18 02 | 2019
18 02 | 2019 Machine-Learning-Anwendungen im Banking Wie aus Daten Produkte werden Künstliche Intelligenz gilt als wichtigste Zukunftstechnologie der Digitalisierung. 91 Prozent der Banken-CEOs sind davon überzeugt, dass sie das Bankgeschäft nachhaltig verändern wird. Doch was kann Künstliche Intelligenz heute eigentlich wirklich? Welche Rolle spielt dabei der Mensch? Und was bringt das schließlich unseren Bankkunden?
02 | 2019 19 Computer übernehmen immer mehr Aufgaben vom Menschen. Schnell bemühen wir dabei das Modewort „Künstliche Intelligenz“ und denken an alles von der einfachen Suchmaschine bis hin zum Science-Fiction-Szenario der selbstständig denkenden Maschine. In der aktuellen Diskussion wird deshalb viel zu wenig differenziert. Vorbehalte und Ängste gegenüber Technologien sind fest verankert. Künstliche Intelligenz (KI) ist jedoch erstmal nur ein Oberbegriff für die Bearbeitung von Aufgaben verschiedener Komplexität, die statt vom Menschen mittels Computer automatisiert erbracht werden können. Das reicht heute von der optischen Zeichenerkennung (OCR) über das Verarbeiten natürlicher Sprache (Natural Language Processing, NLP) bis hin zur entsprechenden physischen Ausführung (Smart Automation Robotics). Um einzelne Aufgaben „künstlich“ zu bewältigen, gibt es in der Regel zwei Lösungsansätze: vordefinierte Anweisungen („wenn x, dann y“), oder wir nutzen Machine Learning. It’s all about Machine Learning In der Vergangenheit wurden natürliche Abläufe noch aufwendig adaptiert, um einfache Regeln und Strukturen für kausale Zusammenhänge abzuleiten und diese dann als Anweisung in maschinelle Systeme „von Hand“ einzuspeisen. Damit ein Computer beispielswiese das Bild eines Hundes als solchen erkennen konnte, mussten zunächst alle Merkmale verschiedenster Hunderassen vom Menschen adaptiert und in das System eingegeben werden. Hatte man ein Merkmal vergessen oder eine Hunderasse war nicht bekannt, war das System fehlerhaft. Man kann sich leicht vorstellen, dass diese Methode in der Praxis bei komplexen Aufgaben sehr zeitintensiv und zudem fehleranfällig war. Heute „lernen“ Analysesysteme selbstständig anhand von Beispielen. Machine Learning ist eine Methode, die Muster und Gesetzmäßigkeiten in Lerndaten mathematisch erkennt und damit ein vereinfachtes Abbild der Wirklichkeit zeichnet – ein sogenanntes Modell. Man kann sich das vorstellen wie die Lernkurve bei Kleinkindern. Wenn ein Kind einen Hund sieht, erklären wir ihm nicht gleich alle Merkmale der verschiedenen Hunderassen. Wir sagen „Das ist ein Hund“. Und wir korrigieren das Kind, wenn es „Hund“ zu einer Katze sagt. Die charakteristischen Eigenschaften werden dann automatisch dem entsprechenden Modell zugeordnet. Werden dabei mehrere Knotenebenen (künstliche neuronale Netze) parallel verwendet, spricht man zudem vom Teilgebiet des Deep Learning. Wenn nun alle wesentlichen Informationen mittels Trainingsdaten „gelernt“ wurden, z. B. Ohrenform, Schwanzlänge, Fellbeschaffenheit usw., kann das Modell im Anschluss die genaue Hunderasse bzw. verschiedene Mischformen bestimmen. Viel mehr jedoch nicht. Das Modell ist der Rahmen, in dem wir uns im Anschluss bewegen. Es entwickelt sich nicht – wie oft vermutet – anhand von Live-Daten ungesteuert weiter und kann mit einem Mal auch alle anderen Tierarten und deren Rassen bestimmen. Sollen neue Parameter aufgenommen werden, muss auch das Modell neu trainiert werden, und es entsteht wiederum ein neues Modell. Zu KI wird das Ganze erst, wenn man das komplexe Entscheidungsverhalten von Menschen auch in einem substanziellen Umfang nachbildet. Das heißt verkürzt:
