Die Bek\u00e4mpfung von Betr\u00fcgern ist seit langem eine st\u00e4ndige Herausforderung f\u00fcr staatliche Stellen. Es gibt zwar keine genauen Zahlen, aber durch betr\u00fcgerische Aktivit\u00e4ten werden jedes Jahr Milliarden von Steuergeldern aus wichtigen Programmen abgezogen. In der heutigen digital vernetzten, informationsgesteuerten Welt wird der traditionelle Ansatz der Betrugsaufdeckung, der auf r\u00fcckwirkenden Pr\u00fcfungen durch Wirtschaftspr\u00fcfer beruht, immer unwirksamer. Dieses “erst zahlen, dann jagen”-Verfahren ist ressourcenintensiv, schwer zu skalieren und f\u00fchrt nicht dazu, dass ein erheblicher Teil der bekannten und vermuteten betr\u00fcgerischen Transaktionen aufgegriffen wird.<\/p>\n\n
Gl\u00fccklicherweise hat die Vermehrung von Daten zusammen mit den Fortschritten bei den Rechenkapazit\u00e4ten das goldene Zeitalter der k\u00fcnstlichen Intelligenz (KI) eingel\u00e4utet, in dem Algorithmen und Modelle anomale Muster, Verhaltensweisen und Beziehungen aufdecken k\u00f6nnen – und das mit einer Geschwindigkeit, in einem Umfang und in einer Tiefe, wie es noch vor einem Jahrzehnt nicht m\u00f6glich war.<\/p>\n\n
Von der Navigation \u00fcber das Global Positioning System bis hin zur Gesichtserkennung hat die KI alle Bereiche unseres Lebens grundlegend ver\u00e4ndert. Organisationen des \u00f6ffentlichen Sektors nutzen in \u00e4hnlicher Weise leistungsstarke Algorithmen, um rote Fahnen besser zu erkennen und zu beseitigen, bevor sie sich zu bedeutenden Problemen entwickeln.<\/p>\n\n
Wichtig ist, dass KI das professionelle Urteilsverm\u00f6gen erfahrener Pr\u00fcfer bei der Aufdeckung potenziell betr\u00fcgerischer Aktivit\u00e4ten nicht ersetzt. Auch wenn KI gro\u00dfe Datenmengen mit enormer Genauigkeit durchforsten kann, ist die menschliche Intelligenz nach wie vor ein wesentliches Element f\u00fcr die Festlegung kontextspezifischer, angemessener und nuancierter Ma\u00dfnahmen, die sich aus den algorithmischen Ergebnissen ergeben. Diese symbiotische Beziehung bedeutet, dass KI die Arbeit der Obersten Rechnungskontrollbeh\u00f6rden (ORKB) unterst\u00fctzen und die Art und Weise, wie diese Arbeit ausgef\u00fchrt wird, ver\u00e4ndern wird – was unterschiedliche F\u00e4higkeiten erfordert, um die F\u00e4higkeit der KI zur Steigerung von Wirksamkeit und Effizienz zu nutzen.<\/p>\n\n
Das U.S. Government Accountability Office (GAO) ist bestrebt, die Leistungsf\u00e4higkeit von KI zu nutzen, um die staatliche Aufsicht zu verbessern und Betrug zu bek\u00e4mpfen. Das Innovation Lab des GAO, das 2019 als Teil der neuen Abteilung f\u00fcr Wissenschaft, Technologiebewertung und Analytik der Beh\u00f6rde eingerichtet wurde, treibt die Erprobung von KI in verschiedenen Anwendungsf\u00e4llen der Rechnungspr\u00fcfung voran (siehe Tabelle 1 “KI-F\u00e4higkeiten und laufende Arbeiten des GAO”).