Aufrufe
vor 3 Jahren

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.

40 01 | 2020 ihre

40 01 | 2020 ihre Smartwatches oder ihre Smart Homes ständig vernetzt. So werden rund um die Uhr große Datenmengen generiert, deren Sammlung und Auswertung intelligente Systeme und automatisierte Prozesse erfordern. Die daraus gewonnenen Einblicke sind nicht nur für soziale Plattformen interessant und relevant. Google, Apple, Facebook und Amazon – auch bekannt als GAFA – haben in den letzten Jahren eine neue Form von Kunden erschaffen. Vor allem die Generationen Y (geboren zwischen 1980 und 2000) und Z (geboren ab dem Jahr 1995) sind damit aufgewachsen, von überall und zu jeder Zeit Dienste in Anspruch nehmen zu können. Für diese ständige Verfügbarkeit sind sie bereit, ihre persönlichen Daten freiwillig zu teilen. Mithilfe intelligenter Technologien können Unternehmen diese Informationen auswerten, um ihre Nutzer besser zu verstehen. So ist es ihnen möglich, Kunden gezielter zu adressieren, deren Bedürfnisse vorherzusagen oder zu wecken und sie am Ende zu bedienen. 2 So wichtig sind KI und Machine Learning im Finanzbereich Für die Finanzbranche heißt das konkret: Persönliche Daten im Austausch für eine neue Art von Banking, bei der Nutzer jederzeit Zugriff auf die eigenen Finanzen haben. Das bedeutet schnelleres und einfacheres Finanzmanagement sowie persönlich zugeschnittene Beratungsleistung und entsprechende Bankprodukte – wobei gerade die Beratungsfunktion mithilfe von Big Data die Möglichkeiten eines traditionellen Bankberaters deutlich übersteigen. Machine Learning bietet Finanzdienstleistern die Möglichkeit, Kunden persönlicher, effizienter und erfolgreicher zu begleiten. Wie viel Geld geben andere Personen aus meinem Umfeld für gewöhnlich aus, und wie kann ich mein eigenes Verhalten verbessern? Ich möchte für eine Reise Geld sparen, wo kann ich für meine individuelle Situation Einsparungen machen? Hat mein aktueller Vertrag mit dem Stromversorger das optimale Preis-Leistungs-Verhältnis? Mit digitalem Wissen kann man Nutzer informieren und inspirieren. Zugleich hilft die Technologie Banken dabei, interne Prozesse zuverlässig zu optimieren. Algorithmen können zum Beispiel bei der Betrugs- und Geldwäsche-Prävention eingesetzt werden, indem sie Anomalien innerhalb der getätigten Transaktionen eines Kunden oder seiner angegebenen Daten feststellen. Die Einsatzmöglichkeiten für das Machine Learning innerhalb der Finanzbranche sind breitgefächert. Sowohl der Kunde als auch das Unternehmen können von den Methoden der Künstlichen Intelligenz profitieren. Machine Learning in einer Banking App Im Folgendem wird ein theoretischer Machine-Learning- Ansatz vorgestellt, der dazu genutzt werden kann, eine mobile Banking App potenziell kundenorientierter zu gestalten. Wenn man Nutzer mit ihren Interessen und Bedürfnissen versteht, kann man ihnen passende Angebote machen. Häufig werden hierfür Nutzerprofile erstellt, die es Unternehmen ermöglichen, ihre Kunden anhand von bestimmten Verhaltensweisen einzuordnen. Allgemein werden Apps aufgrund unterschiedlicher Bedürfnisse individuell verwendet. Bei Banking Apps gibt es beispielsweise Verbraucher, die durch die Anwendung nur ihre Konten im Blick behalten möchten. Andere wiederum tätigen bereits Zahlungen, sperren und entsperren Karten, rufen Kontoauszüge digital auf oder vereinbaren den nächsten Termin online mit einem Bankberater. Mithilfe von Machine Learning kann die Banking

