Struktur des Kurses
Grundlagen und Datenvorbereitung
Verständnis typischer Betrugsmuster, Feature Engineering für Transaktionsdaten, Umgang mit fehlenden Werten und Datenqualität, Anonymisierung und Datenschutzaspekte
Modellierung und Training
- Supervised Learning mit gelabelten Betrugsfällen
- Semi-supervised Learning für neue Betrugsmuster
- Cost-sensitive Learning zur Gewichtung von Fehlklassifikationen
- Ensemble-Methoden für robuste Vorhersagen
Deployment und Betrieb
- Echtzeit-Scoring-Infrastruktur aufbauen, A/B-Testing neuer Modellversionen, Feedback-Mechanismen implementieren, Auswirkungen auf Kundenerfahrung minimieren
- Praxisnahe Übungen mit anonymisierten Transaktionsdaten aus verschiedenen Branchen
Finanzbetrüger passen ihre Methoden ständig an, weshalb regelbasierte Systeme schnell veralten. Machine-Learning-Modelle können neue Betrugsmuster selbstständig erkennen, benötigen aber sorgfältige Gestaltung, um nicht legitime Kunden zu blockieren.
Sie lernen verschiedene Ansätze kennen: Von Anomalieerkennung mit Isolation Forests über Graph-Netzwerke zur Identifikation verdächtiger Transaktionsketten bis hin zu neuronalen Netzen, die Verhaltensmuster analysieren. Der Kurs zeigt, wie Sie mit stark unbalancierten Datensätzen umgehen, bei denen betrügerische Fälle nur einen winzigen Bruchteil ausmachen. Sie entwickeln Strategien für Active Learning, bei dem das System gezielt nach Fällen fragt, bei denen es unsicher ist.
Die Implementierung umfasst auch das Human-in-the-Loop-Konzept: Verdächtige Fälle werden zunächst markiert und von Analysten überprüft, deren Entscheidungen wiederum das Modell verbessern. Sie erstellen außerdem Workflows für schnelle Reaktionen, wenn Betrug bestätigt wird, und entwickeln Reporting-Systeme, die Trends in Betrugsmethoden sichtbar machen.