Kundengeschichten
Niederländische Banken schließen sich zur Bekämpfung der Finanzkriminalität zusammen
TMNL hilft niederländischen Banken bei der Überwachung verdächtiger Transaktionen
Die 2020 gegründete TMNL (Transaction Monitoring Netherlands) ist eine Organisation, die Finanzkriminalität bekämpft, indem sie die Transaktionen von fünf der größten niederländischen Banken (ABN Amro, ING, Rabobank, Triodos und Volksbank) überprüft. Durch das Sammeln anonymisierter Daten von allen diesen Banken erstellt TMNL ein umfassendes Bild der Finanztransaktionen für kleine und mittlere Unternehmen. Dies hilft den Banken, ihre KYC/CDD-Pflicht (Know Your Customer / Customer Due Diligence) zu verbessern.
Wenn Kriminelle Geld waschen, verwenden sie oft Konten bei verschiedenen Banken, was es schwieriger macht, ihre Aktivitäten aufzudecken. TMNL löst dieses Problem, indem es mit Daten von allen fünf Banken arbeitet. Wenn sie eine Anomalie feststellen, melden sie die Ergebnisse an die beteiligten Banken.
Die Überwachung der Transaktionen hilft den Banken und der niederländischen Gesellschaft im Allgemeinen. Immerhin werden in den Niederlanden jährlich schätzungsweise 16 Milliarden Euro gewaschen, und nur 2 % dieses Geldes werden derzeit abgefangen.
Als TMNL wuchs, entwickelten seine Mitarbeiter zahlreiche Machine Learning (ML) Modelle, um ungewöhnliche Transaktionsmuster zu erkennen. Sie wollten sicherstellen, dass die Datenwissenschaftler nicht jedes Modell von Grund auf neu erstellen, sondern ihre bereits validierte Arbeit wiederverwenden.
Warum
Die TMNL-Experten arbeiteten mit den Xebia-Beratern zusammen, um einen Merkmalskatalog mit Merkmalslogik zu erstellen, der bei einigen ML-Modellen zu einer Reduzierung der Codelänge um bis zu 70% führte.
Was
Der Funktionskatalog ermöglichte es Datenwissenschaftlern, konsistente Definitionen zu verwenden und eine strukturierte Arbeitsweise in den Modellteams zu verfolgen. Dies führte zu einer schnelleren Entwicklung und qualitativ hochwertigeren Modellen.
Wie
Wissend den Anonymen
TMNL verarbeitet nur Unternehmenstransaktionen (keine individuellen Kundentransaktionen). Dabei achtet TMNL strengstens auf Datenschutz und Sicherheit. Alle Daten, die es erhält, sind pseudonymisiert, ohne dass IBANs, Adressen oder Firmennamen sichtbar sind.
Indem sie das Bild des globalen finanziellen Kontextes mit einer detaillierten Aufschlüsselung der Transaktionen für verschiedene Unternehmen kombinieren, erkennen sie, welche Transaktionen normal sind
normale
und welche Transaktionen
ungewöhnlich sind
.
Wenn eine
ungewöhnliche
Wenn eine ungewöhnliche Transaktion entdeckt wird, kontaktiert TMNL die beteiligten Banken, die diese Signale verarbeiten und, falls erforderlich, an die Financial Investigation Unit (FIU) melden.
Die Mitwirkenden
Roel Bertens -
Leitender Datenwissenschaftler bei Xebia Data
Joost Bosman
- Ingenieur für maschinelles Lernen bei Xebia Data
Lucian Baghiuc
- Verantwortlicher für AML-Analytik bei TMNL
Die Initial Herausforderung
Als die Mitarbeiterzahl und die Infrastruktur von TMNL wuchsen, arbeiteten verschiedene Teams an unterschiedlichen ML-Modellen, wobei sie oft das kopierten, was andere Teams bereits getan hatten, und ihre Ideen und ihren Code nicht schnell genug weitergaben. Mit diesen maßgeschneiderten Lösungen ging das Risiko einher, nicht von anderen zu lernen und schließlich keine neuen Produkte zu entwickeln.
Es gab nicht nur Überschneidungen zwischen den Arbeiten der verschiedenen Teams, sondern auch Unterschiede in den Definitionen für einige Merkmale (z. B. verwenden einige Teams den Median, während andere den Durchschnitt für dieselbe Menge verwenden).
