KINOTE 01.2021

16 01 | 2021 in

16 01 | 2021 in schnelleren Antwortzeiten für die Kunden und geringeren internen Bearbeitungszeiten bemerkbar macht. KI in der Antragsstrecke Ein weiteres Produkt ist das Privatdarlehen, also ein unbesicherter Konsumentenkredit. Auch dank der wachsenden Plattformökonomie und insbesondere der vielen Vergleichsportale erreichen die Bank Hunderttausende Anfragen im Monat. Jeder Antrag zieht potenziell Kosten nach sich – sowohl für die interne Bearbeitung und Prüfung als auch für die Anfrage von externen Datenquellen wie der Schufa. Dabei kann eine KI bei vielen Krediten schon auf Basis der Antragsdaten erkennen, dass der Antrag (fast) keine Chance auf Erfolg hat, weil z. B. bestimmte Risikomerkmale vorliegen. Auch bei der Ausfilterung von Dubletten kann eine KI noch erhebliche Kosten einsparen, weil sie z. B. Zahlendreher und Tippfehler erkennt, die mit starren Regeln unentdeckt bleiben. Um dieses Potenzial zu erschließen, hat die DKB eine KI entwickelt, die sich direkt in bestehende Workflow­Software einklinkt und im laufenden Betrieb nun dazu beiträgt, erhebliche Kosten einzusparen und so die Profitabilität des Geschäfts mit Privatdarlehen weiter zu erhöhen. KI als Wissenschaft Der Begriff Data Science, deren Paradedisziplin die KI ist, bedeutet wörtlich die Wissenschaft der Daten. Auch wenn in der Unternehmenspraxis die Aspekte der praktischen Umsetzung dominieren, gehört ein Anteil von Forschung und Entwicklung zu fast jedem Data­Science­Projekt. So ist es oft unklar, welche Daten für die Problemstellung wirklich relevant sind, wie sie am besten verarbeitet werden, wie der Erfolg gemessen wird und, nicht zuletzt, welcher Modellansatz vielversprechend ist. Um zu guten Ergebnissen zu kommen, benötigt es eine gehörige Portion von Versuch und Irrtum. Experimente können einen unklaren Ausgang haben. Gefragt ist Flexibilität, um auch alternativen Ansätzen nachzugehen. Eine rigide Projektstruktur mit festen Abhängigkeiten, detailliert geplanten Vorgehensschritten und strikten Deadlines steht diesem Entwicklungsmodell im Wege und kann im schlimmsten Fall Innovationen verhindern und Projekte scheitern lassen. Die DKB hat bei der Umsetzung von KI­Projekten sehr gute Erfahrungen mit einem agilen, iterativen Vorgehen gemacht. Am Anfang eines Projekts werden die benötigten Daten, das Vorgehen und die Modelle nur grob skizziert bzw. als Hypothesen festgehalten. Dann folgt eine rasche Entwicklung in mehreren Zyklen. Im ersten Zyklus geht es darum, möglichst schnell ein einfaches Modell auf die Beine zu stellen, das zumindest etwas besser als der bisherige Stand (die sogenannte Baseline) ist. Wenn das gelingt, wird die KI nun in weiteren Zyklen verfeinert, z. B. durch zusätzliche Daten oder ausgeklügelte Modelle. Ist die erste Iteration hingegen nicht erfolgreich, werden die Gründe analysiert. Falls alternative vielversprechende Ansätze identifiziert werden, können diese in einem neuen Zyklus verfolgt werden. Es kann aber auch sein, dass sich herausstellt, dass nicht genügend Daten vorhanden sind oder der aktuelle Stand der Technik nicht ausreicht, um die Entwicklung erfolgreich weiterzuführen. In diesem Fall kann das Projekt abgebrochen werden. So sind nur die vergleichsweise geringen Aufwände des ersten, schnellen Zyklus angefallen – ganz anders als bei einem gescheiterten Großprojekt. Selbst mit der Produktivnahme der KI gehen die Entwicklungszyklen weiter. Das Modell hat keine festen Releases, sondern ist ein laufendes, dynamisches Projekt, das kontinuierlich an neue Anforderungen angepasst und weiter verbessert wird – ganz im Sinne des DevOps­Ansatzes (Development Operations) der Softwareentwicklung.

01 | 2021 17 Die Cloud bietet hohe Leistung und große Flexibilität Ein weiterer entscheidender Faktor für die erfolgreiche Entwicklung von KI ist eine leistungsfähige und flexible Data­ Science­ Umgebung, die auch die Arbeit im Team unterstützt. Der Einsatz einer Cloud bietet hier viele Vorteile. So sind sämtliche Daten für die Data Scientists zentral verfügbar und können direkt in der Cloud verarbeitet werden. Bei Datenmengen, die z. T. mehrere Terabyte groß sind, ist das ein wesentlicher Vorteil gegenüber Daten, die lokal oder auf einem Teamlaufwerk gespeichert sind. Noch wichtiger ist aber die Flexibilität der Cloud in Bezug auf Rechenleistung. Für leistungsfähige Deep­Learning­Verfahren benötigt man hochspezialisierte Hardware­Verbünde. Hier stellen die großen Cloud­Anbieter jeweils die neueste Hardware­Generation zur Verfügung. Durch das Pay­per­ Use­Modell der Cloud­Anbieter trägt man keine Investitionskosten und zahlt nur für die Rechenleistung, die man tatsächlich nutzt. Die eingesetzte Cloud­Technologie muss aber zugleich sicher sein (z. B. durch Verschlüsselung) und selbstverständlich auch die Anforderungen des Datenschutzes erfüllen. Der – gerade für kleine Banken – womöglich größte Vorteil der Cloud ist jedoch deren ausgereiftes Ökosystem. Die Cloud­ Anbieter stellen nicht nur Hardware zur Verfügung, sondern auch ausgefeilte Software, die direkt schlüsselfertig nutzbar ist. So kann man mit wenigen Mausklicks eine komplette Data­Science­ Umgebung an den Start bringen, inklusive vorinstallierter KI­Bibliotheken, Code­Verwaltung und automatischer Backups. Fazit Die Entwicklung der IT hat viele Jahrzehnte gebraucht, bis aus klobigen Rechnern mit Lochkarten die Wunderwerke mobiler Smartphones wurden. Bei KI stehen wir erst am Anfang dieser Reise, und vieles, was Bankgeschäfte besser, schneller und persönlicher macht, muss erst noch erfunden und entwickelt werden. Doch eins ist klar: Die Zukunft gehört der KI und den Banken, die es verstehen, die Technologie im Sinne ihrer Kunden und Prozesse erfolgreich einzusetzen. Autor Torsten Nahm ist Head of Data Science bei der Deutschen Kreditbank AG. eeinsa it Dr. eorg uchs raunhofer-nstitut fr ntelligente nalse- und nforationssstee S gestaltet orsten ah das interaktive Web-Seinar Grundlagen des Data Science in Kreditinstituten chster erin ist a . Oktober , bis hr. nfos und neldung unter httpswww.bv-events.deevent grundlagen-des-data-science-inkreditinstituten-