Künstliche Intelligenz in der Betrugserkennung bezeichnet die Anwendung von Technologien der künstlichen Intelligenz, einschließlich maschinellem Lernen, Deep Learning und Expertensystemen, zur Identifizierung und Verhinderung betrügerischer Aktivitäten in finanziellen und geschäftlichen Abläufen. Sie wird häufig im Finanzsektor eingesetzt, insbesondere von Wirtschaftsprüfungsgesellschaften, um Betrug zu erkennen und die Genauigkeit von Prüfungen zu verbessern. Der Wandel von der Arbeit vor Ort zur Remote-Arbeit hat den Zugang zu Daten erhöht, was den Bedarf an automatisierten Systemen steigert, die große Mengen an Transaktionen analysieren und verdächtige Muster kennzeichnen können.
Im Jahr 2022 berichtete PricewaterhouseCoopers, dass Betrug 46 % aller Unternehmen weltweit betroffen hat. Laut einer Studie der Federal Trade Commission aus dem Jahr 2022 meldeten Verbraucher im Jahr 2021 Betrug in Höhe von etwa 5,8 Milliarden US-Dollar, ein Anstieg von 70 % gegenüber dem Vorjahr, wobei Identitätsbetrug und Online-Shopping-Betrug die Mehrheit ausmachten. Künstliche Intelligenz spielt eine entscheidende Rolle bei der Entwicklung fortschrittlicher Algorithmen und Modelle des maschinellen Lernens, die Betrugserkennungssysteme verbessern und es Unternehmen ermöglichen, mit sich entwickelnden betrügerischen Taktiken in einer zunehmend digitalen Landschaft Schritt zu halten.
Expertensysteme
Expertensysteme wurden erstmals in den 1970er Jahren als Erweiterung der Technologien der künstlichen Intelligenz entwickelt. Ihr Design basiert auf der Prämisse, potenzielle Benutzerfehler bei der Entscheidungsfindung zu reduzieren und die mentale Argumentation von Experten auf einem bestimmten Gebiet nachzuahmen. Sie unterscheiden sich von traditionellen linearen Argumentationsmodellen, indem sie identifizierte Punkte in Daten trennen und gleichzeitig einzeln verarbeiten. Diese Systeme stützen sich jedoch nicht ausschließlich auf maschinell gelernte Intelligenz.
Informationen über Regeln, Praktiken und Verfahren in Form von "Wenn-Dann"-Aussagen werden in die Programmierung des Systems implementiert. Benutzer interagieren mit dem System, indem sie Informationen entweder durch direkte Eingabe oder durch Import externer Daten zuführen. Ein Inferenzsystem vergleicht die vom Benutzer bereitgestellten Informationen mit entsprechenden Regeln, von denen angenommen wird, dass sie speziell auf die Situation zutreffen. Anhand dieser Informationen und der entsprechenden Regeln erstellt das System eine Lösung für die Anfrage des Benutzers. Expertensysteme funktionieren im Allgemeinen nicht ordnungsgemäß, wenn übliche Verfahren für eine bestimmte Situation mehrdeutig sind, da klar definierte Regeln erforderlich sind.
Die Implementierung von Expertensystemen in Buchhaltungsverfahren ist in Bereichen machbar, in denen professionelles Urteilsvermögen erforderlich ist. Situationen, in denen Expertensysteme anwendbar sind, umfassen Untersuchungen von Transaktionen mit potenziell betrügerischen Buchungen, Fälle von Unternehmensfortführung (Going Concern) und die Bewertung von Risiken in der Planungsphase einer Prüfung.
Kontinuierliche Prüfung
Kontinuierliche Prüfung ist eine Reihe von Prozessen, die verschiedene Aspekte der bei einer Prüfung gesammelten Informationen bewerten, um Risikobereiche und potenzielle Schwächen in internen Finanzkontrollen häufiger zu klassifizieren als bei traditionellen Methoden. Anstatt aufgezeichnete Transaktionen und Journalbuchungen periodisch zu analysieren, konzentriert sich die kontinuierliche Prüfung darauf, den Charakter dieser Handlungen häufiger zu interpretieren. Die Häufigkeit dieser Prozesse und die Hervorhebung wichtiger Bereiche liegt im Ermessen des Implementierenden, der solche Entscheidungen üblicherweise auf der Grundlage des Risikoniveaus der bewerteten Konten und der Ziele der Systemimplementierung trifft. Die Durchführung dieser Prozesse kann so häufig erfolgen, dass sie nahezu augenblicklich mit einer Buchung erfolgt.
