Wie maschinelles Lernen GRC-Aufgaben erleichtert

Galvanize

Galvanize

Vorstände und Führungskräfte sprechen viel über maschinelles Lernen. Während sich weiterhin neue, interessante Anwendungen für diese Technologie auftun, werden sich ganze Sektoren, Branchen und Rollen weiterentwickeln.

Alle reden über maschinelles Lernen und künstliche Intelligenz (KI). Die Begriffe sind zu Schlagwörtern in vielen Branchen geworden, auch im Bereich Governance, Risiko und Compliance (GRC). Aber was bedeuten sie eigentlich, und wie unterstützen sie die Arbeit von GRC-Experten?

Bevor wir uns dieser Frage zuwenden, möchten wir zunächst Folgendes wissen:

Worin liegt der der Unterschied zwischen maschinellem Lernen und KI?

Das Ziel von KI ist es, intelligente Maschinen zu befähigen, wie Menschen zu denken und zu handeln. KI wird oft in Situationen eingesetzt, in denen die Anpassung an neue Szenarien vorteilhaft ist.

Das maschinelle Lernen ist eine Teilmenge der KI. Ziel ist es, Systeme dazu zu bringen, aus Daten zu lernen, Muster zu erkennen und Entscheidungen ohne menschliche Hilfe zu treffen. Im Grunde geht es darum, dass Computer lernen und sich anpassen, ohne dass sie programmiert werden müssen.

Zusammenfassend lässt sich sagen, dass das maschinelle Lernen seine gewonnenen Erfahrungen nutzt, um nach Mustern zu suchen und aus ihnen zu lernen. Die KI nutzt ihre erworbenen Erfahrungen, um Wissen und Fähigkeiten zu erwerben sowie Informationen darüber, wie dieses Wissen unter neuen Gegebenheiten angewendet werden kann.

Es gibt viele wertvolle geschäftliche Anwendungen für beide Technologien. Aber das maschinelle Lernen hat mehr Aufmerksamkeit erhalten und wurde auf breiterer Ebene angenommen. Dies liegt vor allem an der Fähigkeit dieser Technologie, die kritischen Geschäftsprobleme zu lösen, mit denen viele globale Organisationen konfrontiert sind.

„Ein großer Vorteil des maschinellen Lernens ist die Fähigkeit, subjektive Risikoeinstufungen auszublenden.“

Wie also unterstützt maschinelles Lernen GRC?

Das maschinelle Lernen stellt sehr wichtige Anwendungen in einer Vielzahl von GRC-Umgebungen und -Rollen bereit. Einige davon untersuchen wir in unserem E-Book Maschinelles Lernen für Governance-Fachleute. Nachstehend nennen wir Ihnen einige Beispiele:

  • Die Steuerung von Risiken und Chancen basierend auf fortschrittlicheren Faktoren als den Schwellenwerten für die Risikobereitschaft, Schätzungen und Reaktionen.
  • Die Identifizierung von Betrugs- und Verschwendungsmustern, die Suche von Finanzdaten und der Einsatz vorausschauender Techniken zur Entwicklung wirksamerer Kontrollen.
  • Das Verständnis und die Vereitelung von Cyber-Bedrohungen, indem Daten analysiert werden und automatisch aus erfolgreichen Angriffen gelernt wird.
  • Bessere Nutzung komplementärer Technologien wie der robotergesteuerten Prozessautomatisierung, um Prozesse zu optimieren, computergestützter Entscheidungen zu verfeinern und Algorithmen zu verbessern

Es gibt natürlich noch viele weitere Möglichkeiten, aber wir konzentrieren uns darauf, wie diese dem Risikomanagement zugutekommen. Durch die Analyse großer Datensätze in kurzer Zeit verändert das maschinelle Lernen die Art und Weise, wie Risiken bewertet werden. Es folgen einige Beispiele dafür, wie sich die Technologie im Risikomanagement einsetzen lässt.

Bonitätsermittlung

Kreditgeber können die Bonität potenzieller Kreditnehmer ermitteln, indem sie Datensätze wie deren digitalen Fußabdruck untersuchen. Dies ist bei der Bewertung von Kreditnehmern mit keiner oder nur einer kurzen Kredithistorie gängige Praxis geworden.

Mehrere Unternehmen setzen die Technologie in ihren Systemen ein, um alternative Datenquellen (wie die Nutzung von sozialen Medien, des Internets oder Notendurchschnitte) zu untersuchen, um genauere Bonitätskennziffern zu generieren. Laut einer MIT-Studie könnte dies die Verluste der Banken durch säumige Kunden um bis zu 25 % reduzieren.

