Die weltweiten Verluste durch Online-Zahlungsbetrug erreichten im Jahr 2022 einen Wert von 41 Mrd. USD, eine Zahl, die bis Ende 2023 auf 48 Mrd. US-Dollar steigen wird. Der Kampf gegen Zahlungsbetrug und die Minimierung der damit verbundenen finanziellen und Rufschäden hat sich zu einer Top-Priorität für Unternehmen entwickelt.

Neben den unmittelbaren finanziellen Verlusten durch Zahlungsbetrug sehen sich Unternehmen auch mit der potenziellen Erosion von Kundenvertrauen und -bindung sowie mit einer intensiveren Prüfung durch Aufsichtsbehörden und Strafverfolgungsbehörden konfrontiert. Um diese wachsende Bedrohung zu bekämpfen, wenden Organisationen sich dem maschinellen Lernen zu.

Wir werden uns in diesem Artikel mit den Vorteilen des maschinellen Lernens zur Betrugsprävention beschäftigen und erläutern, wie Unternehmen dieses Tool in verschiedenen Zahlungsszenarien nutzen können.

Worum geht es in diesem Artikel?

• Was ist maschinelles Lernen?
  
• Wie wird maschinelles Lernen bei der Prävention gegen und der Erkennung von Betrug genutzt?
  
• Zertifizierung zur Betrugserkennung durch maschinelles Lernen
  
• Beispiele für maschinelles Lernen in der Betrugserkennung
  

Was ist maschinelles Lernen?

Maschinelles Lernen ist eine Unterdisziplin von KI, die den Fokus auf das Entwickeln von Algorithmen und Modellen legt, die Computern die Möglichkeit geben, aus Daten zu lernen, Muster in diesen Daten zu erkennen und Entscheidungen auf Basis der gewonnenen Erkenntnisse zu treffen.

Es gibt drei primäre Arten des maschinellen Lernens:

Überwachtes Lernen

Überwachtes Lernen ist eine Art maschinelles Lernen, bei der einem Computer beigebracht wird, Prognosen oder Entscheidungen auf Basis von Beispielen zu treffen. Denken Sie dabei an Studierende, die von ihren Dozentinnen oder Dozenten lernen: Der/die Dozent/in konfrontiert die Studierenden mit einer Reihe von Problemen und richtigen Antworten auf diese Probleme. Die Studierenden machen sich mit diesen Beispielen vertraut, um zu lernen, Muster zu erkennen. Wenn die Studierenden sich dann einem neuen Problem gegenübersehen, können sie ihr vorheriges Wissen nutzen, um dafür die richtige Antwort zu finden.

Beim überwachten Lernen erhält der Computeralgorithmus einen Datensatz mit Eingabedaten (Problemen) und den richtigen Ausgabedaten (Antworten). Der Algorithmus macht sich mit diesem Datensatz vertraut und lernt die Beziehung zwischen der Ein- und Ausgabe kennen. Schließlich kann der Algorithmus dann Prognosen oder Entscheidungen für neue Daten treffen, die er noch nicht kennt.

Unüberwachtes Lernen

Unüberwachtes Lernen ist eine Art maschinelles Lernen, bei der ein Computer lernt, Muster oder Strukturen in Daten ohne bestimmte Beispiele oder die richtigen Antworten zu identifizieren. Dieser Ansatz ist vergleichbar mit Detektiven, die versuchen, einen Fall ohne anfängliche Ansatzpunkte zu lösen. Sie suchen in den verfügbaren Informationen nach Hinweisen und Verbindungen, um verborgene Muster oder Beziehungen aufzudecken. Beim unüberwachten Lernen erhält der Computeralgorithmus einen Datensatz, der nur aus Eingabedaten besteht, also ohne entsprechende korrekte Ausgabedaten (Antworten). Die Aufgabe des Algorithmus besteht nun darin, diese Daten zu analysieren und die zugrunde liegenden Muster zu erkennen.

