Reduzierung von False-Positive-Meldungen sorgt für höhere Produktivität in Compliance
In Compliance trägt Machine Learning dazu bei, die Zahl von False-Positive-Meldungen zu verringern und für eine Entlastung und höhere Produktivität der Mitarbeitenden zu sorgen. KI-Note, das neue Magazin des Bank-Verlags, hat bei Actico und beim Beratungsunternehmen d-fine nachgefragt, warum das so ist.
Technisch quantitative Ausrichtung im KYC-Prozess nimmt zu
Für Prozesse zur Geldwäscheprävention setzen Banken und Versicherungen immer häufiger Technologien wie Machine Learning (ML) ein.
Die Identifikation und Überwachung von Kunden im KYC-Prozess ist ein zentraler Bestandteil der Anforderungen aus dem Geldwäschegesetz. Gerade bei der aufwändigen Namensprüfung gegen verschiedene Listen, wie Sanktions-, Embargo- und PEP-Listen, spielt Machine Learning seine Stärken aus.
Volle Konzentration auf die True Positives
Möglichst alle tatsächlichen Übereinstimmungen (True Positives) sollen gefunden, möglichst wenig nicht-übereinstimmende Meldungen (False Positives) erzeugt werden. Jeder False Positive, der nicht weiter bearbeitet werden muss, reduziert den Aufwand bei der Trefferanalyse erheblich. Auswertungen sprechen hier von über 50% Einsparung.
Wie Machine Learning genau funktioniert und wie es sich auf die Produktivität von Compliance-Mitarbeitenden auswirkt, lesen Sie in der KI-Note.
Zum Artikel ab Seite 46 auf KI-Note.de