Mastercard verdoppelt Betrugserkennung mit generativer KI und Graphen

Die Herausforderung

In der hochbrisanten Welt der digitalen Zahlungen stellten sich Card-Testing-Angriffe als kritische Bedrohung für das Mastercard-Ökosystem heraus. Betrüger setzen automatisierte Bots ein, um gestohlene Kartendaten mittels Mikrotransaktionen bei Tausenden von Händlern zu testen und damit Zugang für größere Betrugsschemata zu validieren. Traditionelle regelbasierte und klassische Machine-Learning-Systeme erkannten diese Angriffe häufig erst, nachdem erste Tests Erfolg hatten, was zu jährlichen Verlusten in Milliardenhöhe führte und legitimen Handel störte.[1] Die Subtilität dieser Angriffe – geringwertige, hochfrequente Tests, die normales Verhalten imitieren – überforderte Legacy-Modelle, verstärkt durch den Einsatz von KI durch Betrüger, um Erkennungsmuster zu umgehen.[2]

Als die Transaktionsvolumina nach der Pandemie explodierten, stand Mastercard unter steigendem Druck, von reaktiver zu proaktiver Betrugsprävention überzugehen. Fehlalarme durch überharte Warnungen führten zu abgelehnten legitimen Transaktionen und damit zu Vertrauensverlust bei Kunden, während ausgeklügelte Methoden wie Card-Testing in Echtzeit der Erkennung entgingen. Das Unternehmen benötigte eine Lösung, die kompromittierte Karten präventiv identifizieren kann und dabei riesige Netze miteinander verbundener Transaktionen analysiert, ohne Geschwindigkeit oder Genauigkeit zu opfern.[3]

Quantitative Ergebnisse

• <strong>2x schnellere</strong> Erkennung potenziell kompromittierter Karten
• Bis zu <strong>300%</strong> Steigerung der Effektivität der Betrugserkennung
• <strong>Verdopplung</strong> der Rate proaktiver Benachrichtigungen über kompromittierte Karten
• Deutliche Reduktion betrügerischer Transaktionen nach Erkennung
• Minimierung falsch abgelehnter legitimer Transaktionen
• <strong>Echtzeit</strong>-Verarbeitung von Milliarden von Transaktionen

Implementierungsdetails

Technologie-Stack und Architektur

Mastercards Lösung zentriert sich auf die proprietäre Decision Intelligence (DI)-Plattform, erweitert durch generative KI-Modelle ähnlich GPT-Architekturen und graphbasiertes Machine Learning. Die gen-KI-Komponente erzeugt synthetische Daten zur Ergänzung spärlicher Betrugssignale und ermöglicht so ein schnelleres Training von Erkennungsmodellen für seltene Ereignisse wie Card-Testing-Angriffe. Graph-ML, angetrieben von Technologien wie Neo4j oder proprietären Graphdatenbanken, modelliert Transaktionen als dynamische Graphen, in denen Knoten Karten, Konten, Händler, Geräte und IPs repräsentieren, und Kanten Beziehungen sowie Geschwindigkeiten erfassen.[1][2]

Diese Architektur verarbeitet täglich Milliarden von Transaktionen, verwendet Embeddings, um Graphmerkmale zu vektorisieren und sie in transformerbasierte generative KI für prädiktive Scoring-Modelle einzuspeisen. Risikoscores werden in Millisekunden berechnet und markieren Karten mit erhöhter Kompromittierungswahrscheinlichkeit basierend auf propagierten Signalen aus Testclustern.

Implementierungszeitplan und Vorgehen

Die Entwicklung begann Anfang 2024 in Mastercards AI Garage, wobei das grundlegende gen-KI-Modell im Februar 2024 angekündigt wurde und bis zu 300% Erkennungssteigerung versprach. Bis Mai 2024 wurde das komplette gen-KI + Graph-System kommerziell eingeführt und verdoppelte die Erkennungsgeschwindigkeit kompromittierter Karten. Der Rollout erfolgte in phasenweisen Pilotprojekten mit ausstellenden Banken und der Integration über APIs in bestehende Autorisierungsabläufe.[3] Das Training nutzte föderiertes Lernen über Mastercards Netzwerk zur Wahrung der Privatsphäre, mit kontinuierlichem Retraining gegen sich entwickelnde Angriffsvektoren.

Der Ansatz überwand Datensilos, indem isolierte Signale in einem einheitlichen Graphen zusammengeführt wurden, wobei gen-KI zur Imputation fehlender Daten eingesetzt wurde. Skalierbarkeit wurde durch cloudnative Bereitstellung bei Hyperscalern sichergestellt, um Spitzenlasten während hochbeträchtiger Fraud-Perioden wie Feiertagen zu bewältigen.

Herausforderungen und Lösungen

Eine zentrale Herausforderung war das Klassen-Ungleichgewicht in Betrugsdaten – Betrug macht <0.1% der Transaktionen aus – das durch synthetisches Oversampling mittels generativer KI adressiert wurde, wodurch die Recall-Raten verbessert wurden, ohne die False-Positive-Rate aufzublähen. Die Komplexität der Graphen drohte zu Rechenengpässen zu führen, was durch effiziente Graph-Neural-Networks (GNNs) wie GraphSAGE für skalierbare Inferenz gemindert wurde.[2] Regulatorische Anforderungen (z. B. DSGVO, PCI-DSS) wurden durch erklärbare KI-Techniken gelöst, die Prüfpfade für Graphdurchläufe und KI-Entscheidungen bereitstellen.

Integrationshürden mit heterogenen Emittentensystemen wurden über standardisierte APIs und Sandbox-Tests gelöst, wodurch eine Verfügbarkeit von 99,9% erreicht wurde. Die Anpassung der Betrüger wurde durch Online-Learning kontert, sodass Modelle in Stunden statt Wochen aktualisiert werden konnten.

Bereitstellung und Skalierung

Nach dem Start skalierte das System global und deckte über 3 Milliarden Karten ab. Verbesserungen im Jahr 2025 integrierten Verhaltensbiometrie und Velocity-Checks, gemäß aktuellen Berichten. Laufendes Monitoring via A/B-Tests bestätigt die 2x Geschwindigkeitsgewinne und den ROI durch reduzierte Betrugsverluste.[4] Zukünftige Iterationen prüfen agentische KI für autonome Gegenmaßnahmen.

Auswirkung auf das Ökosystem

Emittenten berichten von weniger Rückbelastungen (Chargebacks), Händler verzeichnen reduzierte Testaktivitäten, und Konsumenten erleben nahtlosere Zahlungen. Damit positioniert sich Mastercard als Vorreiter in der KI-gestützten Zahlungssicherheit.[5]