Ermittlung operativer Risiken

Operative Risiken gibt es in jedem Unternehmen, sowohl in kleinen Unternehmen als auch in Weltkonzernen. Hier einige Möglichkeiten, die zeigen, wie maschinelles Lernen beim Umgang mit operativen Risiken helfen kann.

  • Bedrohungen der Cybersicherheit. Die Technologie kann mithilfe von statistischen Analysen und Algorithmen Bedrohungen stoppen, bevor sie Schäden verursachen. Die Anti-Spam-Technologie nutzt sie beispielsweise zum Schutz vor Spammern, indem sie die Sprache in Millionen von Nachrichten analysiert, um potenzielle Bedrohungen zu erkennen.
  • Versuche der Geldwäsche. Die Kosten für die Einhaltung der Vorschriften zur Bekämpfung der Geldwäsche werden auf 23,5 Milliarden Dollar pro Jahr geschätzt. Durch Clustering-Techniken, die Transaktionen danach klassifizieren, wie verdächtig sie sind, oder die Personen mit ähnlichen Verhaltensweisen, die miteinander kooperieren, erkennen, können Geldwäscheversuche aufgedeckt werden.

Bereitstellung von Ressourcen

Risikomanager verwenden Daten aus der Vergangenheit, um Transaktionen von einer Periode auf die nächste zu projizieren. Das hilft ihnen zu entscheiden, wohin die Ressourcen zu lenken sind. Mithilfe des maschinellen Lernens können Risikomanager automatisch vorhersagen, welche Standorte voraussichtlich ein Audit nicht erfolgreich bestehen und welche einer Prüfung standhalten werden. Somit können sie ihre Bemühungen auf solche Standorte konzentrieren, die mehr Aufmerksamkeit benötigen.

Modellierung von Szenarien

Risikomanager können die Eingabedaten ändern, um zu ermitteln, welche Auswirkungen dies auf die prognostizierten Ergebnisse haben könnte (etwa wie sich somit die Risikoeinstufungen erhöhen oder verringern könnten). Mithilfe der Technologie kann eine Vielzahl von Modellen durchgespielt werden, so dass GRC-Experten Vorhersagen treffen und diese immer wieder wiederholen und verfeinern können.

Das Ende der subjektiven Risikoeinstufung

Ein großer Vorteil des maschinellen Lernens ist die Fähigkeit, subjektive Risikoeinstufungen auszublenden. Durch die Eingabe von Daten in Systeme—und die Verwendung eines Modells zur Bestimmung der datengesteuerten Risikoeinstufung—wird der manuelle und von Menschen getragene Prozess der Risikoeinstufung vermieden, der oft ungenau ist.

Wie geht es weiter?

Maschinelles Lernen ist kein neues Konzept. Es wurde viel Zeit, Arbeit und Forschung in die Entwicklung und den Aufbau des maschinellen Lernens investiert. Es wird im Laufe der Zeit angepasst, damit es für unsere aktuelle digitale Umgebung gerüstet ist. Die Technologie verbessert bestehende Prozesse und Systeme. Die Automatisierung optimiert die Arbeit, verbessert Ihre Ressourcenzuweisung und gibt Ihren Mitarbeitern die Möglichkeit, sich auf die Dinge zu konzentrieren, die wirklich menschliche Aufmerksamkeit erfordern.

Erfahren Sie mehr über unser Potenzial für maschinelles Lernen.

E-Book:

Maschinelles Lernen für die Unternehmensführung (Governance)

Entdecken Sie diese sich weiterentwickelnde Technologie. Erfahren Sie, wie das maschinelle Lernen Folgendes ermöglicht:

  • Analyse großer Mengen strukturierter und unstrukturierter Daten.
  • Erfüllung der zunehmenden regulatorischen Anforderungen.
  • Erkennung und Verhinderung von Betrug.
  • Automatisierung kritischer Prozesse und Bereitstellung von Lösungen, die den strategischen Wandel vorantreiben.

E-Book herunterladen

Verwandte Beiträge

lang="de-DE"
X

Galvanize ist jetzt Teil von Diligent.

Um über die neuesten Produktangebote, Forschungen und GRC-Ressourcen auf dem Laufenden zu bleiben, oder sich bei Ihren Galvanize-Produkten anzumelden, besuchen Sie bitte www.diligent.com

Diligent besuchen Anmeldung