Mit Natural Language Processing KYC-Prozesse in der Bank optimieren

Ob in Kundenservice und Vertrieb, in der Sorgfaltsprüfung (Due Diligence) bei Transaktionen oder in der Jahresabschlussprüfung: Künstliche Intelligenz (KI) hat bereits vielfach Eingang in die Finanzwelt und den Bankensektor gefunden. Richtig eingesetzt, kann sie maßgeblich dazu beitragen, Prozesse schneller, genauer und effizienter zu gestalten – so auch im „Know-your -Customer“-Prozess (KYC).

Hier kann KI, insbesondere das „Natural Language Processing“ (NLP), Prozesse automatisieren und so die Effizienz und Genauigkeit in der Datenverarbeitung deutlich steigern. Das ist besonders wichtig, da die Menge an unstrukturierten Textdaten stetig zunimmt.

NLP steht für Natural Language Processing (auf Deutsch „Natürliche Sprachverarbeitung“). Es ist ein Teilgebiet der künstlichen Intelligenz, welches sich mit der Interaktion zwischen Computern und menschlicher Sprache befasst.

Zur erfolgreichen Anwendung der NLP-Technologie kommen im automatisierten KYC-Prozess verschiedene gängige Analyseverfahren zum Einsatz. Dazu zählen:

• Named Entity Recognition (NER): NER identifiziert bestimmte im Text genannte Entitäten (Personen, Orte, Organisationen), indem diese automatisch aus dem Text extrahiert und in vordefinierte Kategorien eingeordnet werden.
  
  
• Text Classification und Clustering: Text Classification ordnet ganze Texte vordefinierten Kategorien zu. Anschließend werden Texte mit ähnlichen Inhalten aufgrund ihrer Merkmale und Eigenschaften gruppiert (Clustering).
  
  
• Relationship Extraction: Bei der Relationship Extraction werden die semantischen Beziehungen zwischen den im Text erwähnten Entitäten identifiziert und klassifiziert. Dieser Prozess beinhaltet typischerweise die Analyse der syntaktischen Struktur (Satzbau und Satzteile) und der sprachlichen Muster um die Entitäten herum. Das dient dazu, die Art ihrer Beziehung zu bestimmen, zum Beispiel „arbeitet für“, „ist verheiratet mit“ oder „befindet sich in“.
  
  
• Sentiment Analysis: Die Sentimentanalyse umfasst das automatisierte Identifizieren und Klassifizieren von Meinungen und Emotionen in Textdaten – von positiven über negative bis hin zu neutralen Stimmungen.

Unter Einbeziehung der genannten Analyseverfahren bietet die NLP-Technologie vielfältige Anwendungsmöglichkeiten im KYC-Prozess:

1. Verarbeitung von KYC-relevanten Dokumenten:

In Verbindung mit optischen Erkennungsverfahren (Optical Character Recognition, OCR) kann NLP verwendet werden, um automatisch Informationen aus eingereichten Dokumenten wie Pässen, Führerscheinen und Handelsregisterauszügen zu extrahieren.

Ein Beispiel: Eine Kundin lädt ein Foto ihres Personalausweises im Online-Kundenportal hoch. Mithilfe von OCR wird der Text aus dem Bild extrahiert. Anschließend identifizieren und klassifizieren NLP-Algorithmen die relevanten Informationen wie Name, Geburtsdatum, Ausweisnummer und Adresse. Diese Daten werden automatisch in das Kundenbestandssystem des Finanzinstituts übernommen.

2. Automatisierte Relevanzbewertung von KYC-Dokumenten

Durch die Nutzung von NLP-basierter Textkategorisierung lernt die KI, relevante Dokumente (zum Beispiel Personalausweise, Handelsregisterauszüge) und irrelevante Dokumente (etwa Werbebroschüren) voneinander zu unterscheiden. So können KYC-relevante Dokumente gesammelt, grob kategorisiert und dann automatisiert auf ihre Relevanz hin bewertet werden.

3. Erkennen und Verstehen von Beziehungen

Im KYC-Prozess können Beziehungen zwischen Entitäten in Dokumenten und Transaktionen mittels NLP-Techniken erkannt werden, um relevante Verbindungen wie „arbeitet für“ oder „verheiratet mit“ zu identifizieren. Diese Entitäten und ihre Beziehungen können in einer Datenbank gespeichert und mittels bestimmter Algorithmen analysiert werden, um verdächtige Netzwerke und zentrale Akteure zu entdecken.

Ein Beispiel: Durch die Analyse vorliegender Dokumente wurde erkannt, dass „Kunde A“ eine Verbindung zu Unternehmen hat, welche alle die gleiche Adresse haben. Die Bank hat diese Informationen in einer Graph-Datenbank gespeichert und kann die Beziehung mit „Kunde A“ im Nachgang als risikoreich einstufen.

4. Analyse von öffentlich zugänglichen Quellen

Mithilfe des Adverse Media Screening werden automatisch Nachrichtenartikel und Social-Media- Beiträge gesammelt. Die NLP-basierte Sentiment-Analyse bewertet diese Texte und identifiziert negative Inhalte.

Ein Beispiel: Ein Institut sammelt Nachrichtenartikel und andere öffentlich zugängliche Quellen über einen Kunden, analysiert diese mit NLP-Tools und markiert Artikel mit negativem Sentiment zur Überprüfung durch das Compliance-Team.

Insgesamt bietet der Einsatz von NLP- und anderen KI-Modellen zahlreiche Anwendungsfälle und Einsatzmöglichkeiten und kann somit eine bedeutende Rolle im gesamten KYC-Prozess spielen. Auch bekannte RegTech-Unternehmen nutzen bereits spezialisierte NLP-Technologien, die optimal auf die Anforderungen von KYC- und Compliance-Prozessen abgestimmt sind, um die Effizienz und Genauigkeit in der Datenverarbeitung zu steigern.

Automatisierte Verfahren ermöglichen zudem eine schnelle Erfassung, Kategorisierung und Prüfung von hochgeladenen Dokumenten, wodurch der Onboarding-Prozess sowohl für die Bank als auch für den Kunden effizienter und weniger fehleranfällig wird. Dies führt zu einer erheblichen Zeitersparnis und verbessert die Compliance, indem Risiken schneller und präziser identifiziert werden.