Verstärkungslernen

Das Verstärkungslernen ist eine Art maschinelles Lernen, bei der ein Computer lernt, Entscheidungen durch das Interagieren mit einer Umgebung und auf Basis eingehender Rückmeldungen in Form von Lob oder Bestrafung zu treffen. Sie können sich das wie das Training eines Hundes vorstellen, dem Tricks beigebracht werden. Wenn der Hund den Trick richtig ausführt, erhält er eine Belohnung. Wenn er den Trick nicht richtig ausführt, werden Sie ihn freundlich (möglicherweise in Form einer Strafe) korrigieren. Mit der Zeit lernt der Hund, den Trick richtig auszuführen, um so die Anzahl der Belohnungen zu erhöhen.

Beim Verstärkungslernen untersucht der Computeralgorithmus, der häufig als Agent bezeichnet wird, eine Umgebung und trifft Entscheidungen. Für jede getroffene Entscheidung erhält er eine Rückmeldung in Form eines Lobs oder einer Strafe. Das Ziel des Algorithmus liegt darin, die beste Strategie oder Richtlinie zu erlernen, um Entscheidungen zu treffen, die den Anteil des Lobs mit der Zeit maximieren. Dazu wendet der Computer das Prinzip des Ausprobierens an und verbessert bzw. passt seine Strategie auf Basis von Rückmeldungen an.

Techniken für maschinelles Lernen werden in vielen verschiedenen Szenarios verwendet, so z. B. bei der Verarbeitung natürlicher Sprache, bei der Bild- und Spracherkennung, bei medizinischen Diagnosen, bei Finanzanalysen und im Bereich des autonomen Fahrens.

Wie wird maschinelles Lernen in der Betrugsprävention und -bekämpfung genutzt?

Maschinelles Lernen kommt aufgrund der Fähigkeit, große Datenmengen zu analysieren, Muster zu erkennen und sich aufgrund neuer Informationen anzupassen, zunehmend bei der Betrugsprävention und -erkennung zum Einsatz. Im Folgenden sind einige gängige Anwendungsbeispiele für maschinelles Lernen bei der Betrugsprävention aufgeführt:

• Anomalieerkennung
  Die Algorithmen beim maschinellen Lernen können ungewöhnliche Muster oder Abweichungen vom normalen Verhalten bei Transaktionsdaten identifizieren. Durch das Trainieren auf Basis historischer Daten lernen die Algorithmen, legitime Transaktionen zu erkennen und verdächtige Aktivitäten zu kennzeichnen, die möglicherweise auf Betrug schließen lassen.

• Risikobewertung
  Modelle für maschinelles Lernen können auf Basis verschiedener Faktoren Risikobewertungen für Transaktionen oder Konten von Nutzerinnen und Nutzern anwenden. Zu diesen Faktoren zählen der Transaktionsbetrag, der Ort, die Häufigkeit und das Verhalten in der Vergangenheit. Bewertungen mit einem höheren Risiko weisen auf eine höhere Wahrscheinlichkeit für Betrug hin. Organisationen können in einem solchen Fall ihre Ressourcen priorisieren und den Fokus auf bestimmte Transaktionen oder Konten legen, die weitere Untersuchungen rechtfertigen.

• Netzwerkanalyse
  Betrügerische Akteure arbeiten häufig mit Netzwerken zusammen und bilden diese für ihre Aktivitäten. Mit Techniken für maschinelles Lernen, wie z. B. der Graphenanalyse, können diese Netzwerke aufgedeckt werden. Dazu werden die Beziehungen zwischen Entitäten (Nutzer/innen, Konten oder Geräten) analysiert, um ungewöhnliche Verbindungen oder Cluster zu erkennen.

• Textanalyse
  Algorithmen für maschinelles Lernen sind in der Lage, unstrukturierte Textdaten zu analysieren, z. B. E-Mails, Social-Media-Posts oder Kundinnen und Kundenrezensionen, um Muster oder Schlüsselwörter zu erkennen, die ein Anzeichen für Betrug oder Scams sein können.

• Identitätsprüfung
  Modelle für maschinelles Lernen können von Nutzerinnen und Nutzern bereitgestellte Informationen analysieren und überprüfen, darunter Bilder von Ausweisdokumenten oder Daten der Gesichtserkennung, um sicherzustellen, dass es sich bei einer Einzelperson um die Person handelt, für die sie sich ausgibt, und um Identitätsdiebstahl vorzubeugen.

