KI-Innovationen werden mittelfristig über den Erfolg deutscher Banken entscheiden. Doch viele Institute stocken bei der Umsetzung vereinzelter Pilotprojekte. Mit der Fokussierung auf zwei Aspekte können Entscheider den langfristigen KI-Erfolg sichern.
Wie Banken den Erfolg von Projekten mit Künstlicher Intelligenz sicherstellen können.
Partner des Bank Blogs
Die Einführung intelligenter Modelle ist in vielen Banken bereits im Gange. Zahlreiche Geschäftsideen beruhen auf Methoden der Künstlichen Intelligenz wie Process Mining, Text Analytics oder statistischer Ratingverfahren.
Die Einführung einzelner „Vorzeigemodelle“ reicht für eine nachhaltige Positionierung am Markt jedoch nicht aus. Mit Blick auf wachsende Datenbestände und rechenintensive Auswertungen sind Entscheider deshalb gut beraten, über den Tellerrand hinaus Randeffekte Künstlicher Intelligenz in ihrem Institut bereits frühzeitig zu berücksichtigen und damit die Grundlage für den stetigen Einsatz Künstlicher Intelligenz zu legen. Zwei strategische Aspekte sollten Manager deshalb für den nachhaltigen Betrieb ihrer Machine-Learning-Modelle beachten.
Skalierbare Daten-Infrastruktur ist Rückgrat einer nachhaltigen KI-Strategie
KI-gesteuerte Fonds, Bot-gesteuerte Kundenbetreuung, Auswertung unstrukturierter Daten durch Robotic Process Automation und vieles mehr: Die Beispiele für Pilotprojekte mit Künstlicher Intelligenz in der Finanzwelt sind zahlreich – und wurden von den meisten großen Finanzdienstleistern bereits als vereinzelte Projekte umgesetzt. Viele Geldhäuser hadern jedoch weiterhin damit, Machine-Learning als Standard-Werkzeug in ihren Bestandsprozessen zu implementieren. Das ergab eine Studie der Strategieberatung McKinsey, laut der trotz initialer Mehrgewinne von mehr als 300 Millionen Euro die meisten Institute erhebliche Herausforderung bei der Weiterentwicklung und Skalierung von Pilotprojekten konstatieren.
Einen entscheidenden Showstopper stellt dabei die IT-Infrastruktur vieler Banken dar. Zwar sind viele Fachabteilungen im Rahmen der Digitalisierung auf agile Vorgehensweisen und Cloud-basierte Anwendungen umgestiegen, die Skalierung intelligenter Modelle benötigt jedoch einen weiteren Emanzipationsschritt, der in der Regel auch Investitionen der hauseigenen Hardware bedarf: eine eigene KI-Infrastruktur.
Mittelfristige IT-Planung benötigt inhouse KI-Infrastruktur
Für den schnellen Einstieg in die Entwicklung von KI-Modellen eigenen sich insbesondere Cloud-basierte Angebote, welche in der Regel mit vielen produktiven Systemen interagieren können. Trotz hoher Flexibilität und geringer Einstiegskosten sind solche Lösungen jedoch unter Datenschutzgesichtspunkten für viele Institute keine Option. Hinzu kommen exponentiell steigende Kosten bei der Skalierung entwickelter Modelle mit einem hohen Volumen an Daten.
Mittelfristig wird es somit für Geldhäuser weltweit notwendig sein, signifikante Investitionen in die eigene Infrastruktur vorzunehmen, sodass die entwickelten Applikationen regulatorisch compliant und kosteneffizient ist. Dabei sollten Finanzdienstleister nach der erfolgreichen Umsetzung weniger Pilotprojekte bei der Einführung neuer IT-Systeme insbesondere auf zwei Infrastrukturdimensionen achten:
- Rechenkapazität und
- Speicherkapazität.
1. Rechenkapazität
Mit der Installation von CPUs können die meisten grundlegenden KI-Modelle trainiert werden. Für die Verwendung fortgeschrittener Deep-Learning-Methoden sind darüber hinaus GPUs notwendig, welche den Trainingsprozess um den Faktor 100 beschleunigen können. Entscheider sollten also bereits im Vorhinein klären, welches Datenvolumen zu erwarten ist und welche Trainingsverfahren eingesetzt werden können.
