Aufrufe
vor 10 Monaten

KINOTE 01.2020

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.

38 01 | 2020

38 01 | 2020 Digitalisierung Machine Learning in Banking Apps Der Trend zur digitalen Transformation brachte in den vergangenen Jahren etliche FinTechs hervor. Junge Unternehmen, die Finanzdienstleitungen in Kombination mit modernen Technologien anbieten, stellen derzeit eine große Herausforderung für die traditionellen Bankhäuser dar. Immer mehr von ihnen fokussieren sich auf die Modernisierung des Kernsystems, die Integration mobiler Technologien sowie die Digitalisierung vieler Backoffice-Prozesse.

01 | 2020 39 Voraussetzung für den Modernisierungsprozess der Banken sind intelligente Lösungen einschließlich automatisierter Prozesse und fortschrittlicher Analysen mithilfe von Künstlicher Intelligenz (KI) und Machine Learning. Wofür diese technischen Begriffe stehen und wie eine mögliche Anwendung innerhalb einer Banking App aussehen kann, wird anhand eines Beispiels im Folgendem näher erklärt. Was ist Machine Learning? Prinzipiell wird Machine Learning als zentrales Teilgebiet der Informatik und als eine Methode der Künstlichen Intelligenz betrachtet. Ziel hierbei ist es, Probleme und Aufgaben mithilfe von Algorithmen zu lösen. Künstliche Intelligenz funktioniert anders als die menschliche. Auch der Lernprozess eines Menschen unterscheidet sich von dem einer Maschine. Rechner lernen durch das Sammeln von Daten, deren Anwendung auf mathematische Formeln sowie durch Algorithmen. Im Gebiet der Datenwissenschaft werden diese erforderlichen Datensätze Trainingsdaten und das gesamte Vorgehen Modelltraining genannt. Nach Trainingsabschluss ist das Modell in der Lage, Entscheidungen zu treffen. Das geschieht meist in Form einer Klassifikation oder einer Regression. Machine-Learning-Algorithmen und statistische Modelle werden oft im selben Kontext verwendet, obwohl sie größtenteils unterschiedlichen Ursprungs, Informatik oder Statistik, sind. Einige Algorithmen – wie die lineare Regression – werden dabei in beiden Bereichen verwendet. Das Machine-Learning- Modell selbst wird als eine mathematische Funktion mit regulierbaren Parametern dargestellt. Leichte Veränderungen dieser Parameter führen zu anderen Ergebnissen. Ein Kind, das lernt, alltägliche Gegenstände wie einen Tisch oder einen Stuhl anhand von Bildern richtig zu zuordnen, wird diese auch dann erkennen, wenn die Abbildungen gespiegelt oder verkehrtherum gezeigt werden. Ein Machine- Learning-Modell könnte das unter denselben Bedingungen nicht, sofern es nicht darauf trainiert wurde, Rotationen zu erkennen. Eine Maschine durchläuft einen anderen Lernprozess. Ein System besitzt dann die Fähigkeit zu lernen, wenn es nicht nur entsprechend der Eingabedaten die korrekte Ausgabe produziert, sondern seine Ergebnisse auch anpasst und verbessert – insbesondere, sobald es unbekannte Informationen verarbeitet. 1 Das Modell würde in dem Fall die Abbildungen der Möbelstücke als Eingabedaten erhalten und die entsprechende Zuordnung Tisch oder Stuhl als Ausgaben liefern. Ein System hat unter der Bedingung erfolgreich gelernt, dass es auch das Bild eines Stehtischs oder eines Drehstuhls korrekt zuordnen kann bzw. seine falschen Ergebnisse bei weiteren Durchläufen zunächst korrigiert, anpasst und damit seine Leistung steigert. Neu: Der Kunde von heute Mit dem Personal Computer und dem World Wide Web wurde die dritte industrielle Revolution eingeläutet. Diese Technologien brachten zum Ende des 20. Jahrhunderts eine neue Art der Kommunikation hervor. Sie erfolgt einerseits zwischen Menschen, andererseits auch zwischen Mensch und Maschine. Zum ersten Mal hinterließ der Mensch digitale Fußspuren im Netz. Jetzt werden wir Zeuge der vierten industriellen Revolution, in der die Interaktion zwischen Mensch und Maschine durch immer neue Technologien intensiviert wird. Die Zahl der digitalen Abdrücke wächst rapide und wird heute auch als Big Data bezeichnet. Die digitalen Spuren repräsentieren Informationen zu Tätigkeiten, die online ausgeführt und aufgezeichnet werden. Das sind etwa die letzten Einkäufe, die Likes auf Social-Media-Plattformen oder die Klicks auf Bildern, Links und Webseiten. Aktionen dieser Art machen die Persönlichkeit des Nutzers dahinter sichtbar, da sie seine Interessen widerspiegeln. Heutzutage sind Menschen über ihre Smartphones,

die bank

© die bank 2014-2020