Human-Centered LLM-Agent System for Detecting Anomalous Digital Asset Transactions

Das Paper stellt HCLA vor, ein menschenzentriertes Multi-Agenten-System, das durch die Trennung von Evidenzbewertung und expertenähnlicher Begründung die Interpretierbarkeit und Rechenschaftspflicht bei der Erkennung anomaler Transaktionen digitaler Vermögenswerte verbessert, indem es algorithmische Befunde mit regulatorischen Urteilen in Einklang bringt.

Das Wesentliche

Stellen Sie sich vor, Sie haben einen riesigen, chaotischen Schatzkeller voller digitaler Münzen (Kryptowährungen). In diesem Keller passieren jeden Sekunde Millionen von Transaktionen. Die meisten sind harmlos, aber einige sind verdächtig – wie ein Dieb, der versucht, seine Spur zu verwischen, indem er seine Münzen durch viele verschiedene Tunnel schickt.

Das Problem bisher: Um diese Diebe zu finden, brauchten Sie einen hochspezialisierten Detektiv mit einem Computer, der nur Zahlen und Code versteht. Wenn Sie ihn fragten: „Ist das hier verdächtig?", zeigte er Ihnen nur eine Zahl wie „0,84" und sagte nichts weiter. Für einen normalen Menschen war das wie ein Rätsel ohne Lösung.

HCLA ist wie ein neuer, freundlicher Detektiv mit einem Dolmetscher.

Hier ist, wie das System funktioniert, einfach erklärt:

1. Die drei Freunde im Team (Die Agenten)

Statt eines einzelnen, komplizierten Roboters hat das HCLA-System drei Spezialisten, die zusammenarbeiten, genau wie ein gutes Team in einer Detektiv-Agentur:

• Der Übersetzer (Parsing-Agent):
  • Die Analogie: Stellen Sie sich vor, Sie sprechen mit einem Freund auf Deutsch, aber der Computer versteht nur eine strenge, mathemische Sprache. Der Übersetzer nimmt Ihre lockere Frage („Schau mal, was in meiner Brieftasche letzte Woche passiert ist!") und wandelt sie sofort in eine präzise Liste von Fakten um (Datum, Betrag, Adresse). Er sorgt dafür, dass der Computer genau weiß, wonach er suchen soll.
• Der Ermittler (Detection-Agent):
  • Die Analogie: Das ist der eigentliche Detektiv, der extrem schnell rechnet. Er schaut sich die Daten an, die der Übersetzer geliefert hat. Er nutzt einen bewährten Algorithmus (XGBoost), um zu prüfen: „Passen diese Zahlen zu einem normalen Verhalten oder ist hier etwas faul?" Er berechnet eine Wahrscheinlichkeit, dass etwas verdächtig ist.
• Der Erklärer (Explanation-Agent):
  • Die Analogie: Das ist der wichtigste Teil für uns Menschen. Der Ermittler sagt nur: „Verdächtig!" Der Erklärer nimmt diese trockene Feststellung und schreibt eine Geschichte dazu. Er sagt: „Ich habe diese Transaktion als verdächtig markiert, weil jemand um 3 Uhr nachts große Summen an eine unbekannte Adresse geschickt hat, die normalerweise nicht so aktiv ist." Er macht die Zahlen für jeden verständlich.

2. Das Gespräch statt der Befehle

Früher mussten Sie als Nutzer komplizierte Filter programmieren oder Tabellen studieren. Mit HCLA können Sie einfach reden.

• Sie fragen: „Warum ist diese Transaktion riskant?"
• Das System antwortet: „Weil die Summe ungewöhnlich hoch ist und der Empfänger in einer Liste von verdächtigen Adressen steht."
• Sie können nachhaken: „Okay, aber was ist mit den Transaktionen davor?"
• Das System passt sich an: Es merkt sich den Kontext und gibt Ihnen eine neue, maßgeschneiderte Antwort.

Es ist wie ein Gespräch mit einem sehr klugen Assistenten, der nicht nur die Daten kennt, sondern auch versteht, warum Sie etwas wissen wollen.

3. Warum ist das so wichtig? (Vertrauen und Transparenz)

Stellen Sie sich vor, Sie gehen zum Arzt.

