Markt Magazin

istock.com/konmesa

Neue Technologien: Die Bankenwelt steht noch ganz am Anfang der Reise  

Die praktischen Anwendungsmöglichkeiten von Data Science und der darauf basierenden Anwendungen aus dem Bereich der Künstlichen Intelligenz (KI) bergen für den Finanzsektor ein großes Potenzial. Meist geht es darum, Mitarbeitende mithilfe von KI und Machine Learning (ML), einem Teilbereich der KI, von repetitiven Aufgaben zu entlasten. Doch wie sieht es mit der Anwendung der Technologien in der Praxis aus? Zwei Drittel der Finanzverantwortlichen sähen in Automatisierung und Digitalisierung der Kernprozesse zwar Top-Chancen für ihr Unternehmen, so eine jüngst veröffentlichte Studie. Gleichzeitig fehlten jedoch oft konkrete Projekte im Bereich KI: Mehr als die Hälfte der Befragten habe noch keine Projekte zur Einführung von KI, Blockchain oder Machine Learning ins Leben gerufen, hieß es.

Use Cases für den Einsatz von KI: Den Menschen nicht ersetzen, sondern unterstützen

KI spiele bei 53 Prozent der CFOs weder heute noch in naher Zukunft eine Rolle, die Implementierungsrate liege gerade einmal bei 6 Prozent, so der wenig hoffnungsfroh stimmende Befund. Nur 9 Prozent haben demnach Blockchain-Methoden implementiert, dies werde auch von der Mehrzahl nicht geplant: So hätten 76 Prozent der Finance-Verantwortlichen keinen Blockchain-Piloten auf der Agenda. Ähnlich verhalten äußern sie sich den Angaben zufolge zu Machine Learning – dies werde von 55 Prozent weder umgesetzt noch geplant. Das geht aus einer Studie der Managementberatung Horváth hervor, für die 200 internationale Finanzverantwortliche zu Entwicklungen im Finanzbereich befragt wurden.

Über welche Daten verfügen Unternehmen und wie können diese analysiert werden? Wie können Banken mit Daten zudem präzisere Prognosen vornehmen oder ihr Marketing gezielter steuern? Das waren nur einige der zentralen Fragestellungen, die auf der Online-Fachtagung „Data Science und Machine Learning in Kreditinstituten“ des Bank-Verlags am Dienstag in Köln diskutiert wurden. Moderiert wurde die Veranstaltung von Ute Kolck, Leiterin Produktmanagement des Bereichs Medien im Bank-Verlag. Sehr rasch wurde klar: Die Thematik ist hochkomplex. Daher gab es von den Referenten zunächst einige wichtige Begriffserklärungen.

Aus den Daten für die Zukunft lernen
Dr. Thomas Gottron, Principal Data Science Expert im Data Office der Europäischen Zentralbank (EZB), ging in seinem Vortrag zunächst auf Advanced Analytics ein. Hierbei handele es sich um die Anwendung moderner Methoden der vorwärts gerichteten Datenanalyse zur Verbesserung von Geschäftsprozessen, führte Gottron aus. Moderne Methoden der Datenverarbeitung sind demzufolge Data Science, Machine Learning oder Künstliche Intelligenz. Der zentrale Punkt sei nun, sich nicht nur Daten aus der Vergangenheit anzuschauen, sondern für die Zukunft daraus zu lernen. Das Ziel bestehe darin, mit den Informationen einen Erkenntnisgewinn zu erzielen, um Verbesserungen im Unternehmen zu erreichen.

Dr. Georg Fuchs, der das Geschäftsfeld Big Data Analytics & Intelligence am Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS leitet, wies auf die gewachsene gesellschaftliche Bedeutung der KI hin. Selbst die Boulevardpresse nehme sich des Themas immer häufiger an. Kaum ein relevanter gesellschaftlicher oder wirtschaftlicher Bereich komme an der Thematik noch vorbei. Doch worum handelt es sich bei der Technologie genau? Wie kann man sich ihr begrifflich annähern? Dr. Fuchs verwies auf eine Definition des Computerwissenschaftlers John McCarthy, der 1955 eine allgemeine Definition vornahm. Demnach ist es das Ziel der Künstlichen Intelligenz, Maschinen zu entwickeln, die sich verhalten, als verfügten sie über Intelligenz.

Fuchs machte darauf aufmerksam, dass man zwischen KI, Machine Learning und Deep Learning (DL) fein unterscheiden müsse. KI sei eine Technologie, mit der ein Computer intelligentes, menschliches Verhalten nachahmen könne. Im Kontext von ML analysierten selbstlernende Algorithmen und Computerprogramme Datensätze und würden Muster und Gesetzmäßigkeiten erkennen, ohne dafür explizit programmiert zu sein. Deep Learning wiederum beschreibe die Umsetzung eines maschinellen Lernverfahrens in Form eines künstlichen neuronalen Netzes. Die Erzeugung der relevanten Merkmale für das Lernen erfolgt demnach selbsttätig.

