Keyfacts:

• Durch die zunehmende Menge an unstrukturierten Textdaten wird der Einsatz von Natural Language Processing (NLP) im Know-your-Customer-Prozess (KYC) immer wichtiger.
• Schon heute gibt es für die NLP-Technologie vielfältige Einsatzmöglichkeiten im KYC-Prozess.
• NLP bietet die Chance, den KYC-Prozess für Banken und Kunden deutlich zu beschleunigen und zu vereinfachen.

Ob in Kundenservice und Vertrieb, in der Sorgfaltsprüfung (Due Diligence) bei Transaktionen oder in der Jahresabschlussprüfung: Künstliche Intelligenz (KI) hat bereits vielfach Eingang in die Finanzwelt und den Bankensektor gefunden. Richtig eingesetzt, kann sie maßgeblich dazu beitragen, Prozesse schneller, genauer und effizienter zu gestalten – so auch im „Know-your -Customer“-Prozess (KYC).

Hier kann KI, insbesondere das „Natural Language Processing“ (NLP), Prozesse automatisieren und so die Effizienz und Genauigkeit in der Datenverarbeitung deutlich steigern. Das ist besonders wichtig, da die Menge an unstrukturierten Textdaten stetig zunimmt.

Was bringt NLP im KYC-Prozess?

NLP steht für Natural Language Processing (auf Deutsch „Natürliche Sprachverarbeitung“). Es ist ein Teilgebiet der künstlichen Intelligenz, welches sich mit der Interaktion zwischen Computern und menschlicher Sprache befasst.

Das Ziel von NLP ist es, Computern die Fähigkeit zu verleihen, menschliche Sprache zu verstehen, zu interpretieren und zu generieren, um sie für bestimmte Zwecke wie Textanalyse, maschinelle Übersetzung oder Sprachsteuerung nutzbar zu machen.

Ergänzende Analyseverfahren im KYC-Prozess

Zur erfolgreichen Anwendung der NLP-Technologie kommen im automatisierten KYC-Prozess verschiedene gängige Analyseverfahren zum Einsatz. Dazu zählen:

• Named Entity Recognition (NER): NER identifiziert bestimmte im Text genannte Entitäten (Personen, Orte, Organisationen), indem diese automatisch aus dem Text extrahiert und in vordefinierte Kategorien eingeordnet werden.
  s
• Text Classification und Clustering: Text Classification ordnet ganze Texte vordefinierten Kategorien zu. Anschließend werden Texte mit ähnlichen Inhalten aufgrund ihrer Merkmale und Eigenschaften gruppiert (Clustering).
  s
• Relationship Extraction: Bei der Relationship Extraction werden die semantischen Beziehungen zwischen den im Text erwähnten Entitäten identifiziert und klassifiziert. Dieser Prozess beinhaltet typischerweise die Analyse der syntaktischen Struktur (Satzbau und Satzteile) und der sprachlichen Muster um die Entitäten herum. Das dient dazu, die Art ihrer Beziehung zu bestimmen, zum Beispiel „arbeitet für“, „ist verheiratet mit“ oder „befindet sich in“.
  s
• Sentiment Analysis: Die Sentimentanalyse umfasst das automatisierte Identifizieren und Klassifizieren von Meinungen und Emotionen in Textdaten – von positiven über negative bis hin zu neutralen Stimmungen.