{"id":24520,"date":"2023-06-30T11:23:00","date_gmt":"2023-06-30T09:23:00","guid":{"rendered":"https:\/\/www.sysbus.eu\/?p=24520"},"modified":"2023-06-20T09:42:18","modified_gmt":"2023-06-20T07:42:18","slug":"machine-learning-probates-mittel-gegen-online-betrug","status":"publish","type":"post","link":"https:\/\/www.sysbus.eu\/?p=24520","title":{"rendered":"Machine Learning: probates Mittel gegen Online-Betrug"},"content":{"rendered":"\n

Autoren\/Redakteur: Martin Baumann (Director Analytics bei Experian DACH), Dr. Christian Fritsch (Senior Analyst bei Experian DACH)<\/a>\/gg<\/p>\n\n\n\n

Online-Betrug grassiert. Neben den direkten Verlusten, die Unternehmen deshalb erleiden, treiben die notwendigen, oft manuellen Betrugskontrollen die Kosten f\u00fcr alle Unternehmen in die H\u00f6he, die Online-Gesch\u00e4fte t\u00e4tigen. Entsprechend sieht sich laut dem Consumer and Business Report von Experian<\/a> rund die H\u00e4lfte der Befragten gezwungen, ihre Investitionen in die Betrugserkennung und -abwehr zu erh\u00f6hen.<\/p>\n\n\n\n

\"\"<\/a>
Martin Baumann und Dr. Christian Fritsch (Bilder: Experian)<\/figcaption><\/figure>\n\n\n\n\n\n\n\n

Die Studie zeigt, dass Unternehmen auf k\u00fcnstliche Intelligenz (KI) und Machine Learning (ML) setzen, um Betrugsverluste zu reduzieren und die mit der Betrugsbek\u00e4mpfung verbundenen Kosten zu senken. Diese neuen Technologien erm\u00f6glichen es den Unternehmen, Betrugsf\u00e4lle genauer zu erkennen und so den Zeit- und Kostenaufwand f\u00fcr manuelle \u00dcberpr\u00fcfungen zu reduzieren, da ein h\u00f6herer Anteil der Antr\u00e4ge oder K\u00e4ufe automatisch korrekt als g\u00fcltig oder betr\u00fcgerisch eingestuft wird.<\/p>\n\n\n\n

Die gr\u00f6\u00dften Herausforderungen f\u00fcr eine effektive Betrugsbek\u00e4mpfung<\/strong><\/p>\n\n\n\n

Laut der Experian-Studie gibt es f\u00fcnf Hauptfaktoren, die Unternehmen daran hindern, die Kosten und Risiken des zunehmenden Betrugs erfolgreich zu bew\u00e4ltigen. Der wichtigste Faktor sind die Schwierigkeiten und Kosten, die mit der Verwaltung mehrerer Arten von Software zur Betrugsbek\u00e4mpfung verbunden sind. Da die Bedrohung durch Betrug immer komplexer wird \u2013 mit immer neuen Methoden und Einfallstoren \u2013 setzen Unternehmen mehrere spezialisierte Betrugsl\u00f6sungen ein und haben dann Schwierigkeiten, diese effizient zu kombinieren. Ohne einen koordinierten Ansatz verursacht dies nicht nur Kosten, sondern kann auch die Prozesse f\u00fcr die Kunden beeintr\u00e4chtigen.<\/p>\n\n\n\n

Der zweite Faktor ist die Zunahme von Verz\u00f6gerungen und Kosten im Zusammenhang mit Anfragen. Unternehmen, die traditionelle, regelbasierte Betrugspr\u00e4vention einsetzen, stellen fest, dass sie einen Gro\u00dfteil ihrer Anfragen manuell \u00fcberpr\u00fcfen m\u00fcssen. Diese \u00dcberpr\u00fcfungen sind mit hohen Kosten verbunden, da ein Team von Betrugsspezialisten st\u00e4ndig zur Verf\u00fcgung stehen muss, um Anfragen oder K\u00e4ufe zu bewerten. Dar\u00fcber hinaus wirken sich die durch manuelle \u00dcberpr\u00fcfungen verursachten Verz\u00f6gerungen negativ auf den Umsatz aus, da Kunden gerade im Internet nicht gerne warten und gegebenenfalls zur Konkurrenz abwandern.<\/p>\n\n\n\n

