Lassen Sie uns gemeinsam die richtigen KI-Lösungen für Ihr Unternehmen identifizieren und implementieren.
Revolut sah sich einem zunehmenden Authorized Push Payment (APP)-Betrug gegenüber, bei dem Betrüger Kunden psychologisch manipulieren, damit diese Überweisungen an betrügerische Konten autorisieren – oft unter dem Vorwand von Anlageangeboten.[1] Traditionelle regelbasierte Systeme kamen gegen ausgefeilte Social-Engineering-Taktiken kaum an, was trotz Revoluts schnellem Wachstum auf über 35 Millionen Kunden weltweit zu erheblichen finanziellen Verlusten führte.[2]
Der Anstieg digitaler Zahlungen verstärkte Verwundbarkeiten, da Betrüger Echtzeit-Überweisungen ausnutzten, die herkömmliche Kontrollen umgingen. APP-Betrügereien entzogen sich der Erkennung, indem sie legitimes Verhalten nachahmten, was weltweit zu jährlichen Milliardenverlusten führte und das Vertrauen in Fintech-Plattformen wie Revolut untergrub.[3] Es bestand dringender Bedarf an intelligenter, adaptiver Anomalieerkennung, die eingreift, bevor Gelder freigegeben werden.
Revolut führte eine KI-gestützte Betrugsabwehrfunktion ein, die maschinelles Lernen zur Anomalieerkennung verwendet, um Transaktionen und Nutzerverhalten in Echtzeit zu überwachen. Das System analysiert Muster, die auf Betrug hindeuten – etwa ungewöhnliche Zahlungsaufforderungen im Zusammenhang mit Anlageködern – und greift ein, indem es Nutzer warnt oder verdächtige Aktionen blockiert.[1]
Durch den Einsatz von überwachten und unüberwachten ML-Algorithmen erkennt es Abweichungen vom normalen Verhalten in risikoreichen Momenten und "bricht den Zauber" der Betrüger, bevor eine Autorisierung erfolgt.[4] In die App integriert, verarbeitet es große Mengen an Transaktionsdaten für proaktive Betrugsprävention, ohne legitime Zahlungsflüsse zu stören.[5]
Buchen Sie eine kostenlose Beratung, um zu erfahren, wie KI Ihre spezifischen Herausforderungen lösen kann.
Die Lösung von Revolut basiert auf einem maschinellen Lernsystem zur Anomalieerkennung, das speziell für Authorized Push Payment (APP)-Betrug entwickelt wurde. Im Kern kommen fortschrittliche KI-Algorithmen zum Einsatz, die Transaktionsmetadaten, Muster der Nutzerinteraktion und kontextuelle Signale in Echtzeit analysieren. Dabei wird überwachtes Lernen für bekannte Betrugsmuster und unüberwachtes Lernen für neuartige Anomalien kombiniert; das Modell verarbeitet Millionen täglicher Transaktionen.[1] Die Entwicklung umfasste das Training an historischen Betrugsdaten und die Integration von Merkmalen wie Zahlungsbetrag-Tempo, Empfängerabweichungen und Verhaltensbiometrie.
Die Implementierung beinhaltet eine robuste Datenpipeline, die Live-Streams aus App-Interaktionen, Zahlungs-APIs und externer Bedrohungsintelligenz einspeist. ML-Modelle laufen in der Cloud mit Sub-Sekunden-Latenz und ermöglichen Echtzeit-Risikoscores. Während des Rollouts im Februar 2024 konzentrierten sich die ersten Tests auf Hochrisikokategorien wie Anlagebetrug, bei dem Nutzer zu kartengestützten Zahlungen gedrängt werden.[2] Edge-Computing sorgt für nahtlose Integration ohne Verlangsamungen der App und skaliert zur Unterstützung der 35 Millionen Nutzerbasis von Revolut.
Bei Erkennung von Anomalien – etwa inszenierter Dringlichkeit bei Zahlungen – löst das System proaktive Interventionen aus: Pop-up-Warnungen, temporäre Sperren oder zweistufige Verifizierungen, maßgeschneidert nach Betrugstyp. Bei APP-Betrug unterbricht es gezielt den „Zauber“ der Betrüger, indem es Nutzer zur Neubewertung auffordert und so höhere Recall-Raten erzielt.[3] A/B-Tests verfeinerten die Schwellenwerte und hielten False-Positive-Raten durch kontinuierliches Nachtrainieren mit gelabeltem Feedback unter 1 %.
Nach intensiven Pilotphasen wurde das System im Februar 2024 eingeführt. Herausforderungen wie sich weiterentwickelnde Betrugsmethoden wurden durch federated learning für datenschutzfreundliche Updates angegangen. Anfangsprobleme umfassten Datensilos und regulatorische Anforderungen (z. B. PSD2), die durch Partnerschaften mit Compliance-Experten und Anonymisierung der Datensätze gelöst wurden.[4] Nach dem Launch flossen iterative Verbesserungen und Nutzerfeedback ein, sodass die Abdeckung über Kartenzahlungen hinaus ausgeweitet werden konnte.
Ein fortlaufendes Modell-Monitoring nutzt Dashboards zur Überwachung von Precision-, Recall- und Loss-Kennzahlen. Die Skalierbarkeit unterstützt das Wachstum bei Instant Payments, mit Prognosen für eine Betrugsreduzierung von über 50 %, wenn die Nutzung zunimmt. Bis Mitte 2025 steigerten Integrationen mit Gerätesignalen die Genauigkeit weiter.[5] Diese End-to-End-Implementierung demonstriert den Wandel der Fintech-Branche hin zu KI-gesteuerten Abwehrmechanismen gegen APP-Bedrohungen.
Entdecken Sie, wie wir Ihnen bei der Implementierung ähnlicher Lösungen helfen können.
Founder & Partner
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Telefon