01 | 2020 41 Applikation je nach quantitativer und qualitativer Nutzung entsprechend der Kundenbedürfnisse gestaltet werden – zum Beispiel, indem man besonders aktive Nutzer auf neue Funktionen innerhalb der App aufmerksam macht, oder inaktiven Nutzer dabei hilft, die App zu explorieren. Das Aktivitäts-Niveau kann anhand folgender Segmentierung näher definiert werden: 1. Low: Kunden mit wenig App-Interaktion 2. Medium: Kunden mit moderater App-Interaktion 3. High: Kunden mit intensiver App-Interaktion Nutzerklassifikation mit Clustering Eine solche Kundensegmentierung fällt in den Bereich der Klassifikation. Für diese Aufgabe kommen verschiedene Machine-Learning-Algorithmen infrage. Je nachdem wie der Datensatz aufbereitet ist, können diese aus unterschied lichen Lerntypen des Machine Learning stammen. Insgesamt gibt es vier Lerntypen, die sich prinzipiell darin unterscheiden, auf welche Art und Weise – mit menschlicher Hilfe oder mit positiver/negativer Verstärkung – das System lernt: 1. Supervised Learning, 2. Unsupervised Learning, 3. Semi-Supervised Learning, 4. Reinforcement Learning. Für dieses Anwendungsbeispiel wird ein Clustering-Algorithmus des Unsupervised Learnings verwendet. In diesem Fall besteht der Datensatz nur aus einem Dateninput und enthält keine Informationen zum entsprechenden Output. Man bezeichnet einen solchen Trainingssatz auch als unbeschriftet. Im Beispiel mit den Möbelstücken würden dem Modell nur die Bilder der Objekte ohne die dazugehörigen Begriffe als Output dazu gezeigt werden. Das Modell lernt also ohne menschliche Unterstützung. Seine Aufgabe ist es dann, eigenständig die Datenstruktur zu erkennen und Datenobjekte zu gruppieren. Nach dem Training wird das Modell im besten Fall eine Gruppe (Cluster) identifiziert haben, die jeweils vier Beine und eine flache Oberfläche besitzt (Tisch). Ein anderes Cluster würde dieselben Merkmale jedoch mit Rückenlehne erkennen (Stuhl). Allgemein wird beim Clustering zwischen zwei Typen unterschieden: 1. Hartes Clustering: Ein Datenobjekt gehört zu höchstens einer Gruppe. Oder 2. Softes Clustering: Die Objekte können mehreren Gruppen zugeordnet werden. Für das Anwendungsbeispiel wird ein hartes Clustering mit dem sogenannten k-Means- Algorithmus durchgeführt. 01 | Beispieldatensatz mit Zeiten der Kunden-Logins Kundennummer Timestamp Event 001 2020-27-02 23:19:31 login_confirmed 002 2020-27-02 20:15:28 login_confirmed 003 2020-22-02 10:10:15 login_confirmed 004 2020-26-02 08:42:09 login_confirmed 005 2020-24-02 21:23:14 login_confirmed 006 2020-25-02 04:22:29 login_confirmed 007 2020-28-02 10:50:17 login_confirmed 008 2020-24-02 09:29:20 login_confirmed 009 2020-28-02 09:33:33 login_confirmed 010 2020-20-02 16:35:20 login_confirmed Quelle: Xinyue Deng, Neugelb Studios GmbH. K drückt aus, wie viele Cluster am Ende generiert werden sollen. In unserem Fall stehen die Nutzer für die Datenobjekte, die jeweils einem Cluster zugeteilt werden, also k = 3. Jedes Cluster wird nach dem Prinzip der Ähnlichkeit gebildet. Das bedeutet, dass Datenobjekte mit geringem Abstand oder geringer Abweichung zum Cluster-Zentrum (Zentroid) als gleichartig betrachtet und gruppiert werden. Alle Cluster besitzen ein Zentrum, das ein zufällig gewähltes Datenobjekt aus dem Datensatz sein kann. Im Laufe des Trainings werden diese Cluster-Zentren neu berechnet und stellen dann neue Datenpunkte dar. Vorgehen für das Anwendungsbeispiel Durch Segmentierung bzw. Clustering sollen Kunden anhand ihres Levels an Interaktion mit der Applikation eingestuft werden. Das kann an unterschiedlichen Stellen erfolgen – zum Beispiel beim Login, einer Überweisung oder der Überprüfung des Kontostands. Der folgende Beispieldatensatz enthält Informationen von Kunden, die sich innerhalb von zwei Wochen eingeloggt haben. Der Verständlichkeit halber sind hier nur die Daten zu den ersten zehn Kunden vereinfacht dargestellt. »1

die bank