🤖 AI

An AI Security Agent for Banking: Multi-Vector Fraud and AML Detection Across Retail and Corporate Accounts

Dit artikel presenteert een multi-vector AI-beveiligingsagent voor de banksector die transactie- en sessiestromen combineert met behulp van een hybride architectuur van LSTM-sequentiële modellen, statistische monitors en grafische netwerken om gelijktijdig op handtekeningen gebaseerde fraude en gedragsgerelateerde financiële criminaliteit te detecteren, waarbij significant hogere F1-scores worden behaald dan bij regelgebaseerde of enkelvoudige model-baselines, terwijl tegelijkertijd een lage-latentie geautomatiseerde respons en ondersteuning voor analisten worden geboden.

Oorspronkelijke auteurs: Joseph Walusimbi, Joshua Benjamin Ssentongo

Gepubliceerd 2026-06-17

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Joseph Walusimbi, Joshua Benjamin Ssentongo

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een bank voor als een enorme, bruisende stad. Elke dag bewegen miljoenen mensen (accounts) geld rond, loggen in en doen aankopen. Normaal gesproken is dit prima. Maar soms proberen criminelen binnen te sluipen, identiteiten te stelen of zwart geld wit te wassen.

Dit artikel introduceert een nieuwe "AI Beveiligingsbewaker" die ontworpen is om zowel gewone mensen (retail) als grote bedrijven (corporate) in deze stad te beschermen. De auteurs, Joseph Walusimbi en Joshua Benjamin Ssentongo van Soroti University in Oeganda, hebben deze bewaker gebouwd omdat de oude manieren om criminelen te vangen niet meer goed genoeg werken.

Hieronder wordt uitgelegd hoe het artikel het probleem en hun oplossing verklaart, met behulp van eenvoudige analogieën:

1. Het Probleem: Twee Verschillende Soorten Criminelen

Het artikel stelt dat banken te maken hebben met twee zeer verschillende soorten dreigingen, en de oude beveiligingssystemen (genaamd "Rule Engines") zijn als een uitsmijter die slechts naar één specifiek ding kijkt.

De "Uitsmijter" (Oude Regels): Deze bewaker let op duidelijke rode vlaggen. Als iemand probeert in 5 minuten $10.000 op te nemen, of een kaart gebruikt in twee verschillende landen op hetzelfde moment, stopt de bewaker hen. Dit werkt geweldig voor brute-force aanvallen (zoals het raden van een wachtwoord) of ATM-cloning.
De "Kameleon" (Nieuwe Dreigingen): Dan zijn er de sluwe criminelen.
- BEC (Business Email Compromise): Stel je voor dat een crimineel de e-mail van een CEO hackt en een normaal ogende e-mail naar de accountant stuurt met de tekst: "Stuur de salarisbetaling naar dit nieuwe bankrekeningnummer." Het bedrag is normaal, de tijd is normaal, en de persoon lijkt echt. De oude "Uitsmijter" ziet niets mis en laat het geld gaan.
- Geldwassen: Stel je voor dat iemand een enorme stapel zwart geld opdeelt in kleine, legaal ogende stapeltjes om de bron te verbergen. Geen enkele transactie ziet er verdacht uit, maar het patroon van veel kleine transacties is het misdrijf.

Het artikel betoogt dat de oude "Uitsmijter" blind is voor deze "Kameleons" omdat ze geen enkele regel overtreden; ze zien er gewoon uit als normale activiteit.

2. De Oplossing: Een Drie-Delige "Super-Bewaker"

De auteurs hebben een nieuwe AI-agent gebouwd die fungeert als een driepersoons detectiveteam dat samenwerkt op twee verschillende "bewakingscamera's" (datastromen).

De Twee Camera's:

De Transactiecamera: Houdt geldstromen in de gaten (passen scannen, overboekingen).
De Sessiecamera: Houdt mensen in de gaten die inloggen, wachtwoorden wijzigen of nieuwe begunstigden toevoegen.

De Drie Detectives (De Fusie-architectuur):
Elke keer als er een gebeurtenis plaatsvindt, geeft deze drie detectives hun mening om te beslissen of het een misdaad is:

Detective 1: De Patroonleerder (LSTM): Deze detective onthoudt jouw geschiedenis. "Hé, meneer Smith koopt meestal om 8 uur 's ochtends koffie in Kampala. Waarom ben je nu plotseling om 3 uur 's nachts een boot aan het kopen in Londen?" Het leert jouw persoonlijke gewoonten in de loop van de tijd.
Detective 2: De Snelheidsmeter (Drempelwaarde Monitor): Deze detective houdt toezicht op snelheid en volume. "Ho even, dat zijn 50 transacties in één minuut!" of "Dat is een enorme hoeveelheid contant geld gestort vlak voor de limiet." Het vangt de overduidelijke pieken op.
Detective 3: De Kaartenmaker (Grafiek Module): Deze detective kijkt naar de verbindingen tussen mensen. "Dit account ontvangt geld van 50 vreemden en stuurt het direct allemaal weer door." Het ontdekt netwerken voor geldwassen (mules) die individueel normaal lijken, maar verdacht zijn wanneer ze verbonden worden.

Het Vonnis:
De AI combineert de meningen van alle drie de detectives in een enkele "Risicoscore". Als de score hoog is, onderneemt het systeem actie.

3. Hoe het Reageert (De Respons)

Het systeem schreeuwt niet alleen "Criminel!" en stopt alles. Het heeft vier niveaus van respons, zoals een verkeerslichtsysteem:

Laag Risico: Schrijf het gewoon op in het logboek.
Medium Risico: Vraag de gebruiker om extra bewijs (zoals een sms-code) of plaats een tijdelijke "zachte blokkade" op het geld.
Hoog Risico: Stop de transactie onmiddellijk en waarschuw een menselijke analist.
Kritiek Risico: Bevries het account, roep de politie (analist) en bereid een rapport voor toezichthouders voor.

De Chatbot Assistent:
Als een transactie verdacht lijkt, stuurt het systeem automatisch een bericht naar de klant: "Was dit u?"

Als de klant zegt "Ja" en zijn identiteit bewijst met een code, gaat de betaling door.
Als de klant "Nee" zegt, wordt het account onmiddellijk bevroren.
Het systeem houdt ook toezicht op "Massale Resets" (waarbij een hacker probeert de wachtwoorden van 100 mensen tegelijk te resetten) en stopt die aanval voordat deze zich verspreidt.

De Analist Assistent:
Wanneer een menselijke beveiligingsbeambte een misdaad moet onderzoeken, schrijft deze AI een samenvatting voor hen. Er staat: "Dit lijkt op een 'Business Email Compromise' aanval. Hier zijn de 3 stappen die u nu moet nemen." Dit bespaart de mens uren aan leeswerk.

4. De Resultaten: Werkt het?

De auteurs hebben hun systeem getest met een gesimuleerde stad (een nep-dataset van 237.000 transacties en 113.000 logins) omdat ze geen echte bankgegevens konden gebruiken vanwege privacyredenen.

Ze vergeleken hun "Super-Bewaker" met:

De oude "Uitsmijter" (op regels gebaseerd systeem).
Een systeem dat alleen de "Patroonleerder" gebruikte (alleen LSTM).

Het Scorebord:

Oude Uitsmijter: Ving ongeveer 56% van de transactiecriminaliteit en 73% van de login-criminaliteit. Het miste de "Kameleon"-aanvallen (BEC en geldwassen) volledig.
Alleen LSTM: Ving ongeveer 65% van de transactiecriminaliteit.
De Nieuwe AI-Agent: Ving 78,7% van de transactiecriminaliteit en 86,7% van de login-criminaliteit.

Belangrijke Overwinningen:

BEC Detectie: Het oude systeem had een succespercentage van 0% tegen Business Email Compromise. De nieuwe AI slaagde erin sommige van hen te vangen door op te merken dat het toevoegen van een nieuwe begunstigde en het onmiddellijk versturen van een groot bedrag een vreemde volgorde van gebeurtenissen was, zelfs als het bedrag normaal leek.
Snelheid: Het systeem is ongelooflijk snel. Zelfs voor de meest kritieke misdaden neemt het minder dan een halve milliseconde (0,43 ms) om een beslissing te nemen, wat sneller is dan een mens kan knipperen.

