Einleitung & Abgrenzung
Anwendungsfälle, die das Seltene, Verdächtige oder Fehlerhafte unter vielen normalen Ereignissen aufspüren. Drei Muster: ANOM.FINANCIAL (Betrug, Geldwäsche, Sanktionen, Steuern, Beschaffung, Abrechnung), ANOM.INTEGRITY (gefälschte Konten, Bewertungen, Dokumente, Identitäten, KI-generierte Inhalte, Piraterie, Betrug im Spiel) und ANOM.OPERATIONAL (Sensoren, Netze, Gebäudetechnik, Schifffahrt, GNSS, Kennzahlen).
Abgrenzungen: - ANOM-001 (Echtzeit-Bewertung von Kartenzahlungen) vs. ANOM-022 (APP-Betrug / Mule-Konten, Konto- und Netzwerksicht) vs. ANOM-002 (Geldwäsche-Überwachung nach der Transaktion und Entwurf von Verdachtsmeldungen). - ANOM-014 (Ausweisdokumente und Lebenderkennung bei der Kundenaufnahme) vs. ANOM-017 (Finanz- und Geschäftsdokumente: Kontoauszüge, Gehaltsabrechnungen, Rechnungen). - ANOM-004 (Missbrauch von Plattformkonten) vs. ANOM-027 (Werbebetrug / ungültiger Traffic) vs. ANOM-036 (Cheating in Spielen). - ANOM-005 (Industrieprozess) vs. ANOM-031 (Gebäudeklimatisierung) vs. ANOM-013 (Wasser-/Gaslecks) vs. ANOM-008 (Energiediebstahl und Netz) vs. ANOM-030 (Geschäftskennzahlen). - ANOM-006 (Prüfung des Hauptbuchs) vs. ANOM-009 (Spesen/Beschaffung) vs. ANOM-037 (Lohnabrechnung); ANOM-018/019/020/021 betreffen die öffentliche Verwaltung (Steuern, Sozialleistungen, Vergabe, Zoll). - ANOM-024 (Telekom-Betrug auf Betreiberseite) vs. ANOM-025 (Betrugsschutz für Verbraucher auf dem Gerät).
KI-Verordnung (AI Act): Die meisten Anwendungsfälle haben minimales Risiko; „depends“ gilt dort, wo Entscheidungen natürliche Personen betreffen (Beschäftigte, Leistungsempfänger, biometrische Identifizierung, kreditbezogene Fälle, Sicherheitskomponenten kritischer Infrastruktur). ANOM-019 ist hochriskant. ANOM-015 hat begrenztes Risiko (Transparenz nach Art. 50). Eine menschliche Prüfung vor nachteiligen Entscheidungen ist überall der Standard (DSGVO Art. 22).
Anwendungsfälle
| ID | Titel | Muster | Reifegrad | Weg | HW-Stufe | KI-VO-Risiko |
|---|---|---|---|---|---|---|
| ANOM-001 | Betrugserkennung bei Zahlungs- und Kartentransaktionen | ANOM.FINANCIAL | mainstream | A | HW1 | minimal |
| ANOM-002 | Transaktionsüberwachung zur Geldwäschebekämpfung | ANOM.FINANCIAL | mainstream | A | HW2 | depends |
| ANOM-003 | Betrugserkennung bei Versicherungsschäden | ANOM.FINANCIAL | mainstream | A | HW2 | depends |
| ANOM-004 | Missbrauch von Online-Plattformen: Fake-Konten, Bots, Missbrauch von Aktionen | ANOM.INTEGRITY | mainstream | A | HW1 | minimal |
| ANOM-005 | Anomalieerkennung in Industrieprozessen aus Sensordaten | ANOM.OPERATIONAL | mainstream | A | HW1 | depends |
| ANOM-006 | Prüfungsanalytik: Anomalieerkennung bei Buchungssätzen und im Hauptbuch | ANOM.FINANCIAL | mainstream | A | HW1 | minimal |
| ANOM-007 | Betrugserkennung bei Abrechnung und Erstattung im Gesundheitswesen | ANOM.FINANCIAL | mainstream | A | HW2 | depends |
| ANOM-008 | Erkennung von Energiediebstahl und Netzanomalien | ANOM.OPERATIONAL | early-adopter | A | HW1 | depends |
| ANOM-009 | Betrugserkennung bei Spesen und Beschaffung | ANOM.FINANCIAL | mainstream | A | HW2 | depends |
