KINOTE 01.2021

14 01 | 2021 KI-Projekte

14 01 | 2021 KI-Projekte Der Einsatz von Data Science in der Bank Data Science und insbesondere der Einsatz von Künstlicher Intelligenz (KI) sind für Banken und Finanzdienstleister der Schlüssel, um im Wettbewerb um die Kunden zu bestehen. Doch die Anwendung dieser Technologien ist anspruchsvoll. Um Erfolg zu haben, benötigt man nicht nur Daten und Modelle, sondern auch das richtige Mindset, moderne Tools – und nicht zuletzt Ausdauer und Geduld.

01 | 2021 15 Die Digitalisierung ist in aller Munde. Doch digitalisiert wird schon lange – auch und gerade bei Banken. Die ersten Computer hielten bei Kreditinstituten schon in den 1950ern Einzug. So wurde z. B. bei der Bank of America im Jahr 1955 die Software ERMA (Electronic Recording Method of Accounting) live genommen. Diese verarbeitete Schecks und automatisierte die Kontoführung. Was damals langsam anfing, ist inzwischen selbstverständlich. Wer kann sich heute noch eine Bank ohne IT vorstellen? In der Zwischenzeit haben alle Banken IT eingeführt – und sollte es solche geben, die sich dem Fortschritt verschlossen haben, so sind sie vom marktwirtschaftlichen Wettstreit hinweggefegt worden. So wie heute – gerade in Zeiten von Corona – schlanke digitale Prozesse, kosteneffiziente IT­Plattformen und ein leistungsfähiges Online Banking entscheidende Wettbewerbsfaktoren sind, so gehört die Zukunft der Künstlichen Intelligenz. Amazon und Google haben es vorgemacht: Der Wettbewerb um den Kunden wird heute nicht mit schicken Schalterhallen oder extra­sicheren Bankschließfächern gewonnen, sondern mit intelligenten Produkten, Mobile Apps, personalisierten Services und schnellen und automatischen Prozessen rund um die Uhr. Dieser Beitrag soll einen Überblick dazu geben, wie die Deutsche Kreditbank AG (DKB) Künstliche Intelligenz konkret einsetzt, wie Produkte entwickelt und betrieben wurden, welche Erfolgsfaktoren das Institut identifizierte und welche konkreten Projekte bereits realisieren werden konnten. Beim Begriff Künstliche Intelligenz denkt ein Großteil der Bevölkerung entweder an Science­Fiction­Filme oder an spektakuläre Erfolge wie den Sieg einer KI über den weltstärksten Spieler von Go, Lee Sedol. Doch die Praxis ist deutlich profaner – und gerade darum vielleicht auch vielfältiger und spannender. Denn erfolgsversprechende Einsatzzwecke von KI in Banken sind nicht so sehr futuristische potenzielle Anwendungen (wie z. B. die Bonitätseinschätzung auf Basis einer Stimmanalyse des Antragstellers), sondern sie schlummern in den bereits vorhandenen Prozessen, die teils träge, kompliziert und erst recht nicht personalisiert sind. Das gilt sowohl für Prozesse im Backend als auch für solche an der Schnittstelle zum Kunden. Das soll anhand von zwei Beispielen für erfolgreiche KI­Entwicklungen in der DKB illustriert werden. KI beim Kundenservice Neben der Hotline nehmen E­Mails mit vielen Tausend Anfragen pro Tag einen sehr hohen Stellenwert ein. Kunden und Interessenten können sich jederzeit per Mail an die Bank oder per Kontaktformular an das Kontaktcenter wenden. Damit den Anfragenden bei der Vielzahl an möglichen Themen (von der PIN­Sperre über eine Anfrage zur Erhöhung des Kartenlimits bis zu einer Rückfrage zur Bürgerfinanzierung) schnell und zielgerichtet geholfen werden kann, muss die Mail zuerst einmal an einen passenden Agenten im Kontaktcenter zugestellt werden. Traditionell hat die DKB hierbei auf Schlagwortregeln gesetzt. Doch diese können die Intention einer Mail nicht im Kontext erfassen und müssen zudem aufwändig manuell gepflegt werden. Daher wurde beschlossen, mit Deep Learning eine leistungsfähige KI zu entwickeln, die auf Basis des Verständnisses von natürlicher Sprache eigenständig eine Kategorisierung der Mail vornimmt. Da das Kreditinstitut über eine Historie von vielen Millionen Mails verfügt, wurde das Modell komplett von Grund auf entwickelt. Das hat den Vorteil, dass die KI neben Deutsch auch DKB­Sprech versteht, also spezielle Vokabeln wie DKB Cash, TAN2Go, Miles&More und weitere Termini aus unserem Produktportfolio nativ erfasst. Die KI wurde im Laufe des letzten Jahres entwickelt und ist nun seit einigen Monaten produktiv im Einsatz. Im Vergleich zu den Schlagwortregeln konnte die Genauigkeit der Zustellung an die Agenten erheblich erhöht werden, was sich u. a.