Aufrufe
vor 9 Monaten

KINOTE 02.2019

  • Text
  • Zukunft
  • Deutlich
  • Deutsche
  • Insbesondere
  • Deutschland
  • Modell
  • Intelligenz
  • Banken
  • Einsatz
  • 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.

20 02 | 2019 01 | In

20 02 | 2019 01 | In drei Schritten zur Künstlichen Intelligenz Lernalgorithmus Modell Ergebnisse Trainingsdaten Live-Daten 1 2 3 ■ ■ ■ Daten vorbereiten Rahmenparameter festlegen Möglichen Verzerrungen vorbeugen ■ Überprüfung der Programmierstandards ■ ■ A/B Testing des Modells Nachvollziehbarkeit der Modellergebnisse Quelle: Commerzbank AG. erkennen, urteilen und Problem lösen. Dazu braucht man allerdings enorm viele Daten, und am Ende auch immer noch menschliche Unterstützung. Die Kontrolle der Algorithmen und Modelle ist das A und O Das Horrorszenario einer superintelligenten Maschine, die sich selbstständig weiterentwickelt und entscheidet, ist aus heutiger Sicht also weiterhin Zukunftsmusik. Weder Neurowissenschaftler noch KI-Forscher sind bisher in der Lage, das Bewusstsein oder das Gehirn vollends zu verstehen. Solange das so ist, kann auch niemand eine allgemeine Künstliche Intelligenz – wie sie oft in den Medien dargestellt wird – erschaffen. Denn was man nicht versteht, kann man auch nicht erschaffen. Hauptverantwortlich für ein Modell ist und bleibt die Person, die es entwickelt hat. Es ist deshalb wichtig, dass schon bei der Entwicklung ethische Standards gelten, auch wenn die genutzten Daten gegebenenfalls andere Rückschlüsse zulassen. Genau deshalb entwickeln und „kontrollieren“ sogenannte Data Scientists Modelle, indem sie die Daten für die Verarbeitung entsprechend vorbereiten, Rahmenparameter festlegen und möglichen Verzerrungen in den Trainingsdaten vorbeugen. Sie achten u. a. darauf, dass ethische Aspekte berücksichtigt werden und niemand zum Beispiel aufgrund von Hautfarbe, Berufsstand, Alter, Geschlecht diskriminiert wird. Im Banken- und Börsengeschäft werden bestimmte Modelle – vor allem klassische – bereits seit vielen Jahren eingesetzt. Unsere Erfahrung zeigt, dass deren Überwachung das A und O ist. Mit den neuen Möglichkeiten der Datenanalyse und Machine Learning muss jedoch umso mehr sichergestellt werden, dass alle Überwachungsmechanismen funktionieren. Dabei gibt es drei wesentliche Dinge, die kontrolliert werden müssen: 1. die Daten, mit denen das Modell generiert wird, 2. das Modell selbst, 3. und die Ergebnisse, die das Modell liefert. Zu 1: Die Nachvollziehbarkeit von Modellergebnissen steht häufig im Fokus, dabei ist das Aufbereiten der Daten mindestens genauso wichtig. Bei vielen Modellen in der Finanzbranche muss man 80 Prozent der Zeit dafür aufbringen die Daten zu verstehen und zu bereinigen. Denn die Daten sind teilweise unvollständig, weisen häufig eine gewisse Tendenz auf oder sind verzerrt. Da ein einfacher Lernalgorithmus letztlich aus den Daten, die er bekommt, lediglich neue Daten kreiert, ist es wichtig, bereits hier mit der Kontrolle anzusetzen. Überspitzt ausgedrückt, kann man sagen: Wenn man ihn mit Müll füttert, kann am Ende auch nur Müll herauskommen.

