Schulungsübersicht

Einführung in KI in Financial Crime

  • Übersicht über Betrug und AML im Zeitalter der digitalen Finanzen
  • Traditionelle vs. KI-basierte Ansätze
  • Fallstudien von Mastercard, JPMorgan und globalen Banken

Machine Learning für Transaktionsüberwachung

  • Supervised Learning zur Risikobewertung und -klassifizierung
  • Unsupervised Learning zur Anomalieerkennung
  • Echtzeit-Alarmgenerierung und Streamverarbeitung

Graph-Analytics und Netzwerkrisiko-Erkennung

  • Modellieren von Beziehungen zwischen Entitäten und Transaktionen
  • Erkennen komplexer Betrugsmanöver mit Graph-KI
  • Praxis mit Neo4j oder ähnlichen Tools

Natural Language Processing für AML

  • Text-Mining in der Kundenaufklärung (CDD)
  • Watchlist-Scan mit Named Entity Recognition (NER)
  • Prompt-basierte Dokumentenprüfung und Verdachtsmeldungen (SARs)

Modell Governunft und Erklärbarkeit

  • Erstellen erklärbarer und prüfbaren Modelle
  • Bias-Detektion und -Beseitigung in Betrugsdetektionsalgorithmen
  • Verwendung von XAI-Techniken in der Einhaltung von Vorschriften

Ethik, Regulierung und Modellrisiko

  • Einhaltung von AML- und KYC-Rahmen (z.B. FATF, FinCEN, EBA)
  • AI-Ethik in der Überwachung und Kundendurchleuchtung
  • Berichtsstandards und prüfbare Regulierungen

Bereitstellungsoptionen und zukünftige Trends

  • Integrieren von KI-Modellen in bestehende Transaktionsysteme
  • Feedbackschleifen und Modellaktualisierungsmethoden
  • Zukunft der generativen AI bei Betrugsuntersuchungen und SAR-Automatisierung

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Ein Verständnis von Betrugsrisken und AML-Verfahren
  • Erfahrung im Bereich Datenanalyse oder Compliance-Berichterstattung
  • Grundlegende Kenntnisse in Python oder Analyseplattformen

Zielgruppe

  • Professionelle für Betrugsrisken
  • AML-Compliance-Teams
  • Sicherheitsmanager
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien