Aufrufe
vor 4 Jahren

KINOTE 01.2019

  • Text
  • Methoden
  • Lernverfahren
  • Unternehmen
  • Systeme
  • Modell
  • Beispielsweise
  • Menschen
  • Einsatz
  • Banken
  • Intelligenz
Um einen Wandel der Finanzbranche erfolgreich zu meistern, müssen Kreditinstitute sowohl Chancen als auch Herausforderungen der Künstlichen Intelligenz (KI) erkennen. Unter der neuen Marke KINOTE der Bank-Verlag GmbH finden Sie Meldungen, Studien und Fachartikel zum Themenkomplex KI. Wir beantworten Ihre Fragen rund um KI. Wir berichten über Trends, neue Technologien, Forschungsergebnisse und daraus entstehende Möglichkeiten, die KI Ihrem Unternehmen bietet.

16 01 | 2019 aber auch

16 01 | 2019 aber auch gesellschaftliche Fragen auf, etwa die, wie KI die Arbeitswelt verändern wird. Das Potenzial von RPA steht dabei gerade erst am Anfang der Entwicklung. Durch Integration weiterer KI-Methoden werden in Zukunft immer komplexere Aufgabenstellungen über RPA gesteuert werden können. Der RPA-Software-Hersteller UIPath beispielsweise hat im April 2019 in einer Finanzierungsrunde rund 500 Mio. Euro eingesammelt, die er für die weitere Entwicklung Cloud-basierter KI-Methoden für neue RPA-Einsatzmöglichkeiten investieren möchte. Am Ende der Entwicklung sollen autonom handelnde Systeme stehen. Wer kontrolliert die Systeme? Dies führt zu der Frage nach Überwachung und Kontrolle von KI-Systemen – nicht nur im Zusammenhang mit RPA, sondern für jedes selbstlernende System. Für den Finanzbereich hat die Aufsichtsbehörde BaFin bereits im Juni 2018 die Studie „Big Data trifft auf künstliche Intelligenz“ veröffentlicht. Darin greift sie auch regulatorische Fragen auf, die sich mit der Nachvollziehbarkeit von Handlungen und Entscheidungen von autonomen KI-Systemen beschäftigen. Ein spannendes Thema in diesem Zusammenhang ist die Gefahr diskriminierender Entscheidungen selbstlernender Systeme. Aus Daten lernende Systeme sollen idealerweise komplexe und verborgene Zusammenhänge erkennen und auswerten. Aktuell ist es allerdings schwer bis sogar unmöglich, das gelernte Wissen nachzuvollziehen oder zu prüfen. Der Übergang von einem differenzierenden System zu einem diskriminierenden ist fließend und kann die eigentliche Aufgabenstellung konterkarieren. Ein Beispiel dafür ist die vom Online-Händler Amazon getestete KI-unterstützte Auswertung von Bewerbungsunterlagen. Das Ziel war es, Bewerbungen zu erkennen, die für besonders geeignete Kandidaten sprechen. Dabei wurden alte Bewerbungen als Datengrundlage genommen, und die erfolgreichen Bewerber waren das Kriterium für den Lernerfolg. Die Datengrundlage war jedoch bereits geschlechterdiskriminierend: Da in der Vergangenheit männliche Kandidaten bevorzugt wurden, wurde dies auch von dem angelernten System übernommen. Um das zu vermeiden, wurde folglich alles aus den Daten entfernt, woraus sich Rückschlüsse auf das jeweilige Geschlecht eines Bewerbers ziehen ließen. Dazu gehörten selbst soziale Aktivitäten wie etwa „Vorsitzende der Frauen- Schachmannschaft“. Und dennoch blieb das System weiterhin diskriminierend, wie eine tiefere Analyse belegte, denn es konnte anhand spezieller Sprachmuster zwischen Männern und Frauen unterscheiden. Bereits die Datengrundlage war geschlechterdiskriminierend gewesen, und auch nach Entfernung eindeutiger Attribute war das angelernte System immer noch in der Lage, zwischen Männern und Frauen zu unterscheiden – und entschied entsprechend der Lernvorgaben aus den Daten zugunsten von Männern. Es hatte erfolgreich das bisherige Verhalten im Einstellungsprozess gelernt, was allerdings nicht die Intention für den Einsatz gewesen war. Das Beispiel zeigt, dass man bei selbstlernenden Systemen – auch bei vordergründig guten Ergebnissen – immer noch genau prüfen muss, ob das Gelernte auch wirklich objektiven Erfolgskriterien genügt. Dabei sind neben Reputationsrisiken bei offensichtlicher Diskriminierung auch wirtschaftliche Schäden durch Fehlentscheidungen möglich. Fazit Aktuell wird es durch die Verfügbarkeit von Rechenkapazitäten und Daten immer einfacher, lernende Systeme aufzubauen. Der Erfolg solcher Systeme, z. B. im Bereich der Bilderkennung und der Sprachkommunikation, verführt dazu, dies als einfach einzusetzende Technologie anzusehen. Tatsächlich stellen sich aber hohe Anforderungen an Zieldefinition, Datenqualität und Prüfung der Ergebnisse. Die sicher anstehende Regulatorik sollte dabei nicht nur als Hindernis betrachtet werden, sondern auch im eigenen Interesse als Anstoß für neue Kontrollstrukturen gesehen werden. Autor Sascha Dierkes ist Leiter IT-Entwicklung & Operations im Geschäftsbereich Medien bei der Kölner Bank-Verlag GmbH.

