Betrugsfallerkennung mit KI im Retailbanking

Betrugsfallerkennung mit KI im Retailbanking.

• MODUL 01: WIE BETRÜGER HEUTE VORGEHEN – UND WARUM KLASSISCHE METHODEN VERSAGEN
• Betrug bei Online-Überweisungen und Kreditkartenmissbrauch erkennen (Regelbasierte Systeme vs. ML)
• Phishing- und Social-Engineering-Angriffe verstehen (Verhaltensmusteranalyse)
• Herausforderungen im Kampf gegen gut getarnte Betrugsversuche (Blacklists, Anomalieerkennung)

• MODUL 02: INTELLIGENTE SYSTEME IM EINSATZ – WAS KI IM BANKING HEUTE SCHON LEISTET
• Verdächtige Transaktionen in Echtzeit stoppen (Random Forest, Decision Trees)
• Kontoaktivitäten automatisch analysieren (Unsupervised Learning, Clustering)
• Typische Nutzerprofile erkennen und Abweichungen melden (Autoencoder, k-Means)

• MODUL 03: DATEN, DIE ALARM SCHLAGEN – WELCHE INFORMATIONEN WIRKLICH ZÄHLEN
• Aus welchen Daten „Betrug“ abgeleitet wird (Transaktionsdaten, Geodaten, Login-Verhalten)
• Ungleichgewicht bei echten vs. betrügerischen Fällen ausgleichen (SMOTE, Resampling)
• Datenschutz beachten und trotzdem effektiv analysieren (Differential Privacy, Tokenisierung)

MODUL 04: SO ENTSTEHT EIN DIGITALES FRÜHWARNSYSTEM

• Betrugsmerkmale herausarbeiten (Feature Engineering mit Python)
• KI-Modelle trainieren und testen (scikit-learn, XGBoost)
• Qualität messbar machen – wann ein Modell wirklich gut ist (Precision, ROC, F1-Score)

MODUL 05: ANWENDUNGSBEISPIELE

• Geldwäsche-Erkennung mit neuronalen Netzen (Deep Learning)
• Kundenidentität prüfen durch Geräteverhalten (Behavioral Biometrics)
• Chat-Betrug in Echtzeit erkennen (Natural Language Processing)

MODUL 06: GRENZEN DER TECHNIK – UND WIE MAN SIE ÜBERWINDET

• Was tun, wenn das Modell den Falschen verdächtigt? (Explainable AI)
• Betrüger trainieren mit – wie man Manipulation verhindert (Adversarial Attacks, Robustheit)
• Zukunftsausblick: KI als Ko-Pilot für Compliance & Sicherheit