Frederick Groß-Bölting und Dr. Malte Ohmstede
Professional Data Scientists, Finanz-DATA GmbH
Vortrag: Digitale Bildforensik: Manipulationen, KI-Bilder und Duplikate erkennen
Biografie
Frederick Groß-Bölting ist Professional Data Scientist bei der Finanz-DATA GmbH und auf digitale Bildforensik spezialisiert. In der Produktentwicklung für „fraudify“ entwickelt und verbessert er KI-gestützte Verfahren zur Erkennung manipulierter und KI-generierter Bilder. Zuvor war er als wissenschaftlicher Mitarbeiter bei Makula Monitor Münster tätig und etablierte Deep-Learning-Methoden zur Analyse medizinischer Bilddaten. Seinen Masterabschluss in Mathematik erwarb er an der Universität Münster.
Dr. Malte Ohmstede ist promovierter Physiker und Professional Data Scientist bei der Finanz-DATA GmbH. Für das Produkt fraudify wendet er Methoden der digitalen Bildforensik an und entwickelt Modelle zur Erkennung manipulierter und synthetischer Bilder, sowie von Duplikaten. Zuvor etablierte er als Postdoktorand an der Universität Bremen Bildsegmentierungs-Verfahren zur morphologischen Analyse von zellulärem Verhalten basierend auf Deep-Learning Methoden. Seine interdisziplinäre Promotion widmete er Analyse und Modellierung molekularbiologischer Prozesse in Bindegewebszellen.
Vortrag
Digitale Bildforensik: Manipulationen, KI-Bilder und Duplikate erkennen
Digitale Bilder lassen sich heute mit geringem Aufwand verändern oder vollständig durch künstliche Intelligenz erzeugen. Nicht nur für Versicherungen wird es dadurch zunehmend schwieriger, die Authentizität eingereichter Bildinhalte zuverlässig zu bewerten. Auch mehrfach verwendete, leicht veränderte oder bereits aus anderen Vorgängen bekannte Bilder können auf Betrugsversuche hindeuten. Wir analysieren digitale Bilder automatisiert, erkennen Hinweise auf Manipulationen und KI-generierte Inhalte und identifizieren identische sowie visuell ähnliche Duplikate. Der Vortrag beleuchtet die technischen und fachlichen Herausforderungen, den Lösungsansatz sowie die Einbindung in bestehende Prüf- und Schadenprozesse. Zudem erläutern wir die prinzipielle Funktionsweise der eingesetzten Modelle und zeigen auf, anhand welcher Merkmale und Muster verdächtige Bildinhalte erkannt werden. Praxisbeispiele und Erkenntnisse aus dem Live-Betrieb bei Versicherungen verdeutlichen, welche Betrugsmuster tatsächlich auftreten, wie Fachanwender durch automatisierte Risikohinweise unterstützt werden und welche Faktoren für einen erfolgreichen produktiven Einsatz entscheidend sind. Auch die Grenzen automatisierter Erkennung und die Bedeutung nachvollziehbarer Ergebnisse werden thematisiert.