• Das alte System: Der Arzt sagt: „Ihre Blutwerte sind 0,9159. Sie sind krank." (Keine Erklärung, nur eine Zahl).
• Das HCLA-System: Der Arzt sagt: „Ihre Werte deuten auf eine Infektion hin, weil Ihr Fieber hoch ist und Sie Husten. Hier ist der genaue Grund."

In der Welt der Kryptowährungen ist Vertrauen alles. Wenn ein System sagt, eine Transaktion sei verdächtig, müssen die Leute verstehen, warum. HCLA baut dieses Vertrauen auf, indem es den „Black Box"-Effekt (das undurchsichtige Innere des Computers) aufbricht. Jeder Schritt – vom Verständnis Ihrer Frage bis zur Erklärung des Ergebnisses – ist sichtbar und nachvollziehbar.

4. Was hat die Studie gezeigt?

Die Forscher haben das System mit einer Gruppe von Experten getestet. Sie haben zwei Szenarien verglichen:

1. Nur eine Tabelle mit Zahlen (das alte System).
2. Eine klare, erzählerische Erklärung (HCLA).

Das Ergebnis: Die Leute verstanden das HCLA-System viel besser, hatten mehr Vertrauen in die Ergebnisse und fühlten sich sicherer bei ihren Entscheidungen. Sie konnten die „verdächtigen" Transaktionen nicht nur sehen, sondern auch verstehen.

Zusammenfassung

HCLA ist wie ein Brückenbauer. Es verbindet die komplexe, schnelle Welt der KI und der Krypto-Daten mit der menschlichen Fähigkeit, Fragen zu stellen und Geschichten zu verstehen. Es macht die digitale Forensik nicht nur für Computer-Experten zugänglich, sondern für jeden, der wissen möchte, ob seine digitalen Münzen sicher sind.

Es verwandelt das Rätseln mit Zahlen in ein klärendes Gespräch.

Technische Zusammenfassung

1. Problemstellung

Dezentrale Finanzökosysteme (DeFi) stellen die Risikoverfolgung vor erhebliche Herausforderungen. Tools wie Mixer und Privatsphäre-Enhancer verschleiern die Herkunft von Transaktionen. Bestehende Detektoren für Anomalien sind oft „Black-Box"-Systeme, die hohe Fachkenntnisse voraussetzen und keine interaktive Überprüfung oder Nachvollziehbarkeit bieten. Nutzer benötigen eine Schnittstelle, die es ihnen erlaubt, Fragen zu stellen, Daten zu untersuchen und die Begründungen für Warnungen zu verstehen, ohne komplexe Pipelines beherrschen zu müssen.

2. Methodik: Das HCLA-Framework

Das vorgestellte System HCLA (Human-Centered LLM-Agent) ist ein Multi-Agenten-System, das Anomalieerkennung als konversationellen Workflow zwischen menschlichen Nutzern und KI-Agenten operationalisiert. Die Architektur ist in drei klar getrennte Module unterteilt, die über eine zentrale Steuerung (implementiert mit Gradio) kommunizieren:

• Parsing-Agent (LLM-A):

  • Funktion: Wandelt natürliche Spracheingaben des Nutzers (z. B. „Analysiere Transaktionen meiner Wallet der letzten Woche") in ein strukturiertes JSON-Schema um.
  • Technik: Nutzt Prompt-Engineering (z. B. ChatGPT), um Entitäten (Wallet-Adressen, Zeitfenster, Beträge) zu extrahieren und linguistische Ausdrücke in numerische Merkmale zu übersetzen.
  • Vorteil: Beseitigt die Notwendigkeit manueller Schema-Erstellung oder Code-Kenntnisse.

• Detection-Agent (XGBoost-Baseline):

  • Funktion: Berechnet Anomaliewahrscheinlichkeiten basierend auf den strukturierten Eingaben.
  • Technik: Ein klassischer XGBoost-Modell, der mit zeitlichen, transaktionalen und Graph-Konnektivitätsmerkmalen trainiert wurde. Das System ist modular aufgebaut, sodass andere Modelle (z. B. GNNs) ausgetauscht werden können, ohne die Orchestrierungsebene zu ändern.
  • Datenbasis: Ein gelabelter Bitcoin-Mixing-Datensatz von Wasabi Wallet (2020–2024) mit ca. 318.000 normalen und 69.000 anomalen Transaktionen.

