Aufrufe
vor 5 Jahren

die bank 09 // 2018

die bank gehört zu den bedeutendsten Publikationen der gesamten Kreditwirtschaft. Die Autoren sind ausnahmslos Experten von hohem Rang. Das Themenspektrum ist weit gefächert und umfasst fachlich fundierte Informationen. Seit 1961 ist die bank die meinungsbildende Fachzeitschrift für Entscheider in privaten Banken, Sparkassen und kreditgenossenschaftlichen Instituten. Mit Themen aus den Bereichen Bankmanagement, Regulatorik, Risikomanagement, Compliance, Zahlungsverkehr, Bankorganisation & Prozessoptimierung und Digitalisierung & Finanzinnovationen vermittelt die bank ihren Lesern Strategien, Technologien, Trends und Managementideen der gesamten Kreditwirtschaft.

DIGITALISIERUNG 2 |

DIGITALISIERUNG 2 | Fünf Anwendungsklassen des Drei-Ebenen-Modells Sprachebene des Aufgaben-Stellers 1. Input- Transformation 5. Output- Transformation Sprachebene des Aufgaben-Lösers 2. Prüfung Aufgaben-Kontext 3. Präzisierung Aufgabe 4. Lösung Aufgaben-Kern kurzer Prozess sein, wenn der Auftraggeber lediglich Datenfelder online befüllen muss. Der Weg ist wesentlich länger, wenn der Input über die Umgangssprache oder gar über Gefühlsäußerungen erfolgt; dann geht es um die diversen Varianten der Text-, Sprach- oder gar Gefühlserkennung. 2. Bei der Prüfung des Aufgabenkontexts wird der – nach Input-Transformation digital vorliegende – Bedarf des Auftraggebers in die Lösungstypologie des Finanzanbieters übersetzt. Aus dem Wunsch „für das Alter vorsorgen“ wird zum Beispiel „Geld in ETF-basierter Vermögensverwaltung anlegen“. Dabei kann der Aufgabenkontext wie im genannten Beispiel deutlich eingeengt, aber im Gegensatz dazu auch erweitert werden. Aus „Kredit für einen Gabelstapler X“ könnte zum Beispiel die Finanzierung oder Miete für ein Transportwerkzeug mit bestimmten Leistungsvorgaben werden. Diese Kontextbestimmung ist die schwierigste aller fünf Anwendungsklassen und eine exzellente Möglichkeit zur strategischen Differenzierung. 3. Bei der Präzisierung der Aufgabe ist der gewählten Lösungstypologie des Finanzdienstleisters das konkrete Verfahren zuzuordnen und die notwendigen Zielwerte und Parameter sind zu übermitteln. Im Fall des Robo Advice könnten dies sein: Markowitz-Algorithmus, Zielbetrag, Laufzeit, Optimierungsgröße wie „maximale Rendite bei Risiko < x“ und Einschränkungen wie „nur nachhaltige Anlagen“. Die notwendigen Daten werden hier definiert und beschafft – sei es durch Zugriff auf vorhandene Kundendaten, durch Abfrage beim Auftraggeber oder sogar durch ergänzende Suche, zum Beispiel in sozialen Netzen. 4. Die Lösung des Aufgabenkerns beinhaltet die Generierung der Lösung(en) auf Basis der in (3) bereitgestellten Informationen. Dies kann ein kleiner Folgeschritt, aber auch ein sehr aufwendiger Schritt sein, z. B. bei umfassenden Simulationsrechnungen oder der Entwicklung von Lösungsalternativen. Schließlich sind hier Argumentationsmuster und Begründungen vorzubereiten, die in (5) unter Umständen gebraucht werden. 5. Die Output-Transformation übersetzt das – digital codierte – Ergebnis zurück in ein für den Menschen verständliches Format. Formal sind die Ergebnisse auf die gewünschte Sprachebene zu transformieren, z. B. in einen Text mit Schaubildern oder in gesprochenes Wort. Inhaltlich muss die Lösung konfektioniert und individualisiert sowie nach Bedarf mit Erklärungen versehen werden. Mit dem fünften Schritt ist der Zyklus zurück zum Auftraggeber geschlossen. Je nach Anwendung können einzelne Schritte im Zyklus trivial sein oder ganz ausgelassen werden. Der Zyklus kann mehrfach durchlaufen werden – wenn der Auftraggeber beispielsweise Rückfragen hat oder mit dem Ergebnis nicht einverstanden ist. Auch kann eine ganze Kette von Zyklen aufgebaut werden. Die untere Ebene: Verfahren der KI KI umfasst gemäß der oben gewählten Definition ein breites Spektrum von Verfahren. ÿ 3 Zwischen Anwendungsklasse und optimaler Methode gibt es zwar keine mechanische Zuordnung, aber ein durchaus strukturierbares Bild. Im Folgenden wird dies für Beispiele in drei Anwendungsklassen aufgezeigt. 48 09 // 2018