Die Prozesse zur Analyse von Finanzdaten bei der kontinuierlichen Prüfung können die Erstellung von Tabellenkalkulationen für eine interaktive Informationssammlung, die Berechnung von Finanzkennzahlen zum Vergleich mit zuvor erstellten Modellen und die Erkennung von Fehlern in eingegebenen Zahlen umfassen. Ein Hauptziel dieser Praxis ist die schnellere und einfachere Erkennung von Fällen fehlerhafter Kontrollen, Fehlern und Betrug.
Maschinelles Lernen und Deep Learning
Die Fähigkeit von maschinellem Lernen und Deep Learning, schnell und effektiv große Datenmengen in Form verschiedener für Unternehmen relevanter Dokumente und geprüfter Dokumente zu sortieren, macht sie für die Bereiche Prüfung und Betrugserkennung anwendbar. Beispiele hierfür sind das Erkennen wichtiger Sprache in Verträgen, das Identifizieren von Betrugsrisikoniveaus in Transaktionen und die Bewertung von Journalbuchungen auf Falschdarstellungen.
Modelle des maschinellen Lernens, wie neuronale Netze, werden mit historischen Daten trainiert, um Muster zu identifizieren, die auf Betrug hinweisen. Deep Learning, eine Teilmenge des maschinellen Lernens, verwendet mehrschichtige neuronale Netze, um automatisch Merkmale aus Rohdaten zu extrahieren und die Erkennungsgenauigkeit zu verbessern. Diese Technologien ermöglichen es Systemen, sich im Laufe der Zeit an neue betrügerische Taktiken anzupassen, da sie mit aktualisierten Daten neu trainiert werden können.
Anwendungen bei den Big-4-Wirtschaftsprüfungsgesellschaften
Deloitte entwickelte 2014 ein KI-gestütztes Dokumentenprüfungssystem. Das System automatisiert die Methode der Überprüfung und Extraktion relevanter Informationen aus verschiedenen Geschäftsdokumenten. Deloitte behauptet, dass diese Innovation die Zeit für die Durchsicht rechtlicher Vertragsdokumente, Rechnungen, Finanzberichte und Vorstandsprotokolle um bis zu 50 % reduziert hat. In Zusammenarbeit mit IBM Watson entwickelt Deloitte kognitive, technologiegestützte Handelsvereinbarungen für seine Kunden. LeasePoint wird von IBM TRIRIGA (das sich zu IBM Maximo Real Estate and Facilities entwickelt hat) unterstützt und nutzt Deloittes Brancheninformationen, um ein End-to-End-Leasingportfolio zu erstellen. Die Automatisierte kognitive Ressourcenbewertung nutzt IBMs Maximo-Innovation, um die Effizienz der Anlageninspektion zu verbessern.
Ernst and Young (EY) verband KI mit der Untersuchung von Leasingverträgen. EY (Australien) hat auch KI-gestützte Prüfungstechnologie erhalten. In Zusammenarbeit mit H2O.ai entwickelte PwC ein KI-gestütztes Framework (GL.ai), das Berichte analysieren und erstellen kann. PwC behauptet, erhebliche Investitionen in die Verarbeitung natürlicher Sprache (NLP) getätigt zu haben, eine KI-gestützte Innovation zur effizienten Verarbeitung unstrukturierter Informationen. KPMG baute ein Portfolio von KI-Instrumenten namens KPMG Ignite auf, um Handelsentscheidungen und -prozesse zu verbessern. In Zusammenarbeit mit Microsoft und IBM Watson entwickelt KPMG Instrumente zur Integration von KI, Datenanalyse, kognitiven Technologien und robotergestützter Prozessautomatisierung (RPA).
Vorteile: Effizienz
Der Prozess der Prüfung eines Unternehmens zur Erkennung betrügerischer Aktivitäten erfordert die Wiederholung von Untersuchungsprozessen, bis ein Fehler oder eine Falschdarstellung identifiziert wird. Bei traditionellen Methoden werden diese Prozesse von einem Menschen durchgeführt. Befürworter künstlicher Intelligenz in der Betrugserkennung argumentieren, dass diese traditionellen Methoden ineffizient sind und mit Hilfe eines intelligenten Computersystems schneller durchgeführt werden können. Eine Umfrage unter 400 Chief Executive Officers, die KPMG 2016 erstellt hat, ergab, dass etwa 58 % glaubten, dass künstliche Intelligenz in Zukunft eine Schlüsselrolle bei der Effizienzsteigerung von Prüfungen spielen würde.