• Adaptives Lernen
  Eine der zentralen Stärken des maschinellen Lernens ist die Fähigkeit, neue Informationen zu verarbeiten und sich diesen anzupassen. Da betrügerische Akteure ihre Taktiken ständig ändern, können Modelle für maschinelles Lernen auf neue Daten neu trainiert werden, sodass sie auf dem Laufenden bleiben und besser dafür gerüstet sind, aufkommende Betrugsmuster zu erkennen.

Die Nutzung des maschinellen Lernens in der Betrugsprävention bietet Organisationen eine leistungsstarke Möglichkeit, ihre Erkennungsfunktionen auszubauen, das Risiko falsch positiver Resultate zu reduzieren und die allgemeine Sicherheit sowie das Kundenerlebnis zu verbessern.

Zertifizierung zur Betrugserkennung durch maschinelles Lernen

Die Zertifizierung zur Betrugserkennung durch maschinelles Lernen ist eine Art professionelle Zertifizierung oder ein Schulungsprogramm, das den Fokus auf die Anwendung von Techniken für maschinelles Lernen bei Betrugserkennung und -prävention legt. Das Ziel dieser Zertifizierung besteht darin, Einzelpersonen mit dem erforderlichen Wissen und den notwendigen Fähigkeiten und Tools auszustatten, um maschinelles Lernen im Kampf gegen Betrug einzusetzen.

Die Programme für die Zertifizierung zur Betrugserkennung durch maschinelles Lernen decken die folgenden Themenbereiche ab:

• Grundlagen des maschinellen Lernens (ML): Eine Einführung in die grundlegenden Konzepte des maschinellen Lernens, darunter Techniken für überwachtes Lernen, unüberwachtes Lernen und Verstärkungslernen und die am häufigsten verwendeten Algorithmen.

• Vorbereitung und Vorverarbeitung von Daten: Techniken zum Bereinigen, Transformieren und Aufbereiten von Daten zur Verwendung in Modellen für maschinelles Lernen. Dazu gehören Anleitungen zum Behandeln fehlender oder fehlerhafter Daten (beschädigte oder auf andere Weise nicht nutzbare Daten), Funktions-Engineering und Datennormalisierung.

• Training und Bewertung von Modellen: Methoden zum Trainieren von Modellen für maschinelles Lernen, Auswählen der entsprechenden Algorithmen, Optimieren der Modellparameter und Bewerten der Modellleistung anhand von Metriken wie Genauigkeit, Präzision, Recall und F1-Bewertung (eine Kennzahl für Präzision und Recall).

• Betrugserkennungstechniken: Eine Übersicht über verschiedene Ansätze auf Basis des maschinellen Lernens, die in der Betrugserkennung eingesetzt werden, darunter Anomalieerkennung, Risikobewertung, Netzwerkanalyse, Textanalyse und Identitätsverifizierung.

• Implementierung und Bereitstellung: Best Practices für die Implementierung und Bereitstellung von Modellen für maschinelles Lernen in einer Produktionsumgebung, darunter Modellversionierung, Überwachung und Aufrechterhaltung der Modellleistung im Laufe der Zeit.

• Ethik und Bestimmungen: Eine Diskussion der ethischen Grundsätze und der Compliance mit Vorschriften in Bezug auf maschinelles Lernen und Betrugsprävention, darunter Datenschutz, Fairness und Erklärbarkeit (die Fähigkeit, einem Menschen zu erklären, welche Aufgaben ein Modell für maschinelles Lernen von der Eingabe bis zur Ausgabe ausführt).

Mit einer Zertifizierung zur Betrugserkennung durch maschinelles Lernen können Fachleute ihre Kenntnisse in diesem Spezialfeld nachweisen und sind so wertvolle Vermögenswerte für Organisationen, die ihre Fähigkeiten zur Betrugserkennung verbessern möchten. Es gibt viele Arten von Fachleuten, die von einer solchen Zertifizierung profitieren, darunter Datenwissenschaftler/innen, Analystinnen und Analysten, Betrugsermittler/innen und Cybersicherheitsspezialistinnen und -spezialisten.

