die Lösung identifiziert Anomalien und liefert nahezu sofort eine Bewertung, ob ein Scheck echt, mit Sicherheit betrügerisch oder noch einmal zu prüfen ist. So kann festgestellt werden, ob den Einlegern Geldmittel zur Verfügung gestellt werden können und wenn ja in welcher Höhe.
Das Modell wurde an einem historischen Portfolio vergangener Transaktionen getestet. Dabei zeigte es eine 50-prozentige Reduzierung von Betrugsfällen. Bei der Verarbeitung von 20 Millionen Schecks täglich und einer End-to-End Antwortzeit von weniger als 70 Millisekunden und 1.200 Schecks pro Sekunde ist das Modell skalierbar und konfigurierbar entsprechend der sich entwickelnden Kundenanforderungen.
Betrügern immer einen Schritt voraus
Das Modell prognostiziert jährliche Ersparnisse von bis zu 20 Millionen US-Dollar bei Betrugsfällen und reduziert gleichzeitig die operativen Kosten der manuellen Scheckprüfung. Je mehr Schecks das System verarbeitet, umso genauer wird es. Um Nutzern mehr Sichtbarkeit zu geben, wurden sie auch mit fortgeschrittenem Analytics und Performance Tracking ausgestattet.
Betrug ist allgegenwärtig in der Branche und Fälscher entwickeln hierzu ständig neue Wege. Die Lösung arbeitet mit nahezu menschlicher Intelligenz, um Fälschern entgegenzutreten und Verluste zu minimieren. Jede Transaktion, die das System verarbeitet, wird auf dem enormen Datenspeicher historischer Informationen gespeichert. So lernt das System kontinuierlich die Gewohnheiten von Betrügern und wie man diese erkennen kann und ist damit ein gutes Beispiel dafür, wie Künstliche Intelligenz Vorteile im Bereich Finanzdienstleistungen erbringen kann.
Cognizant ist Partner des Bank Blogs
Mehr über das Partnerkonzept des Bank Blogs erfahren Sie hier.
