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.

22 01 | 2021 Automated

22 01 | 2021 Automated Machine Learning (AutoML) Die Grundlage für die Modellfabrik Machine Learning (ML) spielt bei der Generierung von Erkenntnissen aus großen Datenmengen eine zentrale Rolle. Die Anwendung von ML-Methoden erweist sich in der Praxis jedoch als sehr zeit- und ressourcenintensiv. Die Automatisierung einer Vielzahl der benötigten Schritte kann sowohl die Effizienz des Entwicklungsprozesses für ML-Modelle erheblich steigern als auch zu einer „Demokratisierung“ von Machine Learning beitragen, da auch Mitarbeiter ohne Spezialkenntnisse zur Anwendung von Machine Learning befähigt werden.

01 | 2021 23 Data Scientisten sind auf dem Arbeitsmarkt nach wie vor eine knappe Ressource, und es wird erwartet, dass sich dieser Fachkräftemangel durch den steigenden Bedarf von Unternehmen, Daten systematisch zu nutzen, zukünftig weiter verschärfen wird. Zeitgleich ist die Entwicklung von Machine­Learning­basierten Lösungen zur Anwendung in Geschäftsprozessen häufig mit einem monatelangen Zeit­ und Koordinationsaufwand verbunden, der von der Konzeption über die eigentliche Modellentwicklung bis hin zum Monitoring des implementierten Modells reicht. Das Ziel von Automated Machine Learning (AutoML) ist es, einen Großteil der manuell durchgeführten Schritte im Entwicklungsprozess zu automatisieren und damit deutlich schneller und effizienter einen tatsächlichen Wert für Unternehmen zu schaffen. Dabei ist AutoML eine wesentliche Voraussetzung, um den Ansatz einer Modellfabrik im Unternehmen zu realisieren. Die Idee einer solchen Modellfabrik besteht darin, einen hochgradig automatisierten Prozess zu etablieren, der sowohl eine effiziente Entwicklung von völlig neuen Modellen als auch schnelle Updates von bereits existierenden Modellen ermöglicht und somit den Modell­Output messbar steigern kann. Dabei ist jedoch auch wichtig hervorzuheben, dass nicht sämtliche Schritte der Modellentwicklung automatisiert werden können. Besonders am Anfang eines Projekts ist manueller Aufwand notwendig. Entsprechend ist auch in einem stark automatisierten Modellierungsprozess die Arbeit von Data Scientisten ein zentrales Element für eine erfolgreiche Implementierung eines Modells in die Geschäftsprozesse. Siehe auch Darstellung » 1 . So gilt es insbesondere zu Beginn, ein tiefgehendes Verständnis für den Anwendungsfall durch den Austausch mit den Stakeholdern zu entwickeln und ein Konzept für mögliche Lösungen zu erarbeiten. Dieses Konzept beinhaltet idealerweise eine Definition relevanter KPIs für die Bewertung der Modellgüte sowie eine Strategie zur möglichen Implementierung des Modells. Darüber hinaus sind die Verfügbarkeit und Qualität von Daten zu überprüfen, was gerade im Bankenumfeld häufig auch Abstimmungen mit der Datenschutzabteilung erfordert. Nach der Konzeptionsphase und Klärung datenschutzrechtlicher Aspekte kann mit dem eigentlichen Entwicklungsprozess auf Basis der verfügbaren Daten begonnen werden. Der nun folgende Schritt der Datenaufbereitung gilt gemeinhin als der zeitaufwendigste Teil des gesamten Modellierungsprozesses und kann nur teilweise durch AutoML unterstützt werden. So erfordert etwa die initiale Erstellung eines Datensatzes für die Modellentwicklung nach wie vor manuellen Aufwand sowie die Expertise von Data Scientisten und Experten aus den jeweiligen Geschäftsbereichen. Die Identifizierung, Extraktion und

die bank