Interview

Machine Learning in Compliance

Compliance wird in Zukunft immer mehr Expertenwissen und Machine Learning kombinieren. Wie funktioniert das und was hat es mit der Nachvollziehbarkeit von Black-Box-Entscheidungen auf sich?

Im Interview erklärt Thomas Ohlemacher, welche Möglichkeiten maschinelles Lernen für Compliance bereithält und wie Banken es schaffen, maschinell getroffene Entscheidungen nachvollziehbar zu machen.

5-Punkte-Liste herunterladen

Wie haben sich die Herausforderungen in Compliance-Abteilungen von Banken in den letzten Jahren verändert?

Thomas Ohlemacher: Über einen langen Zeitraum ist eine Regulierungswelle nach der anderen auf Banken und Versicherungen zugerollt. Unter Druck mussten sie neue regulatorische Anforderungen erfüllen. In den letzten Jahren hat sich die Motivation geändert: Es geht seltener darum, neue Regularien abzudecken, sondern vielmehr um mehr Standardisierung und Effizienz. Banken erwarten von Technologien wie Machine Learning, dass sie diese Ziele erreichen.

In welchen Anwendungsfällen bietet Machine Learning echte Vorteile für das Compliance Management?

Thomas Ohlemacher: Lassen Sie mich zwei konkrete Use Cases schildern:

Use Case Zahlungs-Monitoring

Im Monitoring von Zahlungen kann Machine Learning aus bestehenden Zahlungshistorien lernen. Es erkennt Muster, die auffällige Zahlungen gemeinsam haben. Da Machine Learning sehr mächtige Modelle erzeugen kann, ist man damit oft in der Lage, die Zahlungen präziser zu filtern und weniger Abklärungen auszulösen.

Use Case Name Screening

Als zweites Beispiel möchte ich den Namensvergleich gegen Sanktions- und PEP-Listen nennen. Hier lernt Machine Learning aus der Abklärungshistorie, wie ein Compliance Officer historische Fälle abgeklärt hat. Mit diesem Modell ist es möglich, zukünftige Fälle zu bewerten. So bekommt man sehr früh eine Einschätzung, ob ein Treffer voraussichtlich relevant sein wird und kann danach priorisieren.

Gibt es Bedenken, dass Maschinen Menschen ablösen können?

Thomas Ohlemacher: Ja, natürlich sind die Bedenken in der Branche vorhanden und genau genommen auch nicht unbegründet. Mit der Einführung von Machine Learning in Compliance werden in jedem Fall Maschinen Menschen ersetzen. Das hat schon mit der Automatisierung des ersten Fließbandes angefangen.

Jedoch ist im Kontext Risk Management und Compliance gleichzeitig auch der Wunsch nach weniger Aufwand bei der Abklärung und nach einer präziseren Trefferquote sehr groß und birgt enorme Wettbewerbsvorteile für Institute.

Unsere Erfahrung zeigt auch im Falle von Machine Learning, dass eine erfolgreiche Automatisierung nur durch ein gemeinsames Vorgehen von Machine Learning und Compliance-Spezialisten erfolgen kann. Nur sie sind in der Lage, die Daten gemäß den eigenen Zielen zu beurteilen. Somit nehmen Compliance-Experten eine steuernde, effizienzsteigernde Rolle ein.

Mein Fazit hier: Die vorgegebenen Schritte sind zwar maschinell umgesetzt, dahinter müssen jedoch immer menschliche Entscheidungen stehen. Der Bedarf an Experten wächst hier sehr schnell und die Optimierungen dämpfen nur den großen Bedarf.

Was fordert die BaFin von Machine-Learning-Entscheidungen?

Thomas Ohlemacher: In ihrer Publikation „Big Data trifft auf Künstliche Intelligenz“, schreibt die BaFin, dass Blackbox-Verweise unzulässig sind. Demnach müssen automatisiert getroffene Entscheidungen auf Basis von Machine Learning für sachkundige Dritte erklärbar und nachvollziehbar sein. Die BaFin sieht in der Nachvollziehbarkeit auch die Chance, den Analyseprozess zu verbessern.

Jedes Unternehmen, das der Aufsicht der BaFin unterliegt, sollte also darauf achten, dass die Compliance-Software generell die Möglichkeit zur Nachvollziehbarkeit, insbesondere auch für Machine-Learning-Modelle, mitbringt.

Warum ist Nachvollziehbarkeit sonst noch interessant?

Thomas Ohlemacher: Die Nachvollziehbarkeit hilft dem Compliance-Officer zu erkennen, ob es Anpassungsbedarf des Machine-Learning-Modells gibt. Dies ist insbesondere dann der Fall, wenn ihm die Ergebnisse nicht mehr plausibel erscheinen. Das kann zum Beispiel vorkommen, wenn sich die Umgebungsfaktoren ändern und dann Machine Learning-Modelle nicht neu trainiert worden sind. Die Nachvollziehbarkeit kann auch helfen, frühzeitig Compliance-Fälle zu analysieren, die ein Institut noch nicht auf dem Schirm hat. Aus den Informationen der Nachvollziehbarkeit können Muster erkennbar sein, die bisher noch nicht transparent waren.

Thomas Ohlemacher

Produktmanager bei ACTICO GmbH

Nach dem Abschluss seines Studiums als Diplominformatiker (FH) in Konstanz, Nottingham (UK) und Hong Kong hat er seinen Fokus auf Software für Compliance-Themen bei Privat- und Investment-Banken gelegt. Bei ACTICO war er in diesem Fachgebiet als Business Analyst, Software Developer, Project und Solution Manager tätig und hat nun die Funktion als Produktmanager inne.

Kontakt aufnehmen