DänemarkFinanzen und Versicherungen2017–2018Danske Bank
Betrugserkennung mit Machine Learning
Danske Bank ersetzte regelbasierte Betrugswarnungen durch maschinelles Lernen und senkte die Zahl falsch positiver Meldungen
Ausgangslage
Die Betrugserkennung von Danske Bank beruhte vor allem auf manuell erstellten Regeln. Die Regeln lösten Rekordzahlen an Fehlalarmen aus, zeitweise mit einer Quote von 99,5 % falsch positiver Meldungen, und das große Team zur Betrugsbekämpfung verbrachte einen Großteil seiner Zeit mit der Untersuchung rechtmäßiger Zahlungen.
Vorgehen
Gemeinsam mit Think Big Analytics, dem Beratungsarm von Teradata, entwickelte die Bank in Sprints von 12 Wochen Modelle des maschinellen Lernens, die Bank- und Mobilzahlungen in Echtzeit auf Betrug überwachen. Sie nahm das Ensemble aus Modellen des maschinellen Lernens in Betrieb und testete parallel Deep-Learning-Modelle. Das Projekt wurde im Oktober 2017 öffentlich vorgestellt.
Kennzahlen
Erkenntnis
Die Bank verringerte unnötige Untersuchungen und entdeckte mehr Betrug, doch die Zahlen unterschieden sich je nach Quelle und Phase. Der Anbieter meldete vor dem Produktivbetrieb einen Rückgang der falsch positiven Meldungen um 50 % und eine um 60 % höhere Erkennungsrate; ein Analystenbericht Monate später bezifferte den Rückgang der falsch positiven Meldungen bei den produktiven Modellen auf 20 % bis 30 %.
Kategorien
- Größe
- Großunternehmen
- Branche
- Finanzen und Versicherungen
- Unternehmensfunktion
- Finanzen, Risiko und Recht
- Innovationsart
- Prozessinnovation
- KI-Technologie
- Prädiktive Analytik und ML
- Einführung
- Gemeinsame Entwicklung mit Partnern
- Nachweis
- Angabe des Unternehmens
Quellen
Quellenzusammenfassungen
Teradata erklärte, Danske Bank habe mit seinen Beratern von Think Big Analytics die Betrugserkennung mit maschinellem Lernen in Betrieb genommen und zugleich Deep-Learning-Modelle entwickelt. Nadeem Gulzar, der Leiter für fortgeschrittene Analytik der Bank, sagte, Tests vor dem Produktivbetrieb hätten die falsch positiven Meldungen um 50 % gesenkt, sodass die Hälfte der Abteilung zur Betrugsbekämpfung zu höherwertigen Aufgaben wechseln könne. Teradata meldete außerdem eine um rund 60 % höhere Erkennungsrate in Tests vor dem Produktivbetrieb und sagte, die Quote falsch positiver Meldungen habe unter den alten Regeln zeitweise 99,5 % erreicht.
Analyst Doug Henschen berichtete, der seit 2016 zunehmende Betrug habe Danske Bank dazu gebracht, mit Think Big Analytics von Teradata in Entwicklungssprints von 12 Wochen Modelle des maschinellen Lernens zu bauen. Er sagte, das Ensemble aus Modellen des maschinellen Lernens habe die falsch positiven Meldungen um 20 % bis 30 % gesenkt, und mit TensorFlow gebaute Deep-Learning-Modelle hätten in Tests zweistellige Zuwächse bei der Erkennung gezeigt, seien aber noch nicht im Produktivbetrieb.
Ausführliche Angaben finden Sie in den Originalquellen.
