Modul 1: Grundlagen der KI-gestützten Betrugserkennung
Evolution der Betrugsszenarien: Grenzen regelbasierter Erkennungssysteme und der Paradigmenwechsel hin zu verhaltensbasierter Analyse, vermittelt über interaktive Online-Dashboards.
Machine Learning & Deep Learning Basics: Supervised vs. Unsupervised Learning im Kontext von Fraud Detection, veranschaulicht durch browserbasierte KI-Modellierung.
Datenquellen & Telemetrie im Finanzsektor: Erfassung und Normalisierung von Transaktions-Logs und Nutzerdaten unter ausschließlicher Verwendung kostenfreier Open-Source-Kollektoren.
Feature Engineering für Finanzdaten: Transformation von rohen Transaktionsdaten in maschinenlesbare Vektoren direkt im Browser mittels Python-Notebooks.
Online Hands-on Lab: Aufbau einer kostenfreien Open-Source-Datenpipeline. Nutzung von Google Colab und frei verfügbaren synthetischen Transaktionsdatensätzen zur Datenaufbereitung und Visualisierung mit Open-Source-Bibliotheken wie Matplotlib und Seaborn.
Modul 2: Anomalieerkennung in Finanztransaktionen
Statistische vs. ML-basierte Anomalieerkennung: Baseline-Erstellung und die Herausforderung von False Positives, analysiert anhand von Open-Source-Finanzdaten.
Unsupervised Learning-Algorithmen: Funktionsweise von Isolation Forests und Autoencodern zur Identifikation unbekannter Betrugsmuster, trainiert in kostenfreien Cloud-Umgebungen.
Erkennung von Kreditkartenbetrug: Analyse von ungewöhnlichen Ausgabemustern und geografischen Inkonsistenzen mithilfe frei zugänglicher Machine-Learning-Modelle.
Geldwäscheerkennung (AML): Identifikation von anomaler Kontenkommunikation durch KI-gestützte Graphenanalyse in browserbasierten Jupyter-Notebooks.
Online Hands-on Lab: Implementierung eines Isolation-Forest-Modells in Python (Scikit-learn) via Google Colab. Training des Modells mit kostenfreien synthetischen Transaktionsdaten zur Erkennung von simulierten Betrugsversuchen.
Modul 3: KI-gestützte Identitätsprüfung und KYC
Biometrische Verifikation: KI-gestützte Auswertung von Gesichtserkennungs- und Stimmerkennungsdaten unter Nutzung von Open-Source-Datensätzen.
Erkennung von Deepfakes & synthetischen Identitäten: Identifikation von manipulierten Medien durch Verhaltensmodellierung in kostenfreien Online-Sandbox-Umgebungen.
Integration von ML in KYC-Prozesse: Architektur moderner Identitätsprüfungs-Workflows, demonstriert an quelloffenen Frameworks.
Automatisierte Dokumentenprüfung: KI-gesteuerte Extraktion und Verifikation von Ausweisdaten, simuliert in sicheren, browserbasierten Linux-Containern.
Online Hands-on Lab: Konfiguration von Open-Source-OCR-Tools in einer kostenfreien Cloud-Instanz. Training eines CNN-Klassifikators zur Erkennung von manipulierten Ausweisdokumenten anhand frei verfügbarer Bilddaten.
Modul 4: Verhaltensanalyse und Account Takeover (ATO)
Modellierung von Nutzerverhalten: Erstellung dynamischer Baselines zur Erkennung von Account-Übernahmen mithilfe von Open-Source-Analytics-Tools.
Zeitreihenanalyse & Session-Tracking: Erkennung von Abweichungen in Login-Zeiten und Navigationsmustern durch Python-basierte Datenanalyse im Browser.
Risikoscoring-Modelle für Logins: Entwicklung von dynamischen Schwellenwerten zur Reduzierung von False Positives, programmiert in kostenfreien Jupyter-Umgebungen.
Erkennung von Credential Stuffing: Identifikation von automatisierten Login-Versuchen anhand anonymisierter Open-Source-Logfiles.
Online Hands-on Lab: Analyse von Web-Server-Logs mit kostenfreien Log-Analyse-Tools. Konfiguration von ML-Jobs in einer Open-Source-Elastic-Umgebung zur Aufdeckung anomaler Login-Muster.
