Feedzai stellt mit RiskFM ein neues Foundation Model für die Prävention von Finanzkriminalität vor. Das Modell ist speziell auf tabellarische Finanzdaten ausgelegt und soll Banken sowie Zahlungsdienstleister dabei unterstützen, Risiken entlang des gesamten Lebenszyklus von Finanzkriminalität zu erkennen und zu steuern.
Bislang setzen viele Institute auf regelbasierte Systeme oder individuell entwickelte Machine-Learning-Modelle. Diese müssen häufig für jeden Anwendungsfall separat aufgebaut und gepflegt werden. RiskFM verfolgt einen anderen Ansatz: Als zentrales Basismodell deckt es Betrugserkennung, Anti-Geldwäsche sowie weitere Risikoentscheidungen in einem System ab.
Die Datengrundlage geht dabei über klassische Kartendaten hinaus. Das Modell verarbeitet unter anderem Informationen aus Onboarding-Prozessen, digitalen Interaktionen, Zahlungen, Überweisungen und AML-Prüfungen. Dadurch soll es neue Betrugsmuster schneller erkennen und sich kontinuierlich an veränderte Bedrohungslagen anpassen.
Herausforderung: Unvorhersehbare Transaktionsdaten
Ein zentrales Problem bei der Analyse von Finanzdaten liegt in deren geringer Vorhersagbarkeit. Während Large Language Models bei Texten oder Bildern auf klaren Mustern basieren, verhalten sich Transaktionen deutlich weniger konsistent.
„Die nächste Transaktion ist deutlich weniger vorhersehbar als das nächste Wort in einem Satz“, sagt Pedro Bizarro, Chief Science Officer bei Feedzai. „Konsumgewohnheiten von Verbrauchern sowie Zahlungsarten und Betrugsmuster verändern sich kontinuierlich. Am gefährlichsten ist, dass Betrüger ihre Methoden aktiv anpassen, um Echtzeit-Erkennungssysteme zu umgehen.“
Feedzai greift beim Training von RiskFM auf eine umfangreiche Datenbasis zurück. Das Unternehmen analysiert jährlich rund neun Billionen US-Dollar an Zahlungsvolumen über etwa 120 Milliarden Ereignisse weltweit. Diese Daten decken verschiedene Phasen der Kundenbeziehung ab, von der Kontoeröffnung bis hin zu Echtzeitzahlungen.
Leistungsfähigkeit und erste Ergebnisse
Nach Angaben des Unternehmens erreicht RiskFM bereits mit den Daten eines einzelnen Instituts die Leistung spezialisierter Modelle. Wird es mit Daten aus mehreren Instituten und Regionen trainiert, übertrifft es diese laut Feedzai.
Das Modell soll sich zudem schneller implementieren lassen und geringere Betriebs- und Wartungskosten verursachen. Ein wesentlicher Faktor ist, dass auf manuelles Feature Engineering weitgehend verzichtet werden kann.
Auch aus Marktforschungssicht wird der Ansatz als relevant eingeschätzt. „Foundation Models haben Sprache, Bild und Audio revolutioniert. Finanzkriminalität war bislang allerdings weitgehend resistent gegenüber dieser Entwicklung“, sagt Sam Abadir, Research Director für Risk, Financial Crime und Compliance bei IDC. „RiskFM von Feedzai ist ein glaubwürdiger Ansatz, diese Lücke zu schließen. Die Fähigkeit, hochoptimierte Modelle ohne manuelles Feature Engineering direkt zu erreichen, hat erhebliche Auswirkungen auf Geschwindigkeit, Kosten und Abdeckung entlang des gesamten Financial-Crime-Lifecycles – von Kartenbetrug bis hin zu AML. Die ersten Leistungsdaten sind interessant, ebenso wie die Frage, wie sich das Modell bei der Ausweitung auf komplexere Anwendungsfälle bewährt.“
Ein Modell für verschiedene Anwendungsfälle
RiskFM ist als skalierbares Modell konzipiert, das sich über verschiedene Institute und Regionen hinweg einsetzen lässt. Mit wachsender Datenbasis verbessert sich die Leistung kontinuierlich. Gleichzeitig soll es vom ersten Tag an mit bestehenden, hochoptimierten Modellen mithalten können.
„Unsere Vision wird Realität: RiskFM ist kein weiteres großes tabellarisches Modell für einen einzelnen Datentyp. Wir haben ein Basismodell für Finanzdaten geschaffen, das zahlreiche Anwendungsfälle – von Karten bis zu Echtzeitzahlungen – und verschiedene Regionen abdeckt und vom ersten Tag an weltweit eine hohe Leistungsfähigkeit bietet“, sagt Pedro Barata, Chief Product Officer bei Feedzai. „RiskFM ist der Beweis, dass sich unsere jahrelangen Investitionen in Basismodelle auszahlen. Wir sind nicht nur Teil der Diskussion, sondern bestimmen mit, wie diese Modelle auf die komplexen Herausforderungen der weltweiten Prävention von Finanzkriminalität angewendet werden.“
Feedzai arbeitet derzeit mit ersten Partnern an Pilotprojekten, um das Modell weiter zu validieren und auf größere Datenmengen auszuweiten. Perspektivisch soll RiskFM in die gesamte Produktpalette integriert werden.
Auch auf Anwenderseite stößt der Ansatz auf Interesse. „Die Lloyds Banking Group arbeitet branchenübergreifend daran, Verbraucher vor Finanzkriminalität zu schützen“, sagt Tom Martin, Business Platform Lead Economic Crime Prevention bei der Lloyds Banking Group. „Unsere langjährige Zusammenarbeit mit Feedzai im Bereich KI-Innovation hilft uns dabei, der Betrugsbekämpfung einen Vorsprung gegenüber Kriminellen zu verschaffen – und RiskFM ist ein wichtiger Meilenstein auf diesem Weg.“