| ANOM-010 | Erkennung gefälschter Bewertungen | ANOM.INTEGRITY | mainstream | A | HW2 | minimal |
| ANOM-011 | Überwachung von Lieferkette und Lieferantenrisiken | ANOM.OPERATIONAL | mainstream | A | HW2 | minimal |
| ANOM-012 | Marktmissbrauch und Handelsüberwachung | ANOM.FINANCIAL | mainstream | A | HW3 | minimal |
| ANOM-013 | Leckerkennung in Wasser- und Gasnetzen | ANOM.OPERATIONAL | mainstream | A | HW1 | depends |
| ANOM-014 | Erkennung gefälschter Ausweisdokumente und Lebenderkennung | ANOM.INTEGRITY | mainstream | A | HW2 | depends |
| ANOM-015 | Kennzeichnung, Herkunftsnachweis und Erkennung KI-generierter Inhalte (KI-VO Art. 50) | ANOM.INTEGRITY | early-adopter | B | HW1 | limited |
| ANOM-016 | Screening auf Sanktionen, PEP und negative Medienberichte mit KI-gestützter Alarmbewertung | ANOM.FINANCIAL | early-adopter | A | HW2 | minimal |
| ANOM-017 | Erkennung von Dokumentenmanipulation und synthetisch erzeugten Dokumenten (Kontoauszüge, Gehaltsabrechnungen, Rechnungen) | ANOM.INTEGRITY | early-adopter | A | HW2 | depends |
| ANOM-018 | Steuerbetrug und Auswahl von Prüffällen für Steuerbehörden (einschließlich Umsatzsteuer-Karussellbetrug) | ANOM.FINANCIAL | mainstream | C | HW2 | depends |
| ANOM-019 | Erkennung von Sozialleistungsbetrug und Fehlerrisiken (Schutzvorkehrungen für Hochrisiko-KI nach KI-VO) | ANOM.FINANCIAL | early-adopter | C | HW2 | high |
| ANOM-020 | Absprachen bei öffentlichen Aufträgen und Risikobewertung von Betrug mit EU-Mitteln | ANOM.FINANCIAL | early-adopter | A | HW2 | depends |
| ANOM-021 | Zoll-Risikoanalyse und Erkennung von Handelsbetrug (Unterbewertung, Falschdeklaration, Ursprungsbetrug) | ANOM.FINANCIAL | early-adopter | C | HW2 | depends |
| ANOM-022 | Erkennung von Authorised-Push-Payment-(APP-)Betrug und Money-Mule-Konten | ANOM.FINANCIAL | mainstream | A | HW2 | minimal |
| ANOM-023 | Überwachung von Krypto-Transaktionen und Blockchain-Forensik | ANOM.FINANCIAL | mainstream | A | HW2 | minimal |
| ANOM-024 | Betrugsmanagement in der Telekommunikation (SIM-Box, IRSF, Wangiri, SIM-Swap, A2P-SMS-Betrug) | ANOM.FINANCIAL | mainstream | A | HW2 | minimal |
| ANOM-025 | Schutz von Verbrauchern vor Betrugsanrufen und -nachrichten (Betrugserkennung auf dem Gerät) | ANOM.INTEGRITY | early-adopter | A | HW1 | minimal |
| ANOM-026 | Integrität bei Sportwetten und Erkennung von Spielmanipulation | ANOM.FINANCIAL | mainstream | A | HW1 | depends |
| ANOM-027 | Erkennung von Werbebetrug und ungültigem Traffic (Klickbetrug) | ANOM.INTEGRITY | mainstream | A | HW1 | minimal |
| ANOM-028 | Erkennung von Fälschungen und Markenverletzungen auf Online-Marktplätzen | ANOM.INTEGRITY | mainstream | A | HW2 | minimal |
| ANOM-029 | Prüfung der Forschungsintegrität: Bildmanipulation, Paper Mills und Doppeleinreichungen | ANOM.INTEGRITY | early-adopter | A | HW2 | depends |
| ANOM-030 | Anomalieerkennung bei Geschäftskennzahlen und Umsatz mit Ursachenanalyse | ANOM.OPERATIONAL | mainstream | A | HW1 | minimal |
| ANOM-031 | Fehlererkennung und Diagnose in der Gebäudeklimatisierung (FDD) | ANOM.OPERATIONAL | mainstream | A | HW1 | minimal |