5. Beperkingen (Wat het Papier Toegeeft)

De auteurs zijn eerlijk over wat hun systeem nog niet kan:

Het is een Simulatie: Ze hebben het getest op nepdata. Echte bankdata is rommeliger, en ze geven toe dat het systeem opnieuw getraind moet worden op echte wereld data voordat het in een echte bank gebruikt kan worden.
Nieuwe Accounts: De "Patroonleerder" heeft ongeveer 10 eerdere transacties nodig om een klant te leren kennen. Als een nieuw account wordt geopend, is de AI de eerste maand minder effectief.
Complexe Geldwassen: Hoewel het beter werd in het opsporen van geldwassen, heeft het nog steeds moeite met zeer complexe, meerstaps "layering" schema's waarbij geld door vele accounts beweegt.

Samenvatting

Kortom, dit artikel presenteert een slim, meerlagig beveiligingssysteem voor banken. In plaats van alleen naar "slechte getallen" te kijken, kijkt het naar gedrag, snelheid en relaties. Het combineert de snelheid van regels met het geheugen van AI om zowel de luidruchtige, overduidelijke dieven als de stille, sluwe types te vangen, terwijl het klanten helpt hun eigen identiteit te verifiëren en menselijke bewakers helpt sneller te werken.

Technische Samenvatting: Een AI-Security Agent voor de Banksector

Probleemstelling
Financiële instellingen worden momenteel geconfronteerd met een tweeledig en uiteenlopend dreigingslandschap dat bestaande beveiligingsarchitecturen niet gelijktijdig kunnen aanpakken. Aan de ene kant zijn er handtekeninggebaseerde fraudeaanvallen (bijv. card-not-present aanvallen, brute-force credential stuffing, ATM-cloning) die worden gekenmerkt door individuele, afwijkende gebeurtenissen die detecteerbaar zijn via statische drempelwaarden. Aan de andere kant zijn er gedragsmatige financiële criminaliteit (bijv. Business Email Compromise (BEC), money-laundering structuring en layering, mule-netwerken), waarbij individuele transacties legitiem lijken; de anomalie zit enkel in de relatie tussen transacties, rekeningen of tijdsvensters.

Huidige statische regelmotoren zijn structureel blind voor deze gedragspatronen, terwijl veel machine learning-benaderingen zich slechts richten op enkelvoudige fraudecategorieën of enkelvoudige datastromen (alleen transacties). Er is een gebrek aan verenigde operationele agenten die fraudedetectie, Anti-Money Laundering (AML) en geautomatiseerde respons integreren over zowel de retail- als de corporate bankingsector.

Methodologie
Het paper stelt een verenigde AI Security Agent voor met een drieledige fusie-architectuur die opereert op twee parallelle eventstromen:

Transactiestroom: Omvat financiële gebeurtenissen (kaartbetalingen, bankoverschrijvingen, ATM-opnames, contante stortingen).
Sessie-stroom: Omvat authenticatie- en gebruikersinterface-gebeurtenissen (logins, MFA-uitdagingen, toevoegen van begunstigden, bulk exports).

Kern van de Detectiemotor
Voor elke stroom wordt een samengestelde risicoscore ( $R$ ) berekend door drie submodellen te fuseren via een logistische regressielaag:

Sequentie-model ( $s_{seq}$ ): Een LSTM-netwerk getraind op sliding windows ( $L=10$ ) van de gedragshistorie per rekening. Het leert baselines voor transactiebedragen, snelheid (velocity) en de bekendheid met tegenpartijen om anomalieën in temporele sequenties te detecteren.
Drempelmonitor ( $s_{thresh}$ ): Een continue uitbreiding van regelgebaseerde logica die signalen normaliseert zoals z-scores van bedragen, velocity-ratio's (transacties per 10 minuten), structuring-aggregaten (rollende 7-daagse contante stortingen versus CTR-drempels) en signalen van nieuwe tegenpartijen.
Graaf/Netwerkmodule ( $s_{graph}$ ): Een lichtgewicht proxy voor Graph Neural Networks (GNN's) die patronen in de relatie tussen rekening en tegenpartij vastlegt. Het berekent rollende 24/48-uur kenmerken inclusief fan-in (distincte inkomende verzenders), fan-out (distincte uitgaande ontvangers) en pass-through ratio's. Het signaleert ook onmogelijke reizen (stadswijzigingen binnen fysiek onmogelijke tijdsintervallen) en de reactivatie van slapende rekeningen.