<\/p>\n\n Sobald Fortschritte erzielt werden, m\u00f6chte das GAO Erfolgsgeschichten und Erfahrungen mit den ORKB und der breiteren Rechenschaftspflichtgemeinschaft teilen. Gleichzeitig befindet sich das Innovation Lab in Zusammenarbeit mit allen relevanten Akteuren in einem fr\u00fchen Stadium der Entwicklung eines KI-Aufsichtsrahmens, der die Entwicklung von KI-L\u00f6sungen unter Einhaltung \u00fcbergreifender bew\u00e4hrter Verfahren und Standards f\u00fcr Pr\u00fcfer unterst\u00fctzen soll.<\/p>\n\n Tabelle 1 zeigt auch, wie das Innovation Lab des GAO relevante Analysef\u00e4higkeiten im Zusammenhang mit Betrug entwickelt, die die Grundlage f\u00fcr zuk\u00fcnftige KI-L\u00f6sungen bilden k\u00f6nnten. Jeder Anwendungsfall ist darauf ausgelegt, verborgene Korrelationen, Verhaltensweisen, Beziehungen, Muster und Anomalien, die auf Betrugsrisiken hindeuten k\u00f6nnen, schnell zu erkennen.<\/p>\n\n Bevor die ORKB analytische KI-L\u00f6sungen f\u00fcr die Aufsicht und Betrugsbek\u00e4mpfung einsetzen, k\u00f6nnen sie wichtige rechtliche, gesellschaftliche, ethische und operative \u00dcberlegungen anstellen, die f\u00fcr KI besonders relevant sind. Dar\u00fcber hinaus k\u00f6nnen die ORKBn wertvolle Erkenntnisse aus den Erfahrungen und Erkenntnissen von Organisationen des privaten und \u00f6ffentlichen Sektors gewinnen.<\/p>\n\n WICHTIGE \u00dcBERLEGUNG BEIM EINSATZ VON KI<\/strong><\/p>\n\n KI-Algorithmen verstehen nicht den Unterschied zwischen betr\u00fcgerischen und nicht betr\u00fcgerischen Transaktionen. Stattdessen erkennen diese Algorithmen Anomalien, wie z. B. ungew\u00f6hnliche Transaktionen zwischen Konten. Um diese Anomalien zu analysieren und festzustellen, ob ein m\u00f6glicher Betrug vorliegt, sind nach wie vor menschliche Fachleute erforderlich.<\/p>\n\n Um einer Pr\u00fcfung standzuhalten, k\u00f6nnen Pr\u00fcfungseinrichtungen, die KI-L\u00f6sungen zur Betrugsbek\u00e4mpfung einf\u00fchren wollen, eine Reihe von Leitpunkten ber\u00fccksichtigen, darunter auch, wie KI-L\u00f6sungen aussehen:<\/p>\n\n SCHRITTE ZUR ERFOLGREICHEN EINF\u00dcHRUNG VON KI<\/strong><\/p>\n\n Organisationen des \u00f6ffentlichen und privaten Sektors haben mehrere wichtige Schritte f\u00fcr erfolgreiche Datenanalyseinitiativen, einschlie\u00dflich KI-Ans\u00e4tze, identifiziert:<\/p>\n\n \n Ziele identifizieren und Bem\u00fchungen aufeinander abstimmen<\/strong>\n<\/em>: In der Anfangsphase der Entwicklung eines Analyseprogramms sollte ermittelt werden, wie spezifische Programmziele dazu beitragen k\u00f6nnen, die Bed\u00fcrfnisse der Organisation zu erf\u00fcllen.<\/p>\n\n \n Buy-in einholen<\/strong>\n<\/em>: Die Unterst\u00fctzung der Datenanalyse durch die Organisation und die Einsicht in ihre F\u00e4higkeit, die Zielerreichung zu verbessern, sind von entscheidender Bedeutung. Die Einrichtung einer Abteilung, die f\u00fcr die Entwicklung von Analysef\u00e4higkeiten zust\u00e4ndig ist, ist eine M\u00f6glichkeit, Wissen zu institutionalisieren.