Modul 5: Automatisierte Betrugsanalyse mit Deep Learning
Grenzen der klassischen Betrugsanalyse: Komplexe Betrugsringe und die Notwendigkeit KI-gestützter Ansätze, analysiert an sicheren, frei zugänglichen Datensätzen.
Repräsentation von Transaktionsnetzwerken: Extraktion von Graphenstrukturen und Umwandlung von Transaktionen in Knoten und Kanten mittels quelloffener Python-Skripte.
Graph Neural Networks (GNNs): Einsatz von GNNs zur Klassifizierung von betrügerischen Netzwerken, trainiert auf kostenfreien GPU-Instanzen (z.B. Colab).
Dynamische Analyse & Verhaltens-Clustering: KI-gestützte Auswertung von Betrugsberichten aus öffentlichen Datenbanken.
Online Hands-on Lab: Nutzung einer cloudbasierten, kostenfreien Graph-Datenbank-Instanz. Training eines PyTorch-basierten GNN-Modells im Browser zur Klassifizierung von Betrugsringen anhand von netzwerkbasierten Transaktionsrepräsentationen.
Modul 6: Natural Language Processing (NLP) in der Betrugserkennung
Automatisierte Textanalyse: Herausforderungen bei der Auswertung unstrukturierter Texte aus frei zugänglichen Kundenkommunikationen und Phishing-E-Mails.
Named Entity Recognition (NER) für Betrugsdaten: Training von NLP-Modellen zur Extraktion betrugsspezifischer Entitäten unter Nutzung quelloffener Sprachmodelle.
Sentiment-Analyse & Intent-Erkennung: Überwachung von Kommunikationskanälen zur proaktiven Erkennung von Social-Engineering-Angriffen.
Automatisierte Phishing-Erkennung: Generierung von Features aus E-Mail-Texten zur Einspeisung in kostenfreie Klassifikationsmodelle.
Online Hands-on Lab: Entwicklung eines NLP-Skripts mit kostenfreien Hugging Face Transformers im Browser. Automatisierte Auswertung öffentlicher Phishing-Datensätze und Klassifikation der E-Mails in einer cloudbasierten Jupyter-Umgebung.
Modul 7: Adversarial Machine Learning in der Betrugserkennung
Schwachstellen von KI-Betrugserkennungsmodellen: Verständnis der Angriffsvektoren auf ML-Systeme (Evasion, Poisoning), simuliert in sicheren Online-Umgebungen.
Evasion Attacks auf Transaktionsfilter: Techniken zur Umgehung von ML-basierten Erkennungssystemen, demonstriert an Open-Source-Modellen.
Data Poisoning in Finanzdaten: Manipulation von Trainingsdaten zur Erzeugung von blinden Flecken, analysiert in isolierten, browserbasierten Containern.
Härtung von Erkennungsmodellen: Strategien zur Erhöhung der Robustheit durch Adversarial Training mit quelloffenen Frameworks.
Online Hands-on Lab: Durchführung eines Evasion-Angriffs auf ein Betrugserkennungsmodell unter Verwendung der kostenfreien, quelloffenen Adversarial Robustness Toolbox (ART) direkt im Browser. Anschließende Härtung des Modells.
Modul 8: Integration und Alert Triage mit KI
Orchestrierung von KI-Modellen: Integration von trainierten ML-Modellen in Open-Source Fraud Operations Center Architekturen.
KI-gestützte Alert Triage: Automatisierte Priorisierung von Betrugswarnungen zur Entlastung von Analysten, umgesetzt mit kostenfreien SOAR-Tools.
Automatisierte Response-Aktionen: Entwicklung von Playbooks, die basierend auf KI-Konfidenzwerten autonome Entscheidungen treffen (z.B. Kontosperrung), konfiguriert in Open-Source-Plattformen.
Continuous Learning im Fraud Center: Feedback-Schleifen zur kontinuierlichen Verbesserung der KI-Modelle, simuliert in einer cloudbasierten Übungsumgebung.
Online Hands-on Lab: Integration der entwickelten ML-Modelle in die kostenfreie Open-Source-Plattform TheHive und Shuffle SOAR. Erstellung eines automatisierten Playbooks im Browser zur Reaktion auf KI-generierte Betrugsalerts.