Schluss mit Terminator-Szenarien

Technologien aus dem Bereich Künstliche Intelligenz und ihr Nutzen für den Bereich Finanzdienstleistung werden intensiv diskutiert. Vor allem Machine Learning verspricht für das Banking der Zukunft enorme Möglichkeiten, die es zu nutzen gilt.

Machine Learning ist ein wichtiger Trend aus dem Bereich Künstliche Intelligenz.

Partner des Bank Blogs

KI, AI oder Machine Learning –  außerordentlich gehyped, doch wissen viele gar nicht, wie ein Algorithmus funktioniert. Wie kann ein Computer, der auf Basis von Binärcodes arbeitet, eigenständig Entscheidungen treffen und wo steht der technologische Fortschritt in der Bankenindustrie? Es ist Zeit, 2018 dem Realitätscheck zu unterziehen sowie für das kommende Technologiejahr einen Blick in die Glaskugel zu werfen.

Science-Fiction oder Realität? Was kann das maschinelle Lernen, das dabei ist, unsere Welt zu verändern?

2018 entwickelte sich das maschinelle Lernen zu einer wesentlichen Schlüsseltechnologie, die auch die Bankenbranche zunehmend umkrempelt. In Deutschland wird bis 2020 sogar eine Verdopplung der Implementierungen sowie Pilot-Projekte erwartet. Machine Learning (ML) „bezeichnet die Fähigkeit von Computersystemen, die ihre Leistung eigenständig durch gezielte Analyse von Daten verbessern, ohne dabei explizit programmierten Anweisungen folgen zu müssen.“

Als ein Teilgebiet der künstlichen Intelligenz beruht das Prinzip auf den folgenden Lernmethoden

1. Beim überwachten Lernen (supervised learning) werden Funktionen auf Basis von Trainingsdaten ermittelt, deren Output bekannt ist (Klassifikation und Regression).
2. Beim unüberwachten Lernen (unsupervised learning) werden aus unbekannten Datensets Muster erkannt und daraus Regeln abgeleitet (Clustering als eine der Hauptformen).
3. Beim reinforcement learning bekommt der Algorithmus Parameter, die er kontrollieren und variieren kann und er optimiert auf dieses Ziel hin selbstständig durch Simulationen.

Eine weitere Technik ist das Deep Learning – ein an das menschliche Gehirn angelehntes System von künstlichen Software-Neuronen, die miteinander kommunizieren und aus Daten selbstständig lernen.

What’s all the Buzz about? Drei Mythen rund um Machine Learning

Rund um die Themen Künstliche Intelligenz und Maschinelles Lernen sind zahlreiche Mythen im Umlauf. Die folgenden drei wollen wir näher beleuchten:

1. Die AI-Apokalypse naht – Machine Learning wird Bank-Mitarbeiter vollständig ersetzen.
2. Finanzdienstleister werden die AI-Revolution anführen.
3. Maschinelles Lernen ist für Banken zu riskant, komplex und zeitaufwendig in der Umsetzung.

Mythos 1: Die AI-Apokalypse naht – Machine Learning wird Bank-Mitarbeiter vollständig ersetzen

Mythen entstehen, weil viele von uns denken, dass AI künstliche Menschen kreiert. Dies hat zweierlei Auswirkungen: Die Menschheit verfällt entweder in Panik oder sie ist enttäuscht darüber, dass Algorithmen mit unserem gesunden Menschenverstand nicht mithalten können.

Die Technologie ist derzeit weit davon entfernt, auf Augenhöhe mit uns Menschen zu interagieren. In einigen Fällen sind die Maschinen zwar in der Lage, die besten Champions im Go zu schlagen, dennoch gibt es laut Yann LeCun, Head of Facebook Artificial Intelligence Research, derzeit keine Systeme, die annähernd „so intelligent wären wie Ratten“. Schließlich sind die Systeme immer nur in einem Gebiet extrem spezialisiert, weil sie auf Basis riesiger Datenmengen darauf trainiert wurden. Die Angst vor der Apokalypse ist demnach vollkommen unbegründet.

Mythos 2: Finanzdienstleister werden die AI-Revolution anführen

Man könnte meinen, dass Banken, die einen Zugang zu großen Kundenstämmen sowie riesigen Datenmengen haben, einen Wettbewerbsvorteil im AI-Wettlauf hätten. Doch oft stehen sich Banken aufgrund ihrer Risikoaversität und Skepsis selbst im Weg. Häufig können sie mit existierenden Daten nicht viel anfangen, da sie über Tausende von Datenbanken verfügen, die unabhängig voneinander aufgebaut und in einem Patchwork von Systemen verschmolzen wurden. Nichtsdestotrotz, kann die Branche es sich nicht leisten, stillzustehen.

Mythos 3: Maschinelles Lernen ist für Banken zu riskant, komplex und zeitaufwendig in der Umsetzung

Machine Learning – eine obskure Technologie, die nur Experten verstehen? In Wirklichkeit ist sie sehr simpel in der Anwendung und basiert auf einem weitgehend autonomen Prozess, der seine Algorithmen – also die Parameter in mathematischen Formeln – im Laufe der Zeit optimiert, da zunehmend mehr Daten verwendet werden. Zu denken, dass maschinelles Lernen ein zu hohes Risiko darstellt, ist an sich riskant. Bei Themen rund um die Kreditrisikomodellierung oder bei der Betrugsbekämpfung steht für Banken schließlich viel auf dem Spiel.