Diese beiden Faktoren stehen im Zusammenhang mit dem dritten Hauptproblem: der Unf\u00e4higkeit, Strategien zur Betrugsbek\u00e4mpfung mit Strategien zur Umsatzsteigerung in Einklang zu bringen. Verbraucher erwarten schnelle und einfache Online-Prozesse, so dass L\u00f6sungen zur Betrugspr\u00e4vention, die zu Reibungsverlusten f\u00fchren, die Neukundengewinnung behindern k\u00f6nnen. Ein angemessener Schutz vor Betrug ist jedoch unerl\u00e4sslich, da fast die H\u00e4lfte der f\u00fcr die Studie befragten Unternehmen im vergangenen Jahr einen Anstieg der Verluste durch Betrug verzeichnet hat.<\/p>\n\n\n\n

Der vierte Faktor sind \u201eFalse Positives\u201c (Anfragen, die f\u00e4lschlicherweise als betr\u00fcgerisch eingestuft werden). Strenge Regeln zur Betrugsbek\u00e4mpfung k\u00f6nnen dazu f\u00fchren, dass legitime Kunden f\u00e4lschlicherweise abgewiesen werden. Je nach Unternehmen kann dieser Verlust an potenziellen Einnahmen sogar h\u00f6her sein als die tats\u00e4chlichen Verluste durch Betrug. Die Studie legt nahe, dass sich viele Unternehmen dieser Auswirkungen von False Positives nicht bewusst sind, da nur 32 Prozent der Befragten diese Kennzahl \u00fcberhaupt in Betracht ziehen.<\/p>\n\n\n\n

Der letzte Faktor, der in der Studie hervorgehoben wird, ist die Schwierigkeit der Unternehmen, ihre Modelle und Regeln schnell genug anzupassen, um auf neue Betrugsmethoden zu reagieren. Da sich Betrug st\u00e4ndig weiterentwickelt, suchen viele Unternehmen nach neuen L\u00f6sungen, um mit dieser Entwicklung Schritt zu halten.<\/p>\n\n\n\n

ML-Grundlagen<\/strong><\/p>\n\n\n\n

Derzeit wird das Potenzial von ML in den meisten Unternehmen noch nicht voll ausgesch\u00f6pft. Nur etwa die H\u00e4lfte der befragten Unternehmen setzt ML in mehr als einem Anwendungsfall ein. Die Akzeptanz dieser Technologie steigt jedoch schnell: 31 Prozent der befragten Unternehmen planen die Einf\u00fchrung von ML in den n\u00e4chsten zw\u00f6lf Monaten.<\/p>\n\n\n\n\n\n\n\n

Ein gut trainiertes Machine-Learning-System (ML) als Kern einer Betrugspr\u00e4ventionsl\u00f6sung kann die Situation f\u00fcr Unternehmen drastisch verbessern. Es ist sowohl in der Lage, Anfragen nahezu in Echtzeit zu bewerten, als auch die Genauigkeit der Bewertung enorm zu verbessern. Ein Machine-Learning-Modell ist letztlich eine Sammlung hunderter dynamischer Regeln, die auf entsprechendes Training reagieren. Derzeit wird der Einsatz von ML besonders intensiv diskutiert, da generative ML-Modelle wie ChatGPT viel Aufmerksamkeit auf sich ziehen. Die grunds\u00e4tzliche Herangehensweise bei der Entwicklung von ML-Modellen hat sich jedoch nicht wesentlich ge\u00e4ndert, lediglich die Menge der verarbeiteten Daten und die Verarbeitungsgeschwindigkeit haben enorm zugenommen, so dass der Eindruck eines Paradigmenwechsels entstehen kann.<\/p>\n\n\n\n

\"\"<\/a>
Ein Audit des Fraunhofer IPA (zweiter Schritt in der Grafik) best\u00e4tigt der ML-Komponente f\u00fcr die Betrugserkennungsl\u00f6sung von Experian eine korrekte Entwicklung und nachvollziehbare Ergebnisse. (Quelle: Experian)<\/figcaption><\/figure>\n\n\n\n

