Über den Zusammenhang zwischen maschinellem Lernen und Risikoerkennung

Foto Salvatore Saporito, LexisNexis GmbH

Maschinelles Lernen ist ein Zweig der Künstlichen Intelligenz (Artificial Intelligence), bei dem der Computer Daten mit Hilfe von Algorithmen analysiert, um Muster zu erkennen und prognostische Modelle zu erstellen. Solche Modelle können mit minimalem menschlichen Eingreifen automatisch angepasst werden, damit sie stets verlässliche und aufschlussreiche Ergebnisse ausgeben, sobald neue Daten vorliegen. Diese Form von computergestützter Intelligenz verändert die Art und Weise, wie internationale Einkaufs-Abteilungen Risiken erkennen und proaktiv angehen. Das geht von der Sicherheitsüberprüfung potenzieller Zulieferer bis hin zur Routineüberwachung von Drittparteien, um mögliche Reputations-, finanzielle oder strategische Risiken aufzuzeigen und entsprechende Gesetze einzuhalten.

Entstehung des maschinellen Lernens

Der Begriff „Machine Learning“ wurde 1959 von Arthur Samuel geprägt, einem amerikanischen Pionier in den Bereichen Computerspiele und Künstliche Intelligenz, der damals für IBM tätig war. Im klassischen Sinne werden beim maschinellen Lernen die Methoden auf statistische Probleme mit klar definierten und strukturierten Datensätzen angewendet. Dies lässt sich bis hin zum „Deep Learning“ erweitern, das die vielschichtigen Lernprozesse in den Neuronen des menschlichen Gehirns emuliert. Algorithmen werden dabei in Reihe geschaltet, sodass ein Algorithmus die Daten nach einem bestimmten Merkmal filtert und das Ergebnis in den nächsten Algorithmus eingespeist wird, der dann wiederum nach einem weiteren Merkmal filtert und so weiter. Diese Schichten von Merkmalen werden allerdings nicht von menschlichen Ingenieuren entwickelt, sondern vielmehr mittels allgemeiner Rechenprozesse aus den Daten selbst abgeleitet.

Eine Datenrevolution

Da das maschinelle Lernen große Datensätze und eine immense Rechenleistung erfordert, steht es in direkter Verbindung mit der jüngsten Datenrevolution, erklärt Bart van Liebergen, Associate Policy Advisor am Institute of International Finance, in seinem Artikel Machine Learning: A revolution in risk management and compliance? „Bestimmte Elemente des maschinellen Lernens gehen zwar auf das frühe 20. Jahrhundert zurück“, so van Liebergen, „aber die größere Verbreitung setzte ein, als neue Computertechnik und die leichtere Verfügbarkeit hochfrequenter Daten es ermöglichten, komplexe, nichtlineare Zusammenhänge im Modell darzustellen, und damit zugleich die Anwendung von Maschinenlernen deutlich vereinfachten.“

Begriffe wie geschichtete Algorithmen, strukturierte Datensätze und Predictive Analytics mögen für Laien schwer verständlich sein, aber ihr Wert liegt dennoch klar auf der Hand. Selbstfahrende Autos, personalisierte Produktempfehlungen im Internet auf Grundlage des früheren Einkaufsverhaltens, die Analyse von Trends und Daten aus Wearables, also tragbarer Computersysteme wie Smartwatches, mit Monitoring-Funktion sind allesamt Anwendungen, die uns das Leben erleichtern.

Risiken aufdecken

Entsprechend steigern geschäftliche Anwendungen die Fähigkeit von Unternehmen, Risiken zu vermeiden; von Prognosen zu Sensorausfällen in Raffinerien und der Rationalisierung der Ressourcenverteilung in der Öl- und Gasindustrie bis hin zu Unmengen von Daten zu Transaktionen und Vorschriften oder die Betrugsvermeidung in der Finanzdienstleistung. Maschinelles Lernen kann auch dabei helfen, Risiken im Zusammenhang mit Bestechung, Korruption oder Zwangsarbeit in Versorgungsketten aufzuzeigen.