Lucian und sein Team bei TMNL waren sich dieser Herausforderung sehr bewusst, und die Idee, einen Feature Store zu entwickeln, stand auf ihrem Backlog. Als Roel von Xebia kam, um das Team zu unterstützen, nahm er sich dieses Projekts an und war federführend bei der Verwirklichung. Anstelle eines Feature Stores begann er mit einem Feature-Katalog, der die meisten Vorteile eines Stores bietet, aber viel einfacher zu realisieren ist. Wenn Sie mehr über Feature-Kataloge wissen möchten, werfen Sie einen Blick auf diesen
Blog-Beitrag
.
Die Details der Lösung
Typische Merkmale für die Analyse von Finanztransaktionen zum Zwecke der Geldwäschebekämpfung sind der Zeitpunkt, der Ort oder die Anzahl der Transaktionen an einem bestimmten Tag.
Nehmen wir an, dass Sie als Benutzer, z.B. als Datenwissenschaftler, der ein neues Modell entwickelt, die Funktionen A, B und C benötigen. Da viele Leute diese Funktionen bereits verwendet haben, brauchen Sie nur den Feature-Katalog zu verwenden, ein Python-Paket, das Ihnen die Funktionen auf standardisierte Weise und in Übereinstimmung mit den übrigen Teams berechnet. Neben der Zeitersparnis bei der Entwicklung gibt es zwei weitere Vorteile:
- Sie können nun die mit diesen Funktionen verbundene Dokumentation als Referenz verwenden.
- Sie brauchen sich keine Gedanken über Sicherheit und Compliance zu machen, die beide im Bankwesen von zentraler Bedeutung sind, denn jemand hat diese Definitionen bereits vor Ihnen validiert.
Die Abbildung unten zeigt, wie der Prozess mit und ohne Feature-Katalog für zwei verschiedene Teams funktioniert. Wenn Sie mehr über die Einrichtung von Feature Stores erfahren möchten, werfen Sie einen Blick auf dieses
GitHub-Repository
.
.webp)
Die endgültigen Ergebnisse
Nach der Implementierung des Feature-Katalogs können nun alle TMNL-Teams ein zentrales Repository für Feature-Definitionen nutzen und auch dazu beitragen. Diese hochwertigen Merkmale können sowohl zur Inspiration als auch zur Erstellung von Betriebsmodellen verwendet werden.
Für ein bestimmtes Modell konnten die Datenwissenschaftler von TMNL den Umfang des Codes durch die Verwendung des Feature-Katalogs um bis zu 70% reduzieren. Sie mussten nur noch die Funktionslogik aus dem zentralen Repository importieren. Dadurch haben die Teams jetzt mehr Zeit, ihre Modelle zu verfeinern und können Folgeprodukte viel schneller bereitstellen.
So konnte es beispielsweise sechs Monate dauern, bis einige Modelle von Grund auf entwickelt waren. Wenn die Funktionen jetzt bereits im Katalog vorhanden sind, können die Modelle innerhalb von Wochen bereitgestellt werden.
Natürlich dreht sich die Arbeit eines Unternehmens nicht nur um Technologie. Die Menschen sind entscheidend für die Umsetzung der vorgeschlagenen Änderungen. Hier kam Joost Bosman von Xebia ins Spiel, der die MLOps-, Plattform- und Datenteams (alle drei auf der technischen Seite) mit den Modellentwicklungsteams zusammenbrachte. Er stellte sicher, dass jeder die Möglichkeiten des Funktionskatalogs kannte und wusste, wie er die Arbeit von TMNL verbessern konnte. Joost brachte auch bewährte Verfahren ein, half bei der Automatisierung und sorgte für reibungslosere Prozesse.
Ich glaube nicht an das Outsourcing-Denken, sondern an Co-Kreation und Partnerschaft. Ich möchte Berater, eigentlich Partner, die
die ihr Wissen mit uns teilen und uns herausfordern, sich aber auch weiterentwickeln und besser werden, während sie mit uns zusammenarbeiten.
Lucian BaghiucLeiter der Abteilung AML-Analytik bei TMNL
Contact