Tats\u00e4chlich besteht die Entwicklung eines ML-Modells, schematisch gesprochen, aus sechs Schritten:<\/p>\n\n\n\n

    \n
  1. Datensammlung: Unternehmen, die ein ML-Modell entwickeln wollen, m\u00fcssen zun\u00e4chst ausreichend repr\u00e4sentative Daten sammeln, die f\u00fcr das Training des Modells ben\u00f6tigt werden. Qualit\u00e4t und Vielfalt der Daten sind entscheidend f\u00fcr die Leistungsf\u00e4higkeit des Modells. Ein Vorteil von ML besteht \u00fcbrigens darin, dass ein ML-Modell auch mit unstrukturierten Daten trainiert werden kann und sp\u00e4ter auch solche Daten verarbeiten und auswerten kann.<\/li>\n\n\n\n
  2. Datenbereinigung und Vorverarbeitung: Die gesammelten Daten m\u00fcssen bereinigt und aufbereitet werden, damit sie f\u00fcr das Training geeignet sind. Dieser Schritt kann die Normalisierung der Daten oder andere Ma\u00dfnahmen zur Verbesserung der Datenqualit\u00e4t enthalten.<\/li>\n\n\n\n
  3. Feature-Extraktion: Das ML-System wird dann mit Merkmalen, den so genannten Features, gef\u00fcttert und entscheidet auf der Grundlage fr\u00fcherer Bewertungen und des Feedbacks eines menschlichen Trainers, wie die Features in eine Entscheidung einflie\u00dfen sollen. Einige Features sind wichtiger als andere, und jedes Feature erh\u00e4lt eine Gewichtung, die durch das Modelltraining optimiert wird. Neue Daten werden regelm\u00e4\u00dfig in das System eingespeist, um das Modell weiter zu optimieren.<\/li>\n\n\n\n
  4. Modellauswahl und Training: Ein ML-Modell wird ausgew\u00e4hlt und mit den vorverarbeiteten Daten trainiert, wobei es iterativ angepasst wird, um die beste Leistung zu erzielen.<\/li>\n\n\n\n
  5. Modellbewertung: Nach dem Training wird das Modell mit neuen Daten getestet, um seine Leistung zu bewerten. Erreicht das Modell nicht die gew\u00fcnschte Leistung, kann der Trainingsprozess wiederholt werden, zum Beispiel durch erneute Vorverarbeitung der Daten oder durch Auswahl eines anderen Modells.<\/li>\n\n\n\n
  6. Modelleinsatz und -\u00fcberwachung: Nach dem Training und der Evaluierung kann ein ML-Modell auf neue Daten angewendet werden, um Vorhersagen zu treffen oder Klassifikationen vorzunehmen. Es ist wichtig, das Modell kontinuierlich zu \u00fcberwachen und zu aktualisieren, um sicherzustellen, dass es weiterhin gute Leistungen erbringt und mit sich \u00e4ndernden Daten oder neuen Betrugstrends umgehen kann.<\/li>\n<\/ol>\n\n\n\n

    Wie ML hilft<\/strong><\/p>\n\n\n\n

    Leistungsf\u00e4hige ML-Modelle, die alle auf einer einzigen Plattform betrieben werden k\u00f6nnen, k\u00f6nnen alle oben genannten Faktoren ber\u00fccksichtigen, die sich auf die Kosten und Risiken des zunehmenden Betrugs auswirken. Da sich ML-Modelle f\u00fcr verschiedene Zwecke auf einer zentralen analytischen Plattform entwickeln und betreiben lassen, sind Unternehmen dazu in der Lage, die Schwierigkeiten und Kosten vermeiden, die mit der Verwaltung mehrerer Arten von Software zur Betrugsbek\u00e4mpfung verbunden sind.<\/p>\n\n\n\n

    Die Verz\u00f6gerungen und Kosten im Zusammenhang mit Anfragen, die sich aus der traditionellen, regelbasierten Betrugsbek\u00e4mpfung ergeben, k\u00f6nnen durch ML-Systeme vermieden werden, da diese wesentlich schneller arbeiten und Anfragen weitaus zuverl\u00e4ssiger kategorisieren. ML-Modelle erm\u00f6glichen es Unternehmen auch, Strategien zur Betrugsbek\u00e4mpfung mit Strategien zur Umsatzsteigerung in Einklang zu bringen. So sind Umsatzsteigerungen von bis zu 15 Prozent m\u00f6glich, weil deutlich weniger valide Anfragen als betr\u00fcgerisch abgelehnt werden. Auch der pers\u00f6nliche Einsatz von Betrugsmanagern wird deutlich reduziert.<\/p>\n\n\n\n

