20 01 | 2022 wesentlich
20 01 | 2022 wesentlich auf der KI-Komponente beruhe. Am Ende des Prozesses stehe die anwendungsbezogene Prüfung und Sicherstellung der Qualität des Modells während des Betriebs sowie die Überprüfbarkeit und Protokollierung des Verhaltens, das auf der KI-Komponente basiere, so der Experte. Deutlicher Rückgang der Filialen Referent Torsten Nahm, Leiter des Kompetenzzentrums für Data Science bei der DKB, erklärte zu Beginn seines Vortrags, dass der digitale Wandel bereits voll im Gange sei, auch im Finanzsektor. Auch das Online Banking träge massiv zu den starken Veränderungen bei: Zwischen 2000 und 2020 sei die Zahl der Filialen in Deutschland um über 56 Prozent zurückgegangen. Nahm betonte, dass durch KI jetzt eine neue Phase der Digitalisierung eingeläutet werde. Die Technologie könne bei allem, was Menschen routinemäßig täten, zum Einsatz kommen. KI könne entweder den kompletten Prozess automatisieren oder Personen unterstützen bzw. Teilbereiche bestimmter Arbeitsgebiete übernehmen. Der Einsatz von KI sei umso einfacher je mehr Daten vorlägen, je gleichförmiger der Prozess sei, je besser die Ergebnisse quantitativ erfassbar und je strukturierter die Daten seien, so Nahm. Der Experte sparte zugleich nicht mit Kritik an der Entwicklung in Deutschland. Hierzulande stecke KI immer noch in den Kinderschuhen. Erst in 8 Prozent der deutschen Unternehmen sei KI im Einsatz, so Nahm unter Verweis auf eine aktuelle Bitkom-Studie. Für Nahm nur schwer nachvollziehbar, denn immerhin sei KI bereits Teil der DNA der erfolgreichsten Firmen auf der Welt. Amazon, Google und Facebook nutzten Machine Learning in jedem Bereich ihres Geschäfts. Google dominiere die Websuche, weil es den intelligentesten Algorithmus habe. Dieser lerne laufend mit jedem Klick. Mit Google Translate, den automatischen Untertiteln von Youtube, sei Google bei vielen KI-Technologien an der Spitze. Amazon setzt KI für Produktvorschläge ein Nahm nannte auch Amazon. Die Firma setze KI in allen wesentlichen Bereichen ein, etwa bei den Vorschlägen relevanter Produkte, zur Optimierung der Lagerhaltung und Lieferung sowie zur Vorhersage von Trends bei neuen Produkten. Face-
„Data Science und Machine Learning in Kreditinstituten“ I und II 01 | 2022 21 book wiederum nutze ausgefeiltes Machine Learning, um die Timeline zu personalisieren und relevante Inhalte zu zeigen sowie um anstößige Inhalte zu erkennen. Und wie sieht es im Finanzsektor aus? Machine Learning werde bereits seit vielen Jahren in Banken eingesetzt, führte Nahm aus. Die Finanzindustrie habe hier in den neunziger Jahren sogar zu den Vorreitern gehört. Damals habe die Automatisierung der Kreditanalyse, eines zentralen Geschäftsbereichs von Banken, begonnen. Statistische Algorithmen übertrafen Nahm zufolge bald selbst die besten Kreditanalysten. Inzwischen seien maschinelle Ratingverfahren nicht mehr aus der Bankenwelt wegzudenken. Der Erfolg werde aber kaum noch als KI wahrgenommen. Allerdings kommt Nahm auch zu einem wenig schmeichelhaften Befund: Die Bankenwelt befinde sich insgesamt immer noch ganz am Anfang der Reise in Bezug auf die neuen Technologien. Die Bankenwelt befinde sich insgesamt immer noch ganz am Anfang der Reise in Bezug auf die neuen Technologien, während Amazon und Google ihnen hier davon eilten. Nahms Fazit: Die Geldhäuser müssten noch erhebliche Anstrengungen unternehmen, um zum Beispiel gegen FinTechs zu bestehen. Use-Case-Recherche der DKB Lina Weichbrodt arbeitet derzeit als Lead Machine Learning Engineer im Data-Science-Bereich bei der DKB. Wo genau kommt Künstliche Intelligenz im Finanzsektor zum Einsatz? In ihrem Beitrag verwies Weichbrodt auf eine Use-Case-Recherche des Kreditinstituts. Lina Weichbrodt arbeitet als Lead Machine Learning Engineer im Data-Science-Bereich der DKB. Drei zentrale Bereiche wurden demnach identifiziert: Zum einen die industrieneutrale KI (Kundenservice, Marketing und Automatisierung manueller Arbeit etc.), zum anderen die bankspezifische KI (u. a. Fraud, Geldwäsche und Transaktionskategorisierung). Schließlich existiere noch die unternehmensspezifische KI (z. B. Automatisierung eigener Prozesse: etwa Dokumenterkennung oder andere manuelle Expertise, Mahnwesen sowie Bonitätserkennung aus Kontoverlauf). KI werde angesichts dieser Möglichkeiten im Finanzbereich nicht mehr aufzuhalten sein, war sich die Expertin sicher. Wie Weichbrodt weiter ausführte, sei jedes KI-Projekt zudem auf eine durchdachte Personalplanung angewiesen. Wichtig für das Gelingen eines Projekts seien unter anderem gute Informatiker oder Machine Learning Engineers. Der richtige Algorithmus sei nur 20 Prozent der tatsächlichen Arbeit. Reine Data-Science-Teams könnten in der Regel keinen wartbaren und qualitativ hochwertigen Code produzieren. Daher gab Weichbrodt die Empfehlung ab, Informatiker in die Teams zu entsenden, etwa Data Engineers oder Backend-Entwickler. Data Science sollte zudem organisatorisch in der IT verortet sein, um einen leichten Zugang zu Daten, Servern, Codeverwaltung sowie zum eigenen Betrieb zu ermöglichen, so ihr Resümee. Fazit Banken haben noch in den 1990er-Jahren zu Vorreitern bei den neuen Technologien gehört. Umso erstaunlicher stellt sich der Umstand dar, dass ein Großteil der Finanzverantwortlichen heute keinerlei Projekte zur Einführung von Künstlicher Intelligenz oder Machine Learning plant. Amazon und Google laufen den Kreditinstituten förmlich davon. Die Geldhäuser müssen aufpassen, nicht dauerhaft den Anschluss an die rasante digitale Entwicklung zu verlieren. Autor Dogan Michael Ulusoy.