Fusie en Respons
De definitieve risicoscore is $R = \max(R_{txn}, R_{sess})$ , wat ervoor zorgt dat een kritieke gebeurtenis in een van beide stromen een passende respons triggert. Er wordt een single-sub-model override-mechanisme toegepast: als de LSTM een hoge mate van zekerheid heeft ( $s_{seq} \geq 0.90$ ) maar andere signalen laag zijn (vaak voorkomend bij BEC waar bedragen en netwerken normaal lijken), krijgt het LSTM-signaal prioriteit.

Risicoscores worden gekoppeld aan een viergetrapt geautomatiseerd responsframework (Laag, Medium, Hoog, Kritiek), wat acties triggert variërend van logging tot het bevriezen van rekeningen, SMS-notificaties en het waarschuwen van analisten. Het systeem bevat ook:

Klant-chatbot: Voor transactieverificatie via OTP en detectie van massale reset-aanvallen.
Analist Case-Summary Assistant: Genereert samenvattingen in gewone mensentaal met dreigingscategorisering en gerangschikte actieaanbevelingen.

Belangrijkste Bijdragen

Verenigde Architectuur: Een enkele agent die 13 dreigingscategorieën beslaat (inclusief CNP-fraude, ATO, BEC, structuring, layering en mule-activiteit) over retail- en corporatesectoren middels een dual-stream, drieledige fusiemodel.
Uitgebreid Dreigingsmodel: Adresseert expliciet het gat tussen handtekeninggebaseerde detectie en gedragsmatige anomaliedetectie, waarbij zowel transactie- als sessiecontexten worden meegerekend.
Experimentele Evaluatie: Evaluatie op een synthetische dataset van 90 dagen (237.669 transacties, 113.508 sessies, 3.470 rekeningen) die de effectiviteit van de fusie-aanpak aantoont ten opzichte van baselines.
Operationele Tools: Integratie van een klantgerichte verificatiechatbot en een assistent voor analisten om de operationele last te verminderen.

Resultaten
Het voorgestelde fusiemodel vertoonde superieure prestaties vergeleken met een regelgebaseerde baseline en een LSTM-only baseline:

Transactiestroom: Behaalde een algemene F1 van 0.787 (vs. 0.562 voor regels, 0.655 voor LSTM-only) en een macro-gemiddelde F1 van 0.303 (vs. 0.227 voor regels, 0.158 voor LSTM-only).
Sessie-stroom: Behaalde een algemene F1 van 0.867 (vs. 0.733 voor regels, 0.713 voor LSTM-only) en een macro-gemiddelde F1 van 0.529 (vs. 0.500 voor regels, 0.283 voor LSTM-only).
Specifieke Dreigingen: Het model verbeterde de detectie van BEC-redirection aanzienlijk (F1 0.064/0.368 vs. 0.000 voor regels) en dormant reactivation. Echter, layering-detectie bleef de zwakste categorie (F1 0.131), wat wordt toegeschreven aan de moeilijkheid van het detecteren van mid-chain patronen zonder volledige GNN message passing.
Latentie: Geautomatiseerde responsen in de kritieke fase voltooiden met een 95e percentiel latentie van 0.43 ms op een enkele CPU-node.
Chatbot Prestaties: Behaalde een identiteitsverificatie-nauwkeurigheid van 96,6% en een detectie van massale reset-aanvallen van 86,8%.

Betekenis en Claims
Het paper claimt dat de primaire betekenis van dit werk de demonstratie is dat een gefuseerde architectuur dreigingen kan detecteren die structureel onzichtbaar zijn voor systemen met één mechanisme. Specifiek biedt de agent de enige beschikbare detectieroute voor BEC-redirection in deze studie, door gebruik te maken van het vermogen van de LSTM om de abnormale sequentie van "toevoegen begunstigde + onmiddellijke grote overboeking" te herkennen, zelfs wanneer de individuele transactiekenmerken (bedrag, snelheid) binnen normale grenzen blijven.

De auteurs benadrukken dat de dual-stream architectuur redundante dekking biedt voor cross-stream dreigingen (bijv. Account Takeover die zich manifesteert in zowel sessie- als transactielogs). Zij erkennen beperkingen, waarbij zij opmerken dat de evaluatie steunt op synthetische data en dat layering-detectie momenteel een proxy-benadering is. Het paper concludeert dat hoewel het prototype effectief is, productie-implementatie hertraining op echte gelabelde data vereist en dat toekomstig werk gericht is op het vervangen van de graaf-proxy door een volledige heterogene GNN.