Geht KI cross-border?

Eine der wichtigsten Anwendungen von KI in Zahlungssystemen ist die Automatisierung von Prozessen, die zu schnelleren und zuverlässigeren Transaktionen führen. Beispielsweise kann KI dazu beitragen, die Datenvalidierung zu automatisieren, um Fehler in den Transaktionsdaten sofort zu erkennen, zu korrigieren und so Verzögerungen zu vermeiden. Dies ist besonders wichtig bei grenzüberschreitenden Transaktionen, bei denen die Datenintegrität von entscheidender Bedeutung ist. Darüber hinaus sind KI-Modelle in der Lage, Wechselkurse in Echtzeit vorherzusagen und anzupassen, was die Effizienz der Währungsumrechnung erheblich steigert. 

Ein weiterer wichtiger Bereich, in dem KI eine transformative Rolle spielt, ist die Betrugserkennung. Deep-Learning-Algorithmen analysieren kontinuierlich Transaktionsmuster, um betrügerische Aktivitäten zu erkennen. Sie sind in der Lage, auch subtile Anomalien zu erkennen. Zum Beispiel eine ungewöhnlich hohe Anzahl kleiner Transaktionen innerhalb kurzer Zeit von einem Konto, das normalerweise nur wenige Grossbetragszahlungen durchführt. Dies bedeutet eine zusätzliche Sicherheitsebene. Unüberwachte Lernmodelle sind besonders effektiv, da sie in der Lage sind, solche zuvor nicht als betrügerisch markierte Transaktionen zu erkennen. Dies ermöglicht eine präventive Betrugsbekämpfung und verbessert das Risikomanagement.

Auch bei der Einhaltung gesetzlicher Vorschriften bietet KI erhebliche Vorteile. KI-Systeme überwachen die Transaktionen kontinuierlich auf illegale Aktivitäten und stellen sicher, dass sie alle rechtlichen Anforderungen erfüllen. Dies ist insbesondere im internationalen Zahlungsverkehr wichtig, da in verschiedenen Ländern unterschiedliche regulatorische Anforderungen gelten. Algorithmen zur Verarbeitung natürlicher Sprache können regulatorische Dokumente analysieren und dabei helfen, die Einhaltung sich ändernder Vorschriften zu gewährleisten. Ihre Anwendung im grenzüberschreitenden Kontext ist jedoch noch nicht ausgereift.

Die Nachvollziehbarkeit und Transparenz der Modelle sind bei der Anwendung von KI von entscheidender Bedeutung. Algorithmen, insbesondere solche, die auf Deep-Learning-Architekturen basieren, sind häufig Black Boxes, das heisst ihre Entscheidungen sind oft intransparent. Gerade im grenzüberschreitenden Zahlungsverkehr stellt die Haftungsfrage eine zentrale Herausforderung dar. Sollten KI-Algorithmen fehlerhafte und nicht nachvollziehbare Transaktionen auslösen, drohen den Banken schwerwiegende Konsequenzen. Um die Nachvollziehbarkeit komplexer KI-getriebener Entscheidungen zu gewährleisten, betonen Regulatoren zunehmend die Notwendigkeit transparenter KI-Systeme. Techniken wie Local Interpretable Model-Agnostic Explanations (LIME) und Shapley Additive Explanations (SHAP) zielen darauf ab, den Black-Box-Charakter von KI-Modellen aufzubrechen und ihre Entscheidungen für Anwenderinnen und Anwender sowie Aufsichtsbehörden nachvollziehbar zu machen. Derzeit konzentriert sich die Forschung auf die Betrugserkennung bei Kreditkartentransaktionen, während der Einsatz in produktiven Zahlungssystemen noch aussteht

Gabriel Juri
SIX