DIGITALISIERUNG 3 | Spektrum von KI-Verfahren (mit typischen Beispielen) » „Wir wissen nichts über die Lösungsmuster” » Nur implizites Wissen geht in deren Abbildung ein (insbes. Datensätze) » Sog. sub-symbolische oder nummerische Abbildung » „Wir wissen sehr viel über die Lösungsmuster” » Explizites Erfahrungswissen geht in deren Abbildung ein (Algorithmen und Daten) » Sog. symbolische Abbildung Unsupervised (deep) learning Tree-based neural networks Fuzzy Logic Prädikaten-Logik Strukturvergleich- Modelle Reinforced (deep) learning Supervised (deep) learning Random forests Monte-Carlo- Simulation Bayes'sche Netze Regressions- Modelle Entscheidungsbäume Tendenz Neuronale Netze Tendenz Mischformen Tendenz Algorithmen In der Anwendungsklasse Input- Transformation geht es um die Umsetzung von Sprache oder Text in digitalen Code. Dies geschieht in Sprachprozessoren, bei denen die Lösungsfindung über mehrere, eng verzahnte Ebenen hinweg iteriert: Akustik, Phonetik, Wörterbuch, Syntax und Semantik. Dafür ist Deep Learning mittels neuronaler Netze gut geeignet, setzt aber sinnvollerweise auf den Regeln der Linguistik und damit einer algorithmischen Grundstruktur auf. Ein solches Gesamtsystem sollte man als Anwender nicht zerlegen, sondern als Black Box betrachten und als solche beschaffen und optimieren. Bei der Prüfung des Aufgaben-Kontexts geht es typischerweise um das Erkennen von Präferenz-Mustern: Kundenprofilierung (Segmentierung oder Clustering), Predictive Analysis, Generierung von Empfehlungen (Next Best Product) oder auch Mustererkennung im Compliance- und Fraud- Bereich. Je nach konkretem Inhalt ist ein spezifischer Verfahrens-Mix erforderlich. Als Beispiel sei die Kundenprofilierung herausgegriffen. Sie kann durchaus auf algorithmischen Verfahren basieren, etwa der Regression. Aber hier spielt Deep Learning als überlagernde Schicht inzwischen eine wesentliche Rolle. Das geschieht bei Segmentierung auf Basis vorgegebener Klassen mit überwachtem Lernen, beim Clustering auf Basis unbekannter Zusammenhänge mit unüberwachtem Lernen. Die Lösung des Aufgabenkerns mit der vorgelagerten Präzisierung der Aufgabe stützt sich nach wie vor sehr stark auf algorithmische Verfahren – seien es Entscheidungsbäume oder Simulationsverfahren, klassische Anlageoptimierungs- oder Kreditbeurteilungs-Algorithmen oder auch regelbasierte Prüfungen von Transaktionen. Allerdings werden diese schrittweise mit Verfahren des Deep Learning angereichert, die das Ursprungsergebnis verbessern. Diese Schicht ergänzt die Algorithmusbasierte Vorgehensweise, aber sie ersetzt sie in der Regel (noch) nicht. Es ist außerordentlich wichtig, Verfahren Anwendungsklassen-spezifisch auszuwählen. Denn zum einen sind die Verfahren nach Anwendungsklasse unterschiedlich geeignet. Zum anderen variiert die Performance von KI-Anbietern nach Klasse. Es gibt Hersteller, die in einer Anwendungsklasse sehr leistungsfähig sind, in einer anderen aber überhaupt keinen Beitrag leisten können. Das vorgestellte Drei-Ebenen-Modell trägt einen in der Wissenschaft entwickelten Ansatz in die Praxis. Es wurde in einem umfangreichen Konsortialprojekt von ibi research gemeinsam mit elf Partnern entwickelt. 7 Zur Validierung wurden zahlreiche Anwendungsfälle aus allen bankfachlichen Bereichen (z. B. Beratung, Service und Zahlungsverkehr) herangezogen. Auf Basis einer Use-Case-Vorlage wurden dabei 09 // 2018 49

die bank