Beispiele für maschinelles Lernen in der Betrugserkennung

Unternehmen, die Kundenzahlungen verarbeiten, können die Betrugserkennung und -prävention auf Basis von maschinellem Lernen auf diverse Zahlungsszenarien anwenden:

Präsenzzahlungen

• Kreditkarten-Betrugserkennung
  Algorithmen für maschinelles Lernen können Transaktionsdaten analysieren (darunter Uhrzeit, Ort, Betrag und Unternehmen) und so Muster erkennen und potenziell betrügerische Transaktionen in Echtzeit markieren. Wenn beispielsweise die Karte einer Kundin oder eines Kunden innerhalb kürzester Zeit an zwei weit voneinander entfernt liegenden Orten eingesetzt wird, kann das System diese Transaktionen als verdächtig markieren.

• Point-of-Sale(POS)-Anomalieerkennung
  Maschinelles Lernen ist in der Lage, POS-Transaktionen zu überwachen und ungewöhnliche Muster zu identifizieren. Wenn ein/e Mitarbeiter/in beispielsweise eine ungewöhnlich hohe Anzahl an Rückerstattungen oder Rabatten verarbeitet hat, kann dies ein Anzeichen für internen Betrug oder Diebstahl sein.

Mobile Zahlungen

• Device Fingerprinting
  Modelle für maschinelles Lernen können gerätespezifische Informationen (z. B. Gerätemodell, Betriebssystem, IP-Adresse) analysieren, um einen eindeutigen Fingerabdruck für die einzelnen Nutzer/innen zu generieren. Auf diese Weise können betrügerische Aktivitäten erkannt werden, z. B. eine Kontoübernahme oder mehrere Konten, die mit einem einzelnen Gerät verbunden sind.

• Biometrische Daten zum Verhalten
  Maschinelles Lernen ist in der Lage, Verhaltensmuster der Nutzer/innen zu analysieren, z. B. Eingabegeschwindigkeit, Wischgesten oder App-Nutzung, um so die Identität einer Nutzerin bzw. eines Nutzers zu überprüfen und Anomalien zu erkennen, die auf möglichen Betrug schließen lassen.

E-Commerce

• Prävention gegen Kontoübernahme
  Maschinelles Lernen ist in der Lage, Nutzer/innenanmeldemuster zu überwachen und ungewöhnliche Aktivitäten zu erkennen, z. B. mehrere fehlgeschlagene Anmeldeversuche auf neuen Geräten oder an neuen Standorten, die auf einen Kontoübernahmeversuch schließen lassen.

• Erkennung eines freundlichen Betrugs
  Maschinelles Lernen ist in der Lage, Muster in Bezug auf freundlichen Betrug zu identifizieren, bei dem Kundinnen und Kunden einen Kauf tätigen und zu einem späteren Zeitpunkt behaupten, dass die Transaktion unberechtigt gewesen sei oder dass sie das Produkt niemals erhalten hätten. Die Modelle können Faktoren wie die Kundinnen und Kundenkaufhistorie, Rückgabequoten und Rückbuchungsmuster analysieren, um Fälle freundlichen Betrugs zu markieren.

Weitere relevante Use Cases

• Erkennung von Rechnungsbetrug
  Maschinelles Lernen ist in der Lage, Rechnungen und verwandte Dokumente und Belege auf Abweichungen zu analysieren, z. B. auf doppelte Rechnungen, nicht übereinstimmende Beträge oder verdächtige Anbieterdetails, die auf Betrug hindeuten können.

• Betrugserkennung bei Treueprogrammen
  Maschinelles Lernen ist in der Lage, das Kundinnen und Kundenverhalten im Rahmen von Treueprogrammen zu überwachen, z. B. in Bezug auf das Sammeln und Einlösen von Punkten und in Bezug auf die Kontoaktivität, um so potenziellen Betrug oder Missbrauch zu identifizieren und zu markieren.

Durch das Implementieren von Betrugserkennungs- und -präventionssystemen auf Basis maschinellen Lernens können Unternehmen sich und ihre Kundinnen und Kunden besser vor Betrug schützen, finanzielle Verluste reduzieren und das Vertrauen und die Zufriedenheit auf Seiten der Kundinnen und Kunden verbessern.