Aufrufe
vor 1 Jahr

KINOTE 01.2022

  • Text
  • Wwwbankverlagde
  • Digitale
  • Conversational
  • Optimierung
  • Beispielsweise
  • Mining
  • Modelle
  • Intelligenz
  • Einsatz
  • Banken
  • Unternehmen
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.

24 01 | 2022 Der

24 01 | 2022 Der Data-Scientist erläuterte, Auto- ML (Machine Learning) sei für die Bank der Schlüssel zu schlanken Prozessen. Dabei bedient sich die ING-DiBa einer automatisierten Berechnung von Daten für die Modellierung, nutzt State-of-the-art-Tools und Algorithmen und testet bzw. optimiert die Performance auf laufender Basis. Wichtig seien aber auch regelmäßige Re-Trainings. Alle Modelle werden ca. zweimal im Jahr einem Update unterzogen, denn der Kunde ändert sich und mit ihm sein Verhalten und seine Präferenzen. Mitarbeiter im Callcenter wirksam unterstützen Bei der BNP Paribas unterstützt Künstliche Intelligenz die Mitarbeitenden bei der Bewältigung der vielen Kundentelefonate. Hier lautet der Ansatz ganz klar, die Mitarbeiter zu unterstützen, nicht, sie zu ersetzen. Im Callcenter laufen unzählige Kundenkontakte ein, es sei neben der Webseite der Hauptkanal, über den man mit Kunden interagiere, sagte Dr. Julian Knoll, Professional Data ​Scientist bei der Bank. Über eine Fortführung des Formats „Data Science und Machine Learning in Kreditinstituten“ und viele weitere interessante Tagungen, Seminare und andere Veranstaltungen halten wir Sie auf unseren Webseiten ki-note.de sowie bv-events.de auf dem Laufenden. Dr. Julian Knoll ist Professional Data Scientist bei der BNP Paribas. ki-note.de bv-events.de Dabei sind aufgrund gesetzlicher Bestimmungen natürlich bestimmte Kontrollmechanismen einzuhalten. Bei der BNP Paribas wurde deshalb überlegt, wie man diesen Prozess beschleunigen und weniger personalintensiv gestalten könne. Die Wahl fiel schließlich auf eine teils automatisierte Prüfentscheidung. Hierbei wird das Gespräch in Text verwandelt, das System analysiert die Telefonate, reagiert auf Schlüsselwörter und unterstützt die Experten auf diese Weise in ihrem Job. Ein Auditor müsse sich nun nicht mehr ein komplettes Telefonat anhören, sondern die Suchmaschine bringe ihn gleich zu den interessanten Segmenten des Gesprächs. Darauf basierend kann der Auditor zeitsparend seine Prüfentscheidung treffen. Die Bank nutzt diese Art der automatisierten Spracherkennung (ASR) nicht nur fürs Auditing, sondern auch für das Coaching ihrer Mitarbeiter sowie für das Reporting. Bei der Umsetzung des Projekts wurde die Erfahrung gemacht, dass es sich lohne, intern nach Umsetzungsmöglichkeiten zu suchen. Versuche über externe Provider hätten möglicherweise zu Datenschutzproblemen führen können. Diese Problematik konnte durch die Inhouse-Entwicklung ausgeblendet werden. Für den Aufbau der ASR nutzte die Bank u. a. öffentlich zugängliche Public-Data-Texte wie z. B. bei Spoken Wikipedia. Das Projekt sei 2019 gestartet, und schon 2020/2021 konnte ein MVP eingeführt und ein Realtime-Prototyp für die Unterstützung der Callcenter- Mitarbeiter eingesetzt werden. Die Sprach erkennung noch weiter zu verfeinern sei eines der Ziele für die nächsten Jahre, erläuterte Knoll. Online-Betrügern zuvorkommen Mithilfe von Künstlicher Intelligenz lassen sich aber auch Prognosen zum Betrug oder zum Ausfall von

01 | 2022 „Data Science und Machine Learning in Kreditinstituten“ I und II 25 Krediten erkennen. Umfangreiche Erfahrungen in diesem Sektor hat die Schufa Holding. Ihr liegen gigantische Daten von quasi allen erwachsenen Bundesbürgern sowie zu 6 Mio. Unternehmen vor, insgesamt seien das über 1 Mrd. gespeicherte Informationen, so der CTO der Schufa, Prof. Dr. Gjergji Kasneci. Täglich nikationsunternehmen vor allem Handelsunternehmen – ist der Bereich Machine Learning (ML) für Scoring. Denn: Gelingt es dem Datenriesen, die Ausfallwahrscheinlichkeit von Krediten u. ä. noch genauer vorauszusagen, handelt das Unternehmen 1,1 Mio. Identifikationen. Unsicher- Bei diesem Aufkommen ist es nur zu verständlich, heiten besser zu dass der Einsatz von KI an dieser Stel- quantifizieren und le schon lange zum täglichen Geschäft gehört. Besonders interessant für die Nutzer der Schufa – darunter befinden sich neben Banken, anderen Kreditanbietern und den Telekommu- eine noch höhere Trennschärfe zu bestimmen, dann können die Datennutzer ihre Geschäftsmodelle deutlich ausweiten. Als Beispiel stellte Prof. Dr. Gjergji Kasneci ist CTO bei der Schufa. Prof. Kasneci ein Gra- dient-Tree-Boosting- Modell vor, das 89 Variablen nutzt und auf der Basis von 18 Mio. Datensätzen entwickelt wurde. Hier erreiche man eine Trennschärfe Gini 73,7 Prozent, das sind 3,5 Gini-Punkte mehr als im logistischen Regressionsmodell. Was vielleicht gering klingen mag, eröffnet den Schufa-Kunden immense Möglichkeiten, neues Geschäft bei identischem Risiko zu generieren. Zudem setzt man in der Schufa Machine Learning im Bereich der Betrugsprävention ein. Wichtig ist das vor allem im E-Commerce, wo es jährlich zu großen Schäden durch betrügerische Kunden kommt. Je nach Quelle beläuft sich die Schadenssumme für Deutschland auf 1,5 bis 2,5 Mrd. € pro Jahr, und die oft bandenmäßig organisierten Betrüger nutzen sehr komplexe und sich schnell ändernde Betrugsmuster. Um diese Tricks aufzudecken und den Betrügern bestenfalls zuvorzukommen, nutzt die Schufa leistungsfähige ML- Verfahren wie bspw. neuronale Netze und Boosting-Verfahren. Der Fraud PreCheck lasse sich für einen noch besseren Schutz mit der Prüfung des Bonitätsrisikos ergänzen, führte Kasneci aus. Autorin Anja U. Kraus.

die bank