Forscher haben ein neues System künstlicher Intelligenz (KI) entwickelt, um Bilanzbetrug innerhalb einzelner Unternehmen sowie über Lieferketten und Branchen hinweg aufzudecken.
Die Technik des maschinellen Lernens BetrugGCN analysiert Muster in Finanzdaten und Unternehmensbeziehungen, um betrügerische Aktivitäten zu identifizieren und vorherzusagen. Es verwendet Graphentheorie und maschinelles Lernen, um das Beziehungsgeflecht zwischen Unternehmen, ihren Wirtschaftsprüfern und Branchenkollegen zu untersuchen.
„Es ist ein endloses mathematisches Wettrüsten zwischen den Behörden und den Betrügern“, Chenxu WangHauptautor des Papiers und außerordentlicher Professor an der Faculty of Software program Engineering und dem Key Lab of Clever Networks and Community Safety an der Jiaotong-Universität Xi'ansagte in einem Pressemitteilung.
Diese Entwicklung kommt zu einem Zeitpunkt, da die Finanzmärkte mit den Auswirkungen von Bilanzbetrug zu kämpfen haben. Bericht zeigt, dass 62 % der Finanzinstitute mit Vermögenswerten von über 5 Milliarden US-Greenback einen Anstieg der Finanzkriminalität melden, was wachsende Schwachstellen im US-Bankensektor offenlegt. Da sich die Methoden zur Begehung von Betrug weiterentwickeln, darunter auch der potenzielle Einsatz von KI durch Kriminelle, besteht ein anhaltendes Interesse an der Entwicklung effektiverer Erkennungsmethoden.
Aktuelle Methoden zur Erkennung von Finanzbetrug
Herkömmliche Methoden zur Betrugserkennung basieren häufig auf Prüfungen, die arbeitsintensiv sein können und bei denen es schwierig sein kann, zwischen echtem Geschäftserfolg und manipulierten Zahlen zu unterscheiden. Diese Hürden führen dazu, dass viele Unternehmen über längere Zeiträume unkontrolliert bleiben.
Paul WnekGründer, CEO und Principal Options Architect bei ExpandAPsagte gegenüber PYMMTS, dass es in Unternehmen viele gängige Arten von Betrug gibt: „Rechnungsbetrug, wie etwa fiktive Rechnungen für Waren oder Dienstleistungen, die nie geliefert wurden, oder legitime Rechnungen, die verändert werden, um Gelder umzuleiten. Lieferantenbetrug, wie etwa das Einrichten von falschen Lieferanten, um Zahlungen für nicht existierende Waren oder Dienstleistungen zu erhalten, oder Schmiergelder, um Lieferanten oder Mitarbeiter für die Genehmigung von Verträgen oder Rechnungen zu belohnen. Zahlungsbetrug, der auftreten kann, wenn Betrüger Zugriff auf Zahlungssysteme erhalten oder Genehmigungsprozesse manipulieren, um Zahlungen betrügerisch zu autorisieren.“
Mit herkömmlichen Methoden kann es schwierig sein, diese Machenschaften zu erkennen.
„Was wir brauchen, ist ein effektiver und genauer Algorithmus, um Bilanzbetrug automatisch zu erkennen und die Zeiten stichprobenartiger Prüfungen hinter uns zu lassen“, sagte Mengqin Wangein weiterer Forscher, der am FraudGCN-Projekt beteiligt ist, heißt es in der Pressemitteilung.
FraudGCN versucht, dieses Downside zu lösen, indem es multirelationale Graphen erstellt, die Unternehmensverbindungen darstellen. Dadurch kann das System Muster in Unternehmensnetzwerken analysieren.
Bei Assessments mit Daten börsennotierter chinesischer Unternehmen stellten die Forscher fest, dass FraudGCN aktuelle Ansätze um 3,15 % bis 3,86 % übertraf.
Die praktischen Auswirkungen dieser Verbesserungen bei der Betrugserkennung sind jedoch noch unklar.
