Finanzbetrug erkennen mit Wissensgraphen & KI

Die weltweite Zunahme von Finanzbetrug ist das Ergebnis mehrerer sich verstärkender Entwicklungen: Instant Payment und digitale Plattformen verkürzen Reaktionszeiten drastisch. Gleichzeitig agieren Betrugsnetzwerke zunehmend arbeitsteilig und professionell – Stichwort „Fraud-as-a-Service“. KI-gestützte Angriffstechniken wie Phishing oder Deepfakes erhöhen zusätzlich die Erfolgsquote. Datenlecks und der Handel mit personenbezogenen Informationen ermöglichen zudem immer realistischere synthetische Identitäten.

Traditionelle Systeme stoßen bei modernen Betrugsmustern schnell an ihre Grenzen. Sie basieren meist auf statischen Regeln, historisch trainierten Modellen und relationalen Datenbanken. Einzelne auffällige Transaktionen lassen sich damit gut erkennen. Bei komplexen, koordinierten Betrugsnetzwerken sind sie jedoch oft zu langsam, da Beziehungen, Abhängigkeiten und indirekte Verbindungen in tabellarischen Datenmodellen verborgen bleiben oder nur mit großem Aufwand sichtbar werden.

Ein Wissensgraph (Engl. Knowledge Graph) beschreibt Daten nicht als Sammlung isolierter Tabellen, Dokumente und Informationen, sondern als ein Netzwerk aus Knoten (Entitäten) und Kanten (Beziehungen). Hierfür legt sich der Wissensgraph als semantische Integrationsschicht über bestehende Systeme und sorgt so für eine direkte Verknüpfung von Konten, Personen, Geräten und Transaktionen. Auf diese Weise bringt er Informationen aus den unterschiedlichsten Quellen (Datenbanken, Dokumente, APIs, etc.) zusammen und macht Informationen somit übergreifend verfügbar.

Graphdatenbanken kommen dabei nicht nur beim Aufbau eines intelligenten Wissensmanagements und zur Modellierung möglicher Supply Chain Risiken zum Einsatz. Auch im Finanzbereich unterstützen Knowlegde Graphs dabei, ausgewählte Probleme wie bspw. das Aufspüren krimineller Machenschaften an der Wurzel zu packen, indem Geldflüsse über mehrere Stationen hinweg überwacht und Echtzeit-Entscheidungen direkt im Transaktionsprozess getroffen werden.

Im Gegensatz zu tabellarisch gestalteten, klassischen Fraud-Detection-Systemen macht ein Wissensgraph in Kombination mit KI-Agenten zuvor unstrukturierte Informationen analysierbar, um folgende Betrugsmuster schneller und effizienter aufdecken zu können:  

Transaktionsringe:  

Geld wird über eine Kette von Konten geschleust, um Herkunft und Endempfänger zu verschleiern. Mit der Graphabfragesprache Cypher lassen sich solche Ringe in wenigen Zeilen identifizieren – in SQL wäre die Abfrage extrem aufwändig und Performance-kritisch. 

Synthetischer Identitätsbetrug:  
Echte und frei erfundene Daten werden zu künstlichen Identitäten kombiniert. Teilen sich neue Profile entsprechende Merkmale wie Telefonnummer oder Adresse mit bestehenden Personen, entsteht im Graphen ein sofort erkennbarer Teilgraph. 

Kontoübernahmen (Account Takeover):  
Geteilte Geräte, geografisch unmögliche Login-Muster oder sequenzielle Kontoänderungen nach dem Login lassen sich als typische Beziehungsmuster im Graphen abbilden und erkennen. 

Graph Data Science & Machine Learning (ML): 
Zentralitätsmaße, Community-Detection-Algorithmen und Graph-Embeddings verwandeln Beziehungen in aussagekräftige Features – für höhere Erkennungsraten und bessere Generalisierung auf neue Angriffsmuster.