„Ein Bereich, in dem das maschinelle Lernen seit mehr als einem Jahrzehnt angewandt wird – und das mit beträchtlichem Erfolg –, ist die Aufdeckung von Kreditkartenbetrug“, so van Liebergen. „Die historischen Datensätze zu den Transaktionen zeigen eine Vielzahl von vorbestimmten Eigenschaften bei Betrugsfällen auf, anhand derer sich die normale Nutzung der Karte von einer betrügerischen Verwendung unterscheiden lässt.“

Maschinelles Lernen bietet wertvolle Informationen, da damit komplexe Muster in Daten schneller erkannt werden können als bei einer menschlichen Analyse. Dadurch sind Unternehmen in der Lage, sowohl interne als auch externe Daten zu verwenden, um eine umfassendere Vorstellung von Risiken bei Kunden, Lieferanten und anderen Drittparteien zu entwickeln. Mit diesen Informationen können Unternehmen dann proaktiv handeln, wenn Bedrohungen bezüglich des Rufs, der Regeltreue, Umsätze oder Unternehmensstrategie auf den Plan treten.

Warum sind Daten von Drittparteien so wichtig für das maschinelle Lernen?

Unternehmen verfügen von vornherein über große Mengen an Daten aus ihren internen Quellen in der gesamten Organisation – von Daten aus Finanzsystemen und CRM-Systemen bis hin zu Daten, die intelligente Maschinen in den Produktionsabläufen erfassen. Aber die internen Daten alleine reichen nicht aus, um die größtmögliche Menge an Informationen aus Anwendungen zu erzielen.

Welche Arten von Daten Dritter helfen dabei, eine ganzheitliche Vorstellung von den Risiken zu erhalten?

  • Die Beobachtung negativer Berichterstattung in Printmedien und Onlinequellen hilft dabei, mögliche Bedrohungen bereits im Vorfeld zu erkennen.
  • Mit Berichten zu Ländern und Branchen lassen sich strategische Risiken und Chancen prognostizieren.
  • Geschäftsdaten, darunter finanzielle Details, können Bankrottrisiken aufzeigen.
  • Der Einblick in Firmenhierarchien hilft, den wahren wirtschaftlich Berechtigten aufzudecken.
  • Sanktionen, Watchlists und Listen mit politisch exponierten Personen (PEP) verringern das Risiko von Bestechung, Korruption, Geldwäsche oder auch der Finanzierung terroristischer Organisationen.
  • Rechtliche Informationen tragen dazu bei, frühere rechtliche Auseinandersetzungen potenzieller Kunden oder Anbieter in Erfahrung zu bringen.

Maschinelles Lernen ist ohne Zweifel ein wichtiges Instrument für Fortschritte im Bereich der Predictive Analytics. Aber für Due Diligence und Risikomanagement von Unternehmen – darunter die zahlreichen und stets wachsenden regulatorischen Voraussetzungen für weltweit tätige Betriebe – funktioniert dieses Instrument immer dann am effizientesten, wenn es die richtige Art von „Treibstoff“ erhält.

Nächste Schritte

  1. Erfahren Sie mehr über Risikoüberwachung Ihrer Lieferkette mit LexisNexis® Entity Insight
  2. Erfahren Sie mehr über den richtigen „Treibstoff“ für Ihr maschinelles Lernen und integrieren Sie unsere Inhalte in Ihre firmeninternen Systeme mit LexisNexis® Compliance Data as a Service
  3. Werfen Sie einen Blick auf unsere Webinaraufzeichnungen und informieren Sie sich über Ihre Wunschthemen.

Zur Person

Salvatore Saporito ist Teamleiter Europa Risk & Compliance und seit 2003 bei der LexisNexis GmbH. Er studierte an der Universität zu Köln Wirtschaftswissenschaften (Betriebswirtschaftslehre) mit dem Abschluss Diplom-Kaufmann. Er ist Mitglied im Deutschen Institut für Compliance (DICO), dem Berufsverband der Compliance Manager (BCM), in der DGI Fachgruppe Compliance sowie im österreichischen Compliance Praxis Netzwerk. Salvatore Saporito ist regelmäßig Referent zum Thema Geschäftspartnerüberprüfung.

Diesen Blog-Beitrag teilen:


Blog-Alert abonnieren

Wir informieren Sie automatisch
über neue Blogbeiträge.

Blog durchsuchen

Blog durchsuchen

Sortieren

Nach Kategorie