Beschreibung
Modul 01: Wie Betrüger heute vorgehen – und warum klassische Methoden versagen
- Betrug bei Online-Überweisungen und Kreditkartenmissbrauch erkennen (Regelbasierte Systeme vs. ML)
- Phishing- und Social-Engineering-Angriffe verstehen (Verhaltensmusteranalyse)
- Herausforderungen im Kampf gegen gut getarnte Betrugsversuche (Blacklists, Anomalieerkennung)
Modul 02: Intelligente Systeme im Einsatz – Was KI im Banking heute schon leistet
- Verdächtige Transaktionen in Echtzeit stoppen (Random Forest, Decision Trees)
- Kontoaktivitäten automatisch analysieren (Unsupervised Learning, Clustering)
- Typische Nutzerprofile erkennen und Abweichungen melden (Autoencoder, k-Means)
Modul 03: Daten, die Alarm schlagen – welche Informationen wirklich zählen
- Aus welchen Daten „Betrug“ abgeleitet wird (Transaktionsdaten, Geodaten, Login-Verhalten)
- Ungleichgewicht bei echten vs. betrügerischen Fällen ausgleichen (SMOTE, Resampling)
- Datenschutz beachten und trotzdem effektiv analysieren (Differential Privacy, Tokenisierung)
Modul 04: So entsteht ein digitales Frühwarnsystem
- Betrugsmerkmale herausarbeiten (Feature Engineering mit Python)
- KI-Modelle trainieren und testen (scikit-learn, XGBoost)
- Qualität messbar machen – wann ein Modell wirklich gut ist (Precision, ROC, F1-Score)
Modul 05: Anwendungsbeispiele
- Geldwäsche-Erkennung mit neuronalen Netzen (Deep Learning)
- Kundenidentität prüfen durch Geräteverhalten (Behavioral Biometrics)
- Chat-Betrug in Echtzeit erkennen (Natural Language Processing)
Modul 06: Grenzen der Technik – und wie man sie überwindet
- Was tun, wenn das Modell den Falschen verdächtigt? (Explainable AI)
- Betrüger trainieren mit – wie man Manipulation verhindert (Adversarial Attacks, Robustheit)
- Zukunftsausblick: KI als Ko-Pilot für Compliance & Sicherheit