    Da ML-Systeme Anfragen deutlich zuverl\u00e4ssiger bewerten, reduzieren sie im Vergleich zu herk\u00f6mmlichen, regelbasierten Systemen die Anzahl der False Positives und die Notwendigkeit des pers\u00f6nlichen Eingreifens der Betrugsmanager. So konnte das Betrugspr\u00e4ventionssystem Aidrian von Experian in einem E-Commerce-Szenario die False-Positive-Rate um 60 Prozent senken. 99,9 Prozent der Anfragen, die das ML-Tool als legitim klassifizierte, wurden von Betrugsmanagern als nicht betr\u00fcgerisch eingestuft und daher nicht abgelehnt. Statt rund 7.000 Bestellanfragen pro Monat mussten nun nur noch 300 manuell \u00fcberpr\u00fcft werden \u2013 eine Arbeitserleichterung von mehr als 95 Prozent.<\/p>\n\n\n\n

    Auch die schnelle Anpassung von Modellen und Regeln stellt f\u00fcr ML-Systeme keine Herausforderung mehr dar, da die Systeme in einem iterativen Prozess einfach mit den entsprechenden neuen Daten gef\u00fcttert werden k\u00f6nnen und dann die notwendigen \u00c4nderungen weitgehend selbstst\u00e4ndig vornehmen. Sobald eine neue Art von Betrug erkannt wird, kann sie dem Modell hinzugef\u00fcgt werden, so dass das Gesch\u00e4ft einer Organisation zuk\u00fcnftig besser vor ihr gesch\u00fctzt ist. Durch diesen Feedback-Prozess sind ML-Modelle dazu in der Lage, sich in Echtzeit an sich ver\u00e4ndernde Betrugsbedrohungen anpassen und erm\u00f6glichen es den Unternehmen, in Bezug auf Betrugstrends immer auf dem neuesten Stand zu sein.<\/p>\n\n\n\n

    Gro\u00dfe Erwartungen<\/strong><\/p>\n\n\n\n

    Bei all der Aufmerksamkeit, die den verschiedenen Formen der KI und ihren tats\u00e4chlichen oder vermeintlichen Potenzialen derzeit entgegengebracht wird, kann leicht \u00fcbersehen werden, dass KI-Methoden wie ML den Unternehmen bereits heute deutliche Vorteile bieten, die sich erheblich auf ihre Bilanzen auswirken k\u00f6nnen. Die KI-Revolution hat l\u00e4ngst begonnen und wird ihren Mehrwert f\u00fcr Unternehmen in Zukunft immer st\u00e4rker unter Beweis stellen.<\/p>\n","protected":false},"excerpt":{"rendered":"

    Online-Betrug grassiert. Neben den direkten Verlusten, die Unternehmen deshalb erleiden, treiben die notwendigen, oft manuellen Betrugskontrollen die Kosten f\u00fcr alle Unternehmen in die H\u00f6he, die Online-Gesch\u00e4fte t\u00e4tigen. Entsprechend sieht sich laut dem Consumer and Business Report von Experian rund die H\u00e4lfte der Befragten gezwungen, ihre Investitionen in die Betrugserkennung und -abwehr zu erh\u00f6hen.<\/p>\n","protected":false},"author":81,"featured_media":24522,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[8,10036],"tags":[17382,12210,8767,14085,6259,4314],"class_list":["post-24520","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artikel","category-kuenstliche-intelligenz","tag-betrugsbekaempfung","tag-experian","tag-machine-learning","tag-online-betrug","tag-security","tag-security-gateway"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/24520","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/users\/81"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=24520"}],"version-history":[{"count":1,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/24520\/revisions"}],"predecessor-version":[{"id":24524,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/24520\/revisions\/24524"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/media\/24522"}],"wp:attachment":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=24520"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=24520"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=24520"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}