Die Rolle der KI bei der Betrugserkennung und -begehung
Da die Rolle der KI bei der Betrugserkennung immer größer wird, weisen Experten auf ihr Potenzial hin, sowohl Betrug aufzudecken als auch zu unterstützen. Joe StephensonDirektor für digitale Intelligenz bei Interteldiskutiert in diesem Zusammenhang die duale Natur der KI.
„In der Versicherungsbranche sind wir im Verkauf tätig und übersehen deshalb oft die möglichen Auswirkungen neuer Technologien wie künstlicher Intelligenz auf Schadensfälle“, sagte Stephenson gegenüber PYMNTS. „Während KI für die Versicherungsübernahme großartig ist, sehen wir auch, dass Kriminelle ChatGPT und KI nutzen, um betrügerische Aktivitäten voranzutreiben, sei es durch die Entwicklung synthetischer IDs oder Metadaten.“
Dies bringt neue Herausforderungen mit sich, wie Stephenson erläutert: „Metadaten sind nicht traditionell und die Nutzung sozialer Medien macht es jedem leicht, Behauptungen zu übertreiben oder kriminelle Gruppen zu organisieren.“
KI kann allerdings auch zum Parsen großer Datenmengen genutzt werden.
„Fortschrittliche Algorithmen können die Aktivität in sozialen Medien scannen und analysieren und dabei Muster und Anomalien erkennen, die menschlichen Ermittlern möglicherweise entgehen“, sagte Stephenson.
Der “Spielbuch zur Verhinderung von Finanzbetrug“ von PYMNTS untersucht, wie Finanzinstitute fortschrittliche Technologien wie Verhaltensanalyse und maschinelles Lernen nutzen können, um Betrugstaktiken des digitalen Zeitalters zu bekämpfen, darunter KI-gestützte Systeme, bösartige Bots und synthetische Identitäten, die traditionelle Sicherheitsmaßnahmen umgehen.
Automatisierung in der Betrugsprävention
Neben KI-Erkennungstools setzt die Branche auch als vorbeugende Maßnahme auf Automatisierung in Finanzprozessen.
„Automatisierte Buchhaltungssysteme, die mit bewährten Sicherheitsmaßnahmen erstellt wurden, bieten integrierte Betrugserkennungsfunktionen wie Anomalieerkennung und Rechnungsabgleichsalgorithmen“, sagte Wnek. „Die besten Plattformen sind zentrale Anlaufstellen für alle Aufgaben der Kreditorenbuchhaltung, was zu einer Verringerung der Anzahl der Systeme führt, zwischen denen Daten ausgetauscht werden müssen.“
Dieser Development zur Automatisierung ist in der Finanzbranche ein anhaltender Development.
„Buchhaltungsteams, die traditionell Veränderungen ablehnen, haben inzwischen erkannt, wie wertvoll Automatisierung für die Verbesserung der Effizienz und Genauigkeit von Prozessen wie Kreditorenbuchhaltung (AP) und Debitorenbuchhaltung (AR) ist“, so Wnek. „Durch die AP-Automatisierung wird dieser Posten vollständig gestrichen, was die Kosten um 40 bis 95 % senkt.“
Darüber hinaus kann die Automatisierung durch die Reduzierung manueller Eingriffe in Finanzprozesse die Möglichkeiten für bestimmte Arten von Betrug verringern.
Allerdings bringt die Einführung dieser Technologien auch Herausforderungen mit sich.
„Die beiden größten Hindernisse für die Digitalisierung von Kreditorenbuchhaltung und die Einführung von Debitorenbuchhaltung sind Kosten und Komplexität“, so Wnek. „Aber diese Hindernisse lassen sich leicht beseitigen, wenn Unternehmen die Rendite ihrer Investition im Vergleich zum Outsourcing von Kundensupport und Finanzabwicklung berücksichtigen.“
Discussion about this post