Dieses Papier untersucht den Einfluss von Künstlicher Intelligenz (KI) und maschinellem Lernen (ML) zur Verbesserung der Betrugserkennung in der US-Bankenindustrie. Mit zunehmenden elektronischen Transaktionen werden regelbasierte Ansätze weniger effektiv bei der Identifizierung komplexer Cyberbedrohungen. Diese Forschung untersucht, wie Künstliche Intelligenz und maschinelles Lernen Technologien zur Verbesserung der Betrugsprävention, der Echtzeitüberwachung, der Verhaltensanalyse und der Anomalieerkennung in Banksystemen nutzen. Die Studie untersucht auch diese Implementierungen innerhalb strenger bundesstaatlicher Regulierungsrahmen, einschließlich des Gramm-Leach-Bliley-Gesetzes (GLBA), des Sarbanes-Oxley-Gesetzes (SOX) und der Richtlinien des Federal Financial Institutions Examination Council (FFIEC). Die Forschung behandelt bedeutende Implementierungsherausforderungen, denen Finanzinstitute gegenüberstehen, wenn sie KI/ML-Systeme einsetzen. Zu diesen Herausforderungen gehören Bedenken hinsichtlich des Datenschutzes, die Minderung algorithmischer Vorurteile und die kritische Anforderung an die Erklärbarkeit von Modellen, um regulatorische Anforderungen zu erfüllen und das Vertrauen der Interessengruppen aufrechtzuerhalten. Das Papier untersucht maschinelle Lernmodelle wie überwachtes, unüberwachtes und Ensemble-Lernen sowie deren Rolle bei der Betrugserkennung, Insiderbedrohungen und systemischen Risiken. Somit bietet die Analyse eine umfassende operative und regulatorische Vorlage, um Banken in den Vereinigten Staaten dabei zu unterstützen, auf die Einführung von KI/ML-basierten Betrugserkennungssystemen zu reagieren und ein Gleichgewicht zwischen technologischem Fortschritt und der Solidität des rechtlichen und finanziellen Systems zu finden. Schlüsselwörter: Künstliche Intelligenz, Maschinelles Lernen, Betrugserkennung, US-Banking, Cybersicherheit, Regulierungskonformität
Amoako et al. (Tue,) haben diese Frage untersucht.