2. Speicherkapazität
Welche Art von Speicher ein Unternehmen benötigt, hängt von vielen Faktoren ab, beispielsweise von dem Umfang der KI-Modelle und davon, ob Entscheidungen in Echtzeit getroffen werden müssen. Ein FinTech, welches KI-Systeme für Handelsentscheidungen in Echtzeit einsetzt, benötigt beispielsweise ein schnelle Speichertechnologie, während für andere Institute ein langsamerer, aber sehr großer Speicher die geeignetste Lösung verkörpert.
In der Regel werden für die meisten Anwendungsfelder hybride Datenbanken benötigt, welche mit innovativen Datenbank-Schemata wie dem Snowflake-Schema einen Kompromiss zwischen Performanz und Speicherkapazität darstellen.
Erst die Fragestellung, dann das Modell
Neben der notwendigen Rechen- und Speicherleistung für langfristig angelehnte Modell-Entwicklungen bedarf es einer starken Verzahnung zwischen Fach- und Technologie-Abteilungen der Banken. Denn tatsächlich Mehrwert generierende Machine-Learning-Projekte fußen nicht auf dem Umsetzen schnelllebiger Trends, sondern auf Fragestellungen, welche durch Big Data und die darauf basierenden Modelle besser als durch konventionelle Maschinen gelöst werden können. Weil relevante Anwendungsfelder von Institut zu Institut sehr verschieden sein können, gilt es für Entscheider, bereits im Vorhinein eine Bestandsaufnahme der Verbesserungspotenziale in den Fachabteilungen vorzunehmen und diese mit den durch das Datenvorkommen vorhandenen Trainingsmöglichkeiten abzugleichen.
Für die langfristige Wertschöpfung intelligenter Algorithmen darf somit nicht in Silos kommuniziert werden. Viel mehr benötigen Finanzdienstleister eine Kultur der kleinen und fachübergreifenden Teams, welche zunächst Verbesserungspotenziale innerhalb der Geldhäuser identifizieren. Darauf aufbauend sollten Manager die Einführung intelligenter Modelle schrittweise forcieren. Denn ähnlich wie bei Softwareprodukten können innerhalb des produktiven Betriebs eines intelligenten Modells durch die hiermit erwirtschafteten Kosteneinsparungen Folgeprojekte finanziert werden.
Banken müssen Kampf der Talente gewinnen
Die Fachabteilungen vieler Banken sind für einen solchen Prozess in der Regel bereits gut besetzt – anders sieht es mit Experten im Bereich Data Science aus, welche die technische Umsetzbarkeit der Modelle in Hinblick auf eine bestimmte Fragestellung beurteilen können. Um relevante Anwendungsfälle für Effizienzgewinne durch Künstliche Intelligenz tatsächlich identifizieren und daraufhin auf Basis der vorhandenen IT-Infrastruktur umsetzen zu können, sollten sich deutsche Banken somit zunächst als KI-Pioniere auf dem Arbeitsmarkt positionieren.
Neben einem attraktiven Gehalt können insbesondere Faktoren wie die zahlreichen Einsatzmöglichkeiten Künstlicher Intelligenz in dem eigenen Institut, Gestaltungsmöglichkeit im Austausch mit den Fachabteilungen oder moderne Technologien für junge Absolventen gute Argumente für den Einstieg in einem großen Geldhaus sein. Manager sollten sich in diesem Prozess bewusst sein, dass sie in diesem Fall nicht nur in ihrer eigenen Branche den Kampf der Talente gewinnen müssen und deshalb mit branchen- und unternehmensspezifischen Vorteilen punkten.
Erfolgsgrundlage liegt in Talenten und Infrastruktur
Mittelfristig wird die Innovation eines Finanzinstituts im Bereich Künstlicher Intelligenz wegweisend für den Erfolg der Organisation sein, so eine PwC-Studie. Um den Anschluss nicht zu verlieren, sind Geldhäuser weltweit somit gut beraten, über vereinzelte Pilotprojekte hinaus eine Grundlage für den langfristigen Einsatz intelligenter Modelle in ihren Bestandsprozessen zu schaffen. Um dies zu ermöglichen, gilt es für Entscheider, im Austausch zwischen Fachabteilung und KI-Experten tatsächlich mehrwertgenerierende Anwendungsfelder zu identifizieren, hochkarätige Umsetzungsteams aus Data-Science-Experten zu werben sowie die notwendige Daten- und Rechen-Infrastruktur für das Training der Modelle inhouse bereitzustellen.