++ Jetzt Testzugang anfordern ++ 01 | 2019 17 Webbasierte Schulungsprogramme Zielgruppe » alle Mitarbeiter in Kreditinstituten aus den Bereichen: » Compliance » Revision » Kontoführung Zielgruppe » alle Mitarbeiter in Kreditinstituten, insbesondere aus den Bereichen: » Privat- und Firmen - kundengeschäft » Backoffice » Organisation » Compliance » Revision » Kreditabteilung Testzugang testzugang@bank-verlag.de Michael Stoll: 0221/5490-124 Abklärung des wirtschaftlich Berechtigten Eine angemessene und risikoorientierte Umsetzung des „Know Your Customer“-Prinzips (KYC) ist eine wichtige Voraussetzung, um möglichen Schaden abzuwenden. Die Anforderungen zur Abklärung des wirtschaftlich Berechtigten wurden mit Inkrafttreten des neuen GwGs im Juni 2017 erheblich modifiziert. Ende 2018 hat die BaFin zudem die Endfassung ihrer Auslegungs- und Anwendungshinweise veröffentlicht, die in dem WBT berücksichtigt wurde. Eine Mitarbeiterschulung zu dieser Thematik ist deshalb unverzichtbar. » Wie kläre ich den wirtschaftlich Berechtigten bei unterschiedlichen Kundengruppen ab? » Welche Unterlagen etc. darf ich zur Verifizierung des wirtschaftlich Berechtigten nutzen? » Welche Daten müssen seit dem 01.01.2018 aufgrund des Steuerumgehungsbekämpfunggesetzes zusätzlich erfasst werden? Abwehr von Geldwäsche | Basis- und Aufbauschulung (dt. + engl.) Die Basisschulung vermittelt anhand zahlreicher aktueller Beispielfälle aus der Praxis schnell und effizient die notwendigen Grundlagen zur Geldwäscheprävention. Die Aufbauschulung ermöglicht eine vertiefende Betrachtung unterschiedlicher Fallkonstellationen und ist daher insbesondere geeignet für Mitarbeiter mit direktem Kontakt zu Kunden oder Kundendaten. Über integrierte Lernpfade können die Aufgabenbereiche der Mitarbeiter berücksichtigt werden. Beide Schulungen liegen in deutscher und englischer Sprache vor. Wir bieten Ihnen: » interaktive Wissensvermittlung im modernen, benutzerfreundlichen Layout » anschauliche Beispiele und Fälle aus der Praxis » Abschlusstest mit Zertifikat » optional integrierbare Monitoring-Funktion zur Dokumentation des Lernerfolgs » umfassende Aktualisierung, mindestens 1x jährlich Bestellen Sie noch heute Ihren Testzugang!

die bank