<\/p>\n\n \n Aktuelle F\u00e4higkeiten verstehen<\/strong>\n<\/em>: Zun\u00e4chst k\u00f6nnen Unternehmen eine Bestandsaufnahme der vorhandenen Ressourcen durchf\u00fchren, um die F\u00e4higkeiten besser zu verstehen und die verbesserungsbed\u00fcrftigen Bereiche zu priorisieren. Zu den wichtigsten Ressourcen geh\u00f6ren das Fachwissen der Mitarbeiter, Hard- und Software sowie Datenquellen und Eigent\u00fcmer.<\/p>\n\n \n Benutzer und Fachexperten einbeziehen<\/strong>\n<\/em>: Die Einbeziehung der richtigen Fachexperten in Analyseprojekte kann dazu beitragen, die Modellentwicklung zu unterst\u00fctzen und die Zustimmung der sp\u00e4teren Modellnutzer zu erhalten.<\/p>\n\n \n Einfach anfangen, Kapazit\u00e4t schrittweise aufbauen<\/strong>\n<\/em>: Organisationen k\u00f6nnen zun\u00e4chst versuchen, minimal praktikable L\u00f6sungen zu entwickeln, um ihre Ziele zu erreichen. Durch die Ermittlung und Erzielung schneller und fr\u00fchzeitiger Erfolge k\u00f6nnen Unternehmen eine Grundlage f\u00fcr die schrittweise Entwicklung weiterer F\u00e4higkeiten schaffen, um anspruchsvollere KI-L\u00f6sungen zu implementieren.<\/p>\n\n \n \u00dcbergang zum Betrieb<\/strong>\n<\/em>: Sobald ein minimal lebensf\u00e4higes Produkt entwickelt ist, ist die \u00dcberf\u00fchrung in eine Produktionsumgebung entscheidend. Es ist wichtig, Aktualisierungen des KI-Algorithmus zu dokumentieren.<\/p>\n\n ORKB-Leiter k\u00f6nnen bei der Pr\u00fcfung der Einf\u00fchrung von KI mehrere Ressourcen in Betracht ziehen. Das Fraud Risk Framework<\/a> des GAO zeigt f\u00fchrende Praktiken auf, die Programmmanagern bei der Bek\u00e4mpfung von finanziellem und nicht-finanziellem Betrug helfen. Zu diesen f\u00fchrenden Praktiken geh\u00f6ren Schritte zur Nutzung von Datenanalyseaktivit\u00e4ten zur Unterst\u00fctzung der Betrugserkennung, die dazu beitragen k\u00f6nnen, eine Grundlage f\u00fcr anspruchsvollere Analysen, wie z. B. KI, zu schaffen.<\/p>\n\n Die “Highlights eines Forums<\/a>” des GAO:<\/a>Data Analytics to Address Fraud and Improper Payments<\/a>” (Datenanalyse zur Bek\u00e4mpfung von Betrug und unzul\u00e4ssigen Zahlungen<\/a>) enth\u00e4lt Empfehlungen aus dem \u00f6ffentlichen und privaten Sektor zur Einrichtung von Analyseprogrammen. Die Podiumsteilnehmer gaben insbesondere Anregungen zur Einf\u00fchrung und Weiterentwicklung eines Datenanalyseprogramms.<\/p>\n\n Im Jahr 2018 ver\u00f6ffentlichte das GAO die “KI-Technologiebewertung<\/a>“, in der eine Reihe von KI-bezogenen Chancen, Herausforderungen und Bereichen identifiziert wurden, die f\u00fcr die k\u00fcnftige Forschung und politische Entscheidungstr\u00e4ger zu ber\u00fccksichtigen sind.<\/p>\n\n![\"\"](\"http:\/\/intosaijournal.org\/wp-content\/uploads\/2020\/07\/Table-1_AI-Capabilities-and-Ongoing-GAO-Work.jpg\")
<\/a><\/figure>\n\n\n