Wenn Sie diesen Text sehen, ist auf ihrem Gerät noch nicht das neue Layout geladen worden. Bitte laden Sie diese Seite neu (ggf. mit gedrückter 'Shift'- oder 'Alt'-Taste) oder in einem 'privaten Fenster'.
Weitere Hinweise unter https://www.uni-hildesheim.de/wiki/lsf/faq/fehler.im.layout.

Zur Seitennavigation oder mit Tastenkombination für den accesskey-Taste und Taste 1 
Zum Seiteninhalt oder mit Tastenkombination für den accesskey und Taste 2 
Startseite    Anmelden     

Kollaboratives Machine Learning zur Erkennung von Fraud und Risiken in ERP-Systemen (KOEX) - Einzelansicht


  • Funktionen:


Grunddaten

Titel Kollaboratives Machine Learning zur Erkennung von Fraud und Risiken in ERP-Systemen (KOEX) Antragsdatum
Titel (englisch) Personenmonate
Laufzeit von 01.01.2022 freigegeben J
Laufzeit bis 30.06.2024 Hyperlink
Bewilligungsdatum Projektart Forschungsprojekt
Kostenträgernummer Änderungsdatum 14.05.2024 12:28:02

Inhalt

Beschreibung

Die verbreitete Nutzung von IT Systemen und im Besonderen von ERP-Systemen zur Verwaltung von Unternehmensprozessen hat vielfältige neue Angriffspunkte für betrügerisches oder fehlerhaftes Verhalten eröffnet. Während der Fokus gängiger Sicherheitslösungen hierbei meist auf Angriffen von außen liegt, werden interner Missbrauch, Irrtum, Fehlbedienung und Betrug (engl. Fraud) oft nachrangig betrachtet. Die Association of Certified Fraud Examiners beziffert den Schaden, der Unternehmen durch Fraud entsteht auf ca. 5% ihres Jahresumsatzes

Aktuelle ERP-Systeme, allen voran das System der SAP SE, verwalten große Menge an Daten, die sowohl Auskunft über die durchgeführten Aktivitäten der Mitarbeiter geben als auch den gesamten Waren- und Finanzfluss des Unternehmens protokollieren. Bisherige Verfahren nutzen i.d.R. vordefinierte Regeln, um Fraud in diesen Daten zu erkennen. Neue Fraud-Fälle werden durch diese Ansätze jedoch nicht erkannt.

Ziel des KOEX-Projekts ist es, durch Verfahren des maschinellen Lernens in den Daten bekannte und unbekannte Fraud-Fälle automatisiert zu erkennen. Die identifizierten Fraud-Muster sollen abstrahiert und durch Techniken des Federated Learnings für andere Unternehmen nutzbar gemacht werden. Auf diese Weise werden keine vertraulichen Details und personenbezogenen Daten herausgegeben. Die Erkenntnisse aus einzelnen Fraud-Fällen können so ohne Rückschluss auf die Quelle genutzt werden. Die vielfältigen Kompetenzen der beteiligten Partner sollen genutzt werden, um im Rahmen dieses Projektes ein erstes Demonstrationssystem zu erstellen, welches, nach Projektende weiterentwickelt und in die bestehende SIVIS-Suite übernommen werden soll


Zuordnung zu Einrichtungen

FB 4 - Mathematik, Naturwissenschaften, Wirtschaft und Informatik
Inst. für Informatik (Leitung)

Autoren/Betreuer (intern)

Schmidt-Thieme, Lars, Professor Dr. Dr.   (Leitung)   

Förderdaten

Geldgeber/-in Förderprogramm Fkennziffer Freitext Fördersumme Einheit Laufzeit von Laufzeit bis
Bundesministerium für Bildung und Forschung KMU-innovativ 225.905,15 EUR

Strukturbaum
Das Projekt wurde 2 mal gefunden:
Impressum      Datenschutzerklärung     Datenschutz      Datenschutzerklärung     Erklärung zur Barrierefreiheit