| ANOM-032 | Maritime Lageerfassung: Erkennung von Dark Vessels, AIS-Spoofing und Schattenflotte | ANOM.OPERATIONAL | early-adopter | A | HW3 | depends |
| ANOM-033 | Retouren-Betrug im Handel und Analyse von Kassenausnahmen | ANOM.FINANCIAL | mainstream | A | HW1 | minimal |
| ANOM-035 | Erkennung von Urheberrechtsverletzungen und Piraterie über Content-Fingerprinting | ANOM.INTEGRITY | mainstream | A | HW2 | minimal |
| ANOM-036 | Anti-Cheat in Online-Spielen und Erkennung von Betrugsverhalten | ANOM.INTEGRITY | mainstream | A | HW2 | minimal |
| ANOM-037 | Plausibilisierung und Anomalieerkennung vor Lohn- und Gehaltsläufen | ANOM.FINANCIAL | early-adopter | A | HW1 | depends |
| ANOM-038 | Erkennung von GNSS-Jamming und -Spoofing sowie Klassifizierung von Funkstörungen | ANOM.OPERATIONAL | early-adopter | A | HW1 | depends |
Gemeinsame Basis
Gemeinsamer Kern (alle Stufen): eine Ereignis- und Merkmalspipeline (Kafka oder Redpanda für Datenströme, Postgres oder ClickHouse für Stapelverarbeitung), ein Feature Store (Feast oder einfache Tabellen), Gradient-Boosted Trees (LightGBM/XGBoost) plus unüberwachte Detektoren (Isolation Forest, Autoencoder), ein Fallmanagement mit Prüfwarteschlange, Audit-Protokoll und Einspruchsweg, Modellüberwachung (Drift, Alarmpräzision) sowie eine LLM-Schicht, die ausschließlich für Zusammenfassungen zur Fallsichtung und für Erklärungen dient und nie allein entscheidet.
HW1 (CPU / kleiner Server, keine GPU). Postgres + LightGBM/River für Streaming-Bewertung, NetworkX oder Memgraph für kleine Graphen, Prophet/statsmodels oder Isolation Forest für Zeitreihen, ein quantisiertes LLM mit 3–8 Mrd. Parametern (Ollama/llama.cpp) für Fallzusammenfassungen. Bedient ANOM-001, 004, 005, 006, 008, 013, 025, 026, 027, 030, 031, 033, 037, 038. Edge-Varianten nutzen ONNX Runtime auf Gateways.
HW2 (einzelne GPU mit 24–48 GB). HW1 plus eine Graphdatenbank (Neo4j / Memgraph) mit GNN-Training (PyG/DGL), OCR/Dokumentenanalyse (docTR, Docling) und ein offenes VLM/LLM mit 7–32 Mrd. Parametern über vLLM, Embeddings + Vektordatenbank (pgvector, Qdrant) für Ähnlichkeitssuche, Textklassifikatoren auf Basis von Satz-Embeddings sowie Orchestrierung mit Airflow/Dagster. Bedient ANOM-002, 003, 007, 009, 010, 011, 014, 016, 017, 018, 019, 020, 021, 022, 023, 024, 028, 029, 035, 036.
HW3 (mehrere GPUs / Cluster). HW2 plus Spracherkennung der Whisper-Klasse mit Sprechertrennung für Sprach- und Chat-Archive, großskalige Satelliten-/AIS-Verarbeitung (Spark/Dask, Objekterkennung in Bilddaten) und ein Reasoning-Modell der 70B-Klasse. Bedient ANOM-012, 032.
Familienübergreifende Wiederverwendung: Die Dokumentenpipeline (OCR + VLM) wird mit der Familie DOC geteilt (ANOM-009, 017 mit DOC-001/017); der Graphspeicher und die Schicht zur Entitätsauflösung werden von ANOM-002, 016, 018, 020, 021, 022, 023 gemeinsam genutzt; die Zeitreihen-/Streaming-Schicht teilt sich die Familie mit PRED (ANOM-005, 008, 013, 031, 038); Embeddings/Vektordatenbank mit KNOW und LANG (ANOM-010, 028, 029, 035); Spracherkennung mit SPEECH (ANOM-012, 025). Für alle ANOM-Fälle sollte ein gemeinsamer Dienst für Prüfwarteschlange und Audit-Protokoll verwendet werden.