Machine Learning front-to-end – eine Reise durch die Wertschöpfungskette

Von digitalen Agenten im Kundenservice, über Real-Time-Risikomanagement bis hin zu Fraud Analytics –  das Spektrum an Applikationsmöglichkeiten entlang der Wertschöpfungskette ist sehr vielfältig. Milan Sallaba, Deloitte Partner und Leiter des Technology Sector, identifiziert hierbei die nachfolgenden Kernbereiche.

Im Front-Office beginnend ist der Einsatz von virtuellen Agenten im Kundenservice inzwischen kaum wegzudenken. Digitale Assistenten, Chatbots oder Sprachsysteme schlüpfen in die Rolle eines Kundendienst- oder Vertriebsmitarbeiters, um den Dialog im Kundenservice zu automatisieren. Facebook-Chatbots ermöglichen es ihren Kunden, Geld zu überweisen oder navigieren sie durch Produktdetails. Sie unterstützen im Prozess des Online-Kreditantrags oder auf der Suche nach Filialen und Devisenkursen. Neben Chat-Bots findet die Technologie auch bei Robo-Advisory Anwendung, z.B. im Portfoliomanagement, der Wertpapierberatung oder dem Aktien- und Anleihenhandel.

Darüber hinaus können durch die Automatisierung der Geschäftsprozesse Kosten reduziert und Mitarbeiter in Routineaufgaben unterstützt werden, wodurch sie sich strategischen und analytischen Themen widmen können. So kann unsupervised learning im Bereich Regulatory Reporting helfen, beispielsweise Datenqualitätsprobleme in AnaCredit-Datensets zu identifizieren und minimieren, indem der Algorithmus Root-Cause-Analysen durchführt. Durch ein ganzheitlicheres Bild der Kunden- und Transaktionsaktivitäten auf Basis von Deep Learning wird das Datenmanagement optimiert.

Durch die tiefgreifende Datenanalyse können Banken reichhaltigere Erkenntnisse aus ihren Geschäftsprozessen generieren, die wiederum die Entscheidungsfindung verbessern und beschleunigen. Machine Learning wird beispielsweise im Risikomanagement bei der Kreditwürdigkeitsprüfung genutzt. Des Weiteren können maschinelle Lernmodelle bei der Betrugsbekämpfung Risiken identifizieren und reduzieren. Mithilfe von überwachtem und unüberwachtem Lernen werden Warnmeldungen im Kundenverhalten untersucht und die Wahrscheinlichkeit von Unternehmensinsolvenzen so vorhergesagt. Deloitte entwickelte BEAT (Behavioural Analytics Tool), ein integriertes Sprach- und Interaktionsüberwachungstool, das Kundeninteraktionen über eine Vielzahl von Risikofaktoren hinweg untersuchen kann.

Und der Kreativität sind keine Grenzen gesetzt: So können durch Social Media Analytics Social-Media-Daten als Quelle auch für Krisenprognosen genutzt werden.

Quo vadis Machine Learning? Trends für das Technologiejahr 2019

Fakt ist: Machine Learning ist auf dem Vormarsch. Umfangreichere Bewertungen von Risikoprofilen sowie dem Kundenverhalten werden zu innovativeren, personalisierten und flexibleren Produkten führen. Die Verbreitung intelligenter Monitoring- und Screening-Software wird dazu beitragen die Kostenbelastung deutlich zu reduzieren sowie risikobehaftete Aktivitäten auf mögliche Incompliance zu überwachen.

Kreditinstitute, die in der Lage sind, diese Chance für sich zu nutzen, werden nicht nur das Potenzial für Produktivitäts- und Effizienzsteigerungen haben, sondern auch sicherstellen können, dass sie auch in Zukunft relevant am Markt bleiben. Deloitte Prognosen zufolge werden zukünftig 70 Prozent der Unternehmen ihre Technologie aus der Cloud beziehen. Es stehen immer mehr Anwendungen in der Cloud zur Verfügung, was die Entwicklung und Ausbreitung von AI beschleunigen wird. 2019 steht demnach ganz im Zeichen cloud-basierter AI.

Da sich viele Unternehmen bereits Gedanken zur „AI-Strategie“ gemacht haben, erwarten wir für das Jahr 2019, dass Banken nicht nur über den Hype reden, sondern der Fokus sich hin zu AI-getriebenen Ergebnissen und Umsetzungen verlagern wird.

Sascha Bauer, Deloitte.

Sascha Bauer ist Koautor des Beitrags. Er ist langjähriger Berater im Bereich Financial Services und Co-Founder des .AI Hubs bei Deloitte. Neben ganz klassischen Finance- und Risk-Themen konzentriert er sich schwerpunktmäßig auf die Beratung in den Bereichen Data Science/künstliche Intelligenz und Big Data.

Nicole Tranker

Nicole Tranker ist Koautorin des Beitrags. Sie ist Senior Managerin im Bereich Financial Services bei Deloitte und verantwortet das FSI R&CA Team in Deutschland. Sie verfügt über mehrjährige Erfahrung im Management von  Optimierungs- und Transformationsprojekten und ist spezialisiert auf die Umsetzung von Digitalisierungslösungen in Banking & Insurance.

E-Book Auswirkungen digitaler Technologietrends auf Finanzinstitute“

Der Beitrag ist Teil einer Serie über die Auswirkungen digitaler Technologietrends auf Finanzinstitute. Abonnenten von Der Bank Blog Premium können das 37-seitige E-Book „Auswirkungen digitaler Technologietrends auf Finanzinstitute“ mit allen Beiträgen der Serie direkt herunterladen.

Wenn Sie noch kein Abonnent sind können Sie das E-Book für 9,95 Euro hier einzeln kaufen.