KI-Systeme können große Datensätze in einem Bruchteil der Zeit verarbeiten, die Menschen benötigen, was Zeit und Kosten von Prüfungen reduziert. Beispielsweise können große Sprachmodelle unstrukturierten Text in Verträgen und E-Mails analysieren, um potenzielle Betrugsindikatoren zu identifizieren, während automatisierte Tools Anomalien in Echtzeit kennzeichnen können.
Vorteile: Dateninterpretation
Ein höheres Maß an Betrugserkennung erfordert die Verwendung professionellen Urteilsvermögens zur Interpretation von Daten. Befürworter künstlicher Intelligenz in Finanzprüfungen behaupten, dass erhöhte Risiken aus Fällen höherer Dateninterpretation durch solche Technologien minimiert werden können. Ein notwendiges Element einer Prüfung von Finanzberichten, das professionelles Urteilsvermögen erfordert, ist die Implementierung von Wesentlichkeitsschwellen. Wesentlichkeit beinhaltet die Unterscheidung zwischen Fehlern und Transaktionen in Finanzberichten, die Entscheidungen von Nutzern dieser Finanzberichte beeinflussen würden.
KI kann bei der Festlegung von Wesentlichkeitsschwellen helfen, indem sie historische Daten und Branchenbenchmarks analysiert und so das Risiko menschlicher Voreingenommenheit reduziert. Darüber hinaus können Modelle des maschinellen Lernens subtile Muster in Daten identifizieren, die von menschlichen Prüfern übersehen werden könnten, was die Gesamteffektivität der Betrugserkennung verbessert.
Herausforderungen und Grenzen
Trotz der Vorteile steht die Verwendung künstlicher Intelligenz in der Betrugserkennung vor mehreren Herausforderungen. Expertensysteme erfordern klar definierte Regeln, was sie in mehrdeutigen Situationen weniger effektiv macht. Modelle des maschinellen Lernens können anfällig für Verzerrungen sein, wenn die Trainingsdaten nicht repräsentativ sind, und sie können falsch-positive oder falsch-negative Ergebnisse erzeugen. Darüber hinaus kann die Komplexität von Deep-Learning-Modellen ihre Interpretierbarkeit erschweren, was in Prüfungskontexten problematisch ist, in denen Erklärungen erforderlich sind.
Datenschutz und Datensicherheit sind ebenfalls Bedenken, da KI-Systeme häufig Zugriff auf sensible Finanzinformationen benötigen. Regulatorische Rahmenbedingungen halten möglicherweise nicht mit technologischen Fortschritten Schritt, was Unsicherheit für Organisationen schafft, die diese Tools übernehmen. Ab den frühen 2020er Jahren befinden sich viele Unternehmen noch in den frühen Phasen der Integration von KI in ihre Prüfungsprozesse, und die vollständigen Auswirkungen auf die Betrugserkennung sind noch nicht realisiert.
Zukünftige Richtungen
Die Zukunft der künstlichen Intelligenz in der Betrugserkennung wird wahrscheinlich eine stärkere Integration von generativer KI und Transformer-basierten Modellen beinhalten, die synthetische Daten für das Training erzeugen und die Anomalieerkennung verbessern können. Die Zusammenarbeit zwischen Technologieunternehmen und Wirtschaftsprüfungsgesellschaften wird voraussichtlich zunehmen, wobei Cloud-Plattformen wie Amazon Web Services, Azure und Google Cloud skalierbare KI-Dienste anbieten. Forschungseinrichtungen wie MIT CSAIL und Stanford AI Lab erforschen neue Algorithmen für die Betrugserkennung, während Branchenführer wie OpenAI und Google DeepMind die Fähigkeiten von KI-Systemen vorantreiben.
Da KI immer ausgefeilter wird, wird sie wahrscheinlich eine noch größere Rolle bei der Erkennung und Verhinderung von Betrug spielen und Unternehmen helfen, sich in einer zunehmend digitalen Wirtschaft zu schützen.