Jenseits von Black Boxes: Constructor University gewinnt Big Data Challenge mit transparentem Modell zur Betrugserkennung
Ein Team der Constructor University hat den ersten Platz im Professional Track der Bremen Big Data Challenge (BBDC) 2025 gewonnen. Ausgezeichnet wurde das Team für ein transparentes, regelbasiertes statistisches Modell zur Erkennung von Finanzbetrug, das herkömmliche Methoden des maschinellen Lernens (ML) in seiner Genauigkeit übertraf. Der jährlich stattfindende Wettbewerb, organisiert vom Cognitive Systems Lab (CSL) der Universität Bremen, bringt Teilnehmer*innen zusammen, um reale Problemstellungen mit fortgeschrittenen Datenanalysemethoden zu lösen. Die diesjährige Aufgabe konzentrierte sich auf Betrugserkennung – ein Bereich, der bislang meist von komplexen und undurchsichtigen ML-Algorithmen dominiert wird. Der Wettbewerb zog ein starkes Teilnehmendenfeld an, darunter Teams führender KI-Unternehmen der Region.
Eine transparente Alternative zu KI-Black-Boxes
Unter der Leitung von Dr. Johannes Falk, Postdoktorand in der Arbeitsgruppe Computational Systems Biology von Prof. Dr. Marc-Thorsten Hütt, wählte das Team einen unkonventionellen Ansatz. Dr. Falk und seine Kolleg*innen Eda Cakir und Dr. Ali Salehzadeh-Yazdi testeten zunächst gängige Modelle, darunter auch LSTM-Neuronale Netzwerke. Die preisgekrönte Lösung jedoch basierte auf einem regelbasierten, statistischen Modell. Dieses erzielte eine herausragende F1-Score von 0,9992, ein zentraler Genauigkeitsindikator in der Betrugserkennung. „Unser Ziel war es nicht nur, das Problem zu lösen“, erklärt Dr. Falk, „sondern zu zeigen, dass sorgfältige, transparente Analysen mit Black-Box-Methoden der KI mithalten – oder diese sogar übertreffen – können.“
„Natürlich haben wir auch gängige maschinelle Lernmethoden wie rekurrente neuronale Netzwerke vom Typ LSTM (Long Short-Term Memory) eingesetzt“, so Falk weiter. „Aber unser regelbasiertes Modell war diesen sowohl in Präzision als auch Nachvollziehbarkeit überlegen.“ ML-Modelle benötigen oft große Mengen an gelabelten Daten und geben kaum Aufschluss darüber, wie Entscheidungen zustande kommen. Im Gegensatz dazu basiert das entwickelte Modell auf klar definierten Regeln und probabilistischen Überlegungen – das erlaubt es dem Team, jeden Teil des Systems zu verstehen, zu erklären und gezielt zu optimieren. „In gewisser Weise basiert dieses prädiktive Regelmodell auf dem tiefsten neuronalen Netzwerk überhaupt – dem menschlichen Gehirn – und dem Wunsch der Forschenden, die Mechanismen hinter den Daten zu verstehen“, ergänzt Professor Hütt.
Ein Beispiel wissenschaftlichen Denkens und Präzision
Durch die Analyse von Geldflüssen und Netzwerkstrukturen gelang es dem Team, bestimmte Konten als mit hoher Wahrscheinlichkeit nicht betrügerisch zu identifizieren. Auf Basis dieser „sauberen“ Subgruppe wurde ein Verhaltensprofil für typische, legitime Kontobewegungen entwickelt – inklusive Transaktionshäufigkeit, Zeitmuster und Struktur. Alle übrigen Konten wurden dann mit diesem Profil verglichen und mithilfe statistischer Modelle sowie regelbasierter Filter auf Betrugswahrscheinlichkeit hin überprüft. Diese zweistufige Strategie, basierend auf Datenanalyse und theoretischer Strenge, erzielte außergewöhnliche Ergebnisse. Herausragend ist dabei nicht nur die Originalität des Ansatzes, sondern auch das Maß an wissenschaftlicher Disziplin, das ihm zugrunde liegt. Ein Modell dieser Qualität ohne maschinelles Lernen zu entwickeln, erfordert tiefes Verständnis für Datenmechanismen und probabilistische Modellierung.
Das erfolgreiche Team der Constructor University, das unter dem Namen SpiderBobs antrat, besteht aus drei Mitgliedern der Arbeitsgruppe Computational Systems Biology. Ihr Erfolg steht exemplarisch für das Engagement der Constructor University für interdisziplinäre Forschung sowie das Lösen komplexer Probleme durch Innovation und wissenschaftliche Exzellenz.
Fragen beantwortet:
Dr. Johannes Falk | Postdoktorand Computational Systems Biology Group
jfalk@constructor.university