Deep Learning ist eine Variante des Maschinellen Lernens
Zum Abschluss des Vortrags gab Fuchs noch ein paar allgemeine Handreichungen mit. Aktuell existierten schwache und starke KI-Hypothesen. Derzeitige KI-Systeme seien meist noch schwache KIs. KI sei als Forschungsgebiet älter als Maschinelles Lernen und Big Data. ML und Big Data sind Fuchs zufolge jedoch einflussreiche Technologien im Bereich KI. Deep Learning sei wiederum nur eine Variante von ML, jedoch eine mit einem enormen Potenzial. Mit ML und insbesondere DL verschiebe sich die Philosophie hinter KI vom klassischen Ingenieursvorgehen hin zu einer empirischen, statistikbasierten Wissenschaft. Und last but not least: Mit DL und genug Daten seien viele Problemstellungen schneller und genauer zu lösen als je zuvor. Vor allem könne DL teilweise Lösungen für nicht programmierbare, nicht formal spezifizierte Fragestellungen selbstständig finden, so das Fazit des Experten.

Referent Torsten Nahm, Leiter des Kompetenzzentrums für Data Science bei der DKB, erklärte zu Beginn seiner Rede, dass der digitale Wandel bereits voll im Gange sei, auch im Finanzsektor. Auch das Online Banking träge massiv zum starken Wandel bei: Zwischen 2000 und 2020 sei die Zahl der Filialen in Deutschland um über 56 Prozent zurückgegangen. Nahm betonte hierbei, dass durch KI jetzt eine neue Phase der Digitalisierung eingeläutet werde. Die Technologie könne bei allem, was Menschen routinemäßig täten, zum Einsatz kommen. KI könne entweder den kompletten Prozess automatisieren oder Personen unterstützen bzw. Teilbereiche bestimmter Arbeitsgebiete übernehmen. Der Einsatz von KI sei umso einfacher je mehr Daten vorlägen, je gleichförmiger der Prozess sei, je besser die Ergebnisse quantitativ erfassbar seien und je strukturierter die Daten seien, so Nahm.

Der Experte sparte zugleich nicht mit Kritik an der Entwicklung in Deutschland. Hierzulande stecke KI immer noch in den Kinderschuhen. Erst in 8 Prozent der deutschen Unternehmen sei KI im Einsatz, so Nahm unter Verweis auf eine aktuelle Bitkom-Studie. Für Nahm nur schwer nachvollziehbar, denn immerhin sei KI bereits Teil der DNA der erfolgreichsten Firmen auf der Welt. Amazon, Google und Facebook nutzten Machine Learning in jedem Bereich ihres Geschäfts. Google dominiere die Websuche, weil es den intelligentesten Algorithmus habe. Dieser lerne laufend mit jedem Klick. Mit Google Translate, den automatischen Untertiteln von Youtube, sei Google bei vielen KI-Technologien an der Spitze.

Amazon setzt KI für Produktvorschläge ein
Nahm nannte auch Amazon. Die Firma setze KI in allen relevanten Bereichen ein, etwa bei den Vorschlägen relevanter Produkte, zur Optimierung der Lagerhaltung und Lieferung sowie zur Vorhersage von Trends bei neuen Produkten. Facebook wiederum nutze ausgefeiltes Machine Learning, um die Timeline zu personalisieren und relevante Inhalte zu zeigen sowie um anstößige Inhalte zu erkennen.

Und wie sieht es im Finanzsektor aus? Machine Learning werde bereits seit vielen Jahren in Banken eingesetzt, führte Nahm aus. Die Finanzindustrie habe hier in den neunziger Jahren sogar zu den Vorreitern gehört. Damals habe die Automatisierung der Kreditanalyse, eines zentralen Geschäftsbereichs von Banken, begonnen. Statistische Algorithmen übertrafen Nahm zufolge bald selbst die besten Kreditanalysten. Inzwischen seien maschinelle Ratingverfahren nicht mehr aus der Bankenwelt wegzudenken. Der Erfolg werde aber kaum noch als KI wahrgenommen.

Allerdings kommt Nahm auch zu einem wenig schmeichelhaften Befund: Die Bankenwelt befinde sich insgesamt immer noch ganz am Anfang der Reise in Bezug auf die neuen Technologien. Während Unternehmen wie Amazon und Google Data Science quasi in ihrer DNA tragen würden, müssten die Kreditinstitute sich erst noch dahin entwickeln. Nahms Fazit: Die Geldhäuser müssten noch erhebliche Anstrengungen unternehmen, um zum Beispiel gegen FinTechs zu bestehen.

+++

Was versteht man unter Data Science und wie ist dies in den Themenkomplex KI einzuordnen? Wozu benötigt eine Bank einen Data Scientist und mit welchen Daten und Tools wird hier gearbeitet? Diese und weitere Fragen beantwortet Torsten Nahm von der DKB. Hören Sie den Podcast „Data Science“ aus der Reihe „durch die bank“.

Melden Sie sich bei Interesse zu unserem Online-Zertifikatslehrgang Data Scientist in Kreditinstituten: Einsatzfelder, Methoden und Umsetzung an.

Stichworte

Verwandte Artikel

Anzeige

Lexikoneinträge