• Explanation-Agent (LLM-B):

  • Funktion: Übersetzt die numerischen Anomalie-Scores und Merkmale in kontextbewusste, verständliche Narrative.
  • Technik: Nutzt ein weiteres LLM (z. B. Gemini), um Begründungen zu generieren (z. B. „Hohe Anomalie aufgrund wiederholter Hochwert-Transfers zu nicht verifizierten Gegenparteien außerhalb der Spitzenzeiten").
  • Interaktion: Unterstützt iterative Nachfragen („Warum ist dies hochriskant?") und schließt den Feedback-Loop.

Workflow: Der Nutzer stellt eine Frage → Parsing-Agent erstellt JSON → Detection-Agent berechnet Scores → Explanation-Agent generiert Text → Nutzer kann den Prozess verfeinern (Filtern, Gruppieren).

3. Wichtige Beiträge

• Modularer, konversationeller Workflow: Kopplung von natürlichen Sprachabsichten mit strukturierter Anomalie-Analytik durch eine Trennung der Zuständigkeiten (Parsing/Detection/Explanation).
• Interpretierbarkeit ohne Performanceverlust: Nachweis, dass interaktive, für Menschen lesbare Begründungen die Zugänglichkeit und das Vertrauen erhöhen, ohne die Genauigkeit des Detektors zu beeinträchtigen.
• Human-in-the-Loop-Design: Transformation der Anomalieerkennung von einer statischen Klassifizierungsaufgabe in einen interaktiven Denkprozess, der Transparenz und Nachvollziehbarkeit (Auditability) gewährleistet.
• Architektur für Finanzforensik: Ein Ansatz, der Nicht-Experten ermöglicht, komplexe Finanzdaten zu untersuchen, ohne technische Hürden.

4. Ergebnisse

• Modellleistung: Der Baseline-Detektor (XGBoost) erreichte auf dem Testdatensatz (2023–2024) eine Genauigkeit (Accuracy) von 0,9159, einen Precision-Wert von 0,9317, einen Recall von 0,9159 und einen F1-Score von 0,9209. Die durchschnittliche Latenz pro Abfrage liegt unter 2 ms (für den Detektor), wobei die LLM-Verarbeitung zusätzliche Zeit benötigt.
• Benutzerstudie (Simuliert): Eine Studie mit 32 „Micro-Experts" (Experten für KI und digitale Assets) verglich die HCLA-Erklärungen mit reinen numerischen Dashboards (XGBoost).
  • Ergebnis: HCLA-Erklärungen wurden in Bezug auf Vertrauen und Klarheit signifikant höher bewertet (p < .001).
  • Die narrativen Erklärungen führten zu einem besseren Verständnis der Anomalien und erhöhten das Vertrauen in die Systementscheidungen im Vergleich zu reinen Zahlen.
• Qualitative Bewertung: Die Erklärungen wurden als konsistent, klar und zufriedenstellend empfunden (Cronbachs α > 0,80 für alle Konstrukte).

5. Bedeutung und Ausblick

Das Paper zeigt, dass die Integration von Large Language Models (LLMs) in traditionelle Machine-Learning-Pipelines die Barriere für die Nutzung von KI in der Finanzforensik senken kann. HCLA adressiert das „Interpretierbarkeits-Problem" (Black-Box-Problem) durch eine transparente, mehrstufige Architektur.

Herausforderungen und Zukunftsperspektiven:

• Latenz: Der Einsatz von LLMs führt zu einer gewissen Verzögerung, was Echtzeit-Monitoring bei Hochfrequenz-Transaktionen erschwert.
• Domänenanpassung: Generische LLMs können bei spezifischer Blockchain-Terminologie inkonsistent sein; eine Feinabstimmung (Fine-Tuning) mit finanzspezifischen Korpora ist geplant.
• Skalierbarkeit: Die Erweiterung auf kontinuierliche Blockchain-Streams erfordert asynchrone Orchestrierung und Caching-Mechanismen.

Zusammenfassend stellt HCLA einen skalierbaren Weg dar, um Anomalieerkennung in komplexen Finanzökosystemen erklärbar, adaptiv und nutzerzentriert zu gestalten, und schließt die Lücke zwischen algorithmischer Intelligenz und menschlicher Sinnbildung (Sensemaking).