Der durch die Covid-19-Krise verursachte Schaden für Unternehmen und Volkswirtschaften wird von Tag zu Tag sichtbarer. Angesichts steigender Arbeitslosigkeit und schrumpfender Volkswirtschaften haben Einzelpersonen und Unternehmen mit Schulden zu kämpfen, und die Welt wird von Kreditrisiken überschwemmt.
Da sich die Weltwirtschaft in einer Rezession befindet, hat dies besondere Auswirkungen auf das Management und die Eindämmung von Kreditrisiken. Die Banken haben sich auf diese Dynamik eingestellt und neue Ansätze zur Bewältigung der aktuellen Herausforderungen im Kreditrisikoumfeld erforscht. Mehr denn je müssen Finanzinstitute das Kreditrisiko mit Hilfe von Hochfrequenzanalysen großer Datenmengen genau messen und überwachen.
© Thomas Scherr - Fotolia
Analyse von Streaming-Daten
Erschwerend kommt hinzu, dass Kriminelle Schwachstellen ausnutzen, die durch den Trend zum Homeoffice-Arbeiten entstanden sind. Das hat bereits zum Anstieg der Risiken durch Betrug und Cyberkriminalität geführt. Für Banken ist es essentiell für ihr Geschäft, robuste Sicherungssysteme aufzubauen und zu betreiben. Als Torwächter zum Finanzsystem entwickeln Banken auf der ganzen Welt neue Modelle zur Bekämpfung der Finanzkriminalität – zusammen mit Regierungen, Aufsichtsbehörden und anderen globalen Banken.
Der Aufwand, den sie betreiben müssen, um Kriminelle aus dem System fernzuhalten, ist beträchtlich. Er hat zuletzt aber auch dazu geführt, dass technologische Fortschritte bei der Analyse von Streaming-Daten und Künstlicher Intelligenz / Maschinellem Lernen (KI/ML) zu einer wesentlichen Triebkraft für einen nachhaltigen Kampf wurden.
Bis vor kurzem haben Finanzinstitute traditionelle Methoden der Datenanalyse, die komplex und zeitintensiv sind, zum Aufdecken von betrügerischen Aktivitäten eingesetzt. Allerdings lassen die Standard-Algorithmen zur Betrugserkennung und -prävention neue Formen des Betrugs möglicherweise unerkannt. Die Analyse von Streaming-Daten sowie die Verwendung von KI / ML liefern Banken jetzt eine Technologie zur Betrugserkennung in Echtzeit. Solch eine Technologie ist notwendig, um Betrug sofort zu erkennen und zu bekämpfen.
Kubeflow ist eine End-to-End-Plattform, die auf dem Kubernetes for Machine Learning und Deep Learning-Modell für Training und Bereitstellung aufbaut. Kubeflow stellt in Kombination mit Ubuntu von Canonical die Multi-Cloud-Portabilität von AI/ML-Arbeitslasten sicher. Experten für Finanzkriminalität können sich darauf konzentrieren, mit schnellem Experimentieren ML-Modelle zur Betrugserkennung zu trainieren und zu bedienen, ohne sich über die zugrunde liegende Infrastruktur Gedanken machen zu müssen.
Container bilden die Grundbausteine der Kubeflow-Pipeline und vereinfachen die Bereitstellung in verschiedenen Rechenumgebungen. Kubernetes, ein Open-Source-Container-Orchestrierungssystem, ist dafür konzipiert, containerisierte Anwendungen automatisch bereitzustellen, zu skalieren und zu managen. Banken können mit dieser Technologie containerisierte Anwendungen optimal auslasten und flexibel einsetzen.
Komponenten zum Aufbau von Echtzeit-Analyse- und Betrugserkennungsplattformen
Eine weitere Komponente zum Aufbau von Echtzeit-Analyse- und Betrugserkennungsplattformen ist Apache Kafka. Diese Open-Source-Plattform für das Streaming von verteilten Ereignissen liefert Datenströme zum Trainieren von ML-Modellen. Apache Kafka hilft bei der Aufnahme großer Datenmengen und ist eine skalierbare Technologie, die bei der Verwaltung großer Datenmengen helfen kann.
Mit der Kombination dieser Open-Source-Tools und -Technologien können Finanzinstitute ihre Sicherheitsarchitektur im Bereich Betrugsprävention in Echtzeit erweitern und Cyber-Sicherheitsbedrohungen bekämpfen. Wie bei jeder Anwendung, die in großem Maßstab läuft, kann der Betrieb einer großen KI/ML-Bereitstellung komplex sein und erfordert eine ständige Überwachung und Wartung. Ein Managed-Services-Ansatz für Open-Source-Anwendungen kann eine Schlüsselrolle spielen beim Bewältigen der mit der Wartung von Anwendungen verbundenen Herausforderungen. Der Service Provider sorgt dafür, dass alle Komponenten der Open-Source-Software auf dem neuesten Stand, sicher und gut gewartet sind. Gleichzeitig bietet er kommerzielle Standardgarantien wie Support im Rahmen eines Service-Level-Agreements.
Finanzinstitute sollten daher darüber nachdenken, den Ansatz „verwalteter Open Source-zu verfolgen, um so die Anwendungsentwicklung zu beschleunigen sowie gleichzeitig die Betriebskosten und das Risiko beim Erstellen von Open-Source-Anwendungen zu senken. Ihre Produktentwicklungsteams können sich auf die Entwicklung innovativer Lösungen und die Stärkung der Belastbarkeit des Finanzsystems konzentrieren, anstatt sich unnötig lange mit den Open Source-Abhängigkeiten und den zugrunde liegenden Infrastrukturanforderungen auseinanderzusetzen.
