Aufrufe
vor 2 Jahren

KINOTE 01.2021

  • Text
  • Digitale
  • Algorithmen
  • Modelle
  • Einsatz
  • Entwicklung
  • Beispielsweise
  • Informationen
  • Intelligenz
  • Unternehmen
  • Banken
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.

18 01 | 2021 Data

18 01 | 2021 Data Science und KI Wie man aus Daten Wissen generiert Künstliche Intelligenz (KI) wird in der Geschichte der Wirtschaft die nächste technische Revolution antreiben. Viele Unternehmen haben bereits das Potenzial von KI-Anwendungen erkannt. Dabei kann es zum Beispiel um genauere, schnellere und konsistentere Kreditvergabeentscheidungen, die treffsichere Erkennung von Betrugsverdachtsfällen bei Kreditkartentransaktionen in Echtzeit oder um die maschinengestützte Extraktion von Schlüsselinformationen aus einer großen Menge von Leasingverträgen gehen.

01 | 2021 19 Im Zentrum solcher KI­Anwendungen stehen jeweils datengestützte Analysen und Modelle, auf deren Grundlage Entscheidungsprozesse optimiert werden. Data Science – zu Deutsch auch Datenwissenschaft – hat zum Ziel, das für die Entscheidungsfindung benötigte Wissen aus Daten zu generieren. Dabei kommen Methoden und Wissen aus verschiedenen Bereichen wie Mathematik, Statistik, Stochastik, Informatik und Branchen­Know­how zum Einsatz. Eine hohe Relevanz haben heutzutage insbesondere die unterschiedlichen Methoden des Maschinellen Lernens (ML), die sich für die Analyse großer Datenmengen und unstrukturierter Daten – Texte, Bilder, Video, Ton – besonders eignen. Definition und Kernbegriffe von Data Science und KI Im Kontext von Künstlicher Intelligenz und Data Science werden Begriffsdefinitionen nicht immer einheitlich oder im Fall von KI, ML und Deep Learning sogar fälschlich synonym verwendet. John McCarthy prägte den Begriff KI bereits 1955 mit folgendem Anspruch: „Ziel der KI ist es, Maschinen zu entwickeln, die sich verhalten, als verfügten sie über Intelligenz.“ Diese Definition beschreibt im heutigen Verständnis eine sogenannte schwache KI, d.h. ein System, das für einen eng begrenzten Einsatzzweck handelt, als wäre es intelligent. Die allermeisten heutigen KI­Anwendungen, wie z. B. Text­, Bildund Spracherkennung (Siri, Alexa), eine Betrugserkennung oder Navigationsassistenten fallen in diese Kategorie. Starke oder echte (menschengleiche) Künstliche Intelligenzen, die zusätzlich über erweiterte Abstraktions­ und Planungsfähigkeiten sowie Kreativität verfügen, sind derzeit trotz großer Fortschritte in diese Richtung noch nicht verfügbar. Ein besonders einflussreiches Teilgebiet der Künstlichen Intelligenz bzw. Data Science stellt das Maschinelle Lernen dar. Durch selbstlernende Algorithmen analysieren Computerprogramme Daten und erkennen Muster und Gesetzmäßigkeiten, ohne dafür explizit programmiert zu sein. Somit können unbekannte, neue Daten durch intelligente Verknüpfung in einen Zusammenhang gesetzt und Rückschlüsse gezogen werden, um auf dieser Basis Vorhersagen zu treffen. Deep Learning beschreibt die Umsetzung eines maschinellen Lernverfahrens in Form eines künstlichen neuronalen Netzes. Der Unterschied zu anderen Verfahren des Maschinellen Lernens besteht darin, über verfügbare Daten hinaus zu lernen. Durch Informationsanalysen und ­bewertungen können logische Schlüsse gezogen werden, die über die einfache Datenanalyse hinausgehen. » 1 visualisiert die Verknüpfung zwischen Artificial Intelligence, Machine Learning und Deep Learning und zeigt die Entwicklung der Technologien chronologisch auf. Data Science – Rollen Data Science ist eine angewandte, interdisziplinäre Wissenschaft. Ziel der Datenwissenschaft ist es, Wissen aus Daten zu generieren, um beispielsweise interne Produktions­ und Verwaltungsprozesse zu optimieren oder die Entscheidungsfindung zu unterstützen. Um dieses Ziel erreichen zu können, müssen verschiedene Fachkompetenzen miteinander kombiniert werden. Es hat sich hierbei ein gewisser Konsens bezüglich drei grundlegender Kompetenzbereiche oder Rollen ergeben, auch wenn die Rollenbezeichnungen teilweise variieren. Ausgangspunkt ist dabei stets ein solides Verständnis des Anwendungskontexts und seiner Randbedingungen. In einem Data­Science­Team ist daher immer die Rolle des Business Analyst notwendig, der als Schnittstelle zwischen Fachbereich und Analyse­Experten fungiert. Die Rolle des Data Analyst umfasst Experten für Datenanalysen und Methoden des Maschinellen Lernens. Teammitgliedern dieser Kategorie obliegt es, Daten für die Analyse vor­

die bank