02 | 2019 21 02 | Drei Voraussetzungen zur besseren Nutzung von Daten Commerzbank Data Lake Big Data Lab Hybrid Cloud Quelle: Commerzbank AG. + + Zu 2: Das Trainieren eines passenden Modells ist dann vergleichsweise einfach. Wir verwenden gängige Open-Source-Implementierungen der Standardalgorithmen und kombinieren diese kreativ und passgenau für die zu modellierenden Daten. Zu 3: Die Nachvollziehbarkeit der Ergebnisse, die das Modell liefert, geht darüber hinaus. Unternehmen müssen verstehen, wie die Modelle funktionieren, und warum sie zu welchen Ergebnissen kommen. In der Finanzbranche geht es insbesondere in der Diskussion mit der Politik immer wieder um die Möglichkeit, dass ein künstliches Modell die finanzielle Inklusion beeinträchtigen oder beispielsweise Geldwäscheverdachtsfälle übersehen werden könnten. Die Frage ist, wie gehen wir künftig mit Wahrscheinlichkeiten um? Bei klassischen manuellen Prozessen beobachtet man im Nachhinein oft ebenso eine gewisse subjektive Tendenz bzw. Fehlerrate, selbst in Prozessen, die nach dem Vier-Augen-Prinzip erfolgen. Bei Geldwäscheverdachtsfällen sind wir bspw. deutlich schneller und besser in der Lage, kritische Fälle zu identifizieren und falsche Positivbefunde, die unnötig Kapazität binden, signifikant zu reduzieren. Im Sinne der Sicherheit für unser Finanzsystem sollte der wesentliche Vorteil einer schnelleren Verdachtsmeldung überwiegen. Bevor Modelle für bestimmte Aufgaben eingesetzt werden, müssen sie deshalb ausführlich getestet werden. Dafür gibt es viele unterschiedliche Möglichkeiten. ■ ■ ■ ■ ■ ■ ■ Fast and easy data distribution as well as data accessibility within Commerzbank Simplify our data lineage Simplify IT-Landscape Technology spearhead of BDAA serving as a platform to evaluate new technologies Dedicated data analytics exploration field for Big Data & Advanced Analytics members building new services for Commerzbank and the Data Lake Hybrid Cloud Strategy to extend on short term capacity, compute and operational capabilities Access to cutting edge technology Zu den geeignetsten zählt der sogenannte A/B-Test. In einem solchen Test werden zwei Versionen zunächst verglichen, um festzustellen, welche auch sicher die bessere Leistung erzielt. Die beiden Varianten, A und B genannt, werden den Nutzern nach dem Zufallsprinzip angezeigt, sodass sie unabhängig voneinander testen. A repräsentiert dabei das aktuell in der Bank eingesetzte Verfahren, z. B. um eine auffällige Transaktion zu erkennen (manuell) oder um eine Kaufvorhersage zu ermitteln. B steht für das mittels Maschinellem Lernen entwickelte Modell, das ebenso Auffälligkeiten in Transaktionen erkennt oder entsprechende Kaufmuster voraussagt. Wenn wir abschließend die Ergebnisse beider Varianten vergleichen und für B eine höhere Trefferquote bei auffälligen Transaktionen, schnellere Ergebnisse bei gleicher Qualität oder eine bessere Kaufvorhersage für alle Probanden beobachten können, ersetzen wir das alte Modell durch das neue. Nur wenn ein Modell auch die gewünschten Ergebnisse liefert, kann man es einsetzen. Natürlich muss es auch dann noch weiter überwacht werden. Sollte ein Modell Probleme machen oder seltsame Ergebnisse liefern, wird es sofort abgeschaltet. Eine weitere Option ist das, was wir Backtesting nennen – also der Vergleich mit historischen Daten. In der Commerzbank werden sowohl klassische als auch KI-Modelle eingesetzt. Als Bank, die Risikomodelle anwendet, sind wir aufgefordert, erklären zu können, wie ein Modell zu einem Ergebnis kommt. Da das bei KI-Modellen jedoch von den „erlernten“ Daten abhängt, ist das individuell gelieferte Ergebnis der falsche Bezug. Wir sind aber in der Lage die Aufgabenbeschreibung des Modells nachzuvollziehen und damit die gesetzten Parameter, in denen es sich bewegt und mittels unserer Kontrollmechanismen auch nur bewegen kann. » 1 Big Data und Advanced Analytics sind strategische Prioritäten Doch was braucht es neben beschriebenen Kontrollmechanismen noch, um Künstliche Intelligenz gezielt einzusetzen? Wir haben bereits 2016 die Zukunftsthemen Big Data und Advanced Analytics als strategische Prioritäten verankert. Mit unserem Strategie-Update Commerzbank 5.0 haben wir das nochmal untermauert. Um die Methoden in der Bank zum Beispiel für die Geldwäschebekämpfung oder zur Verbesserung der Kundenkommunikation nutzbar zu machen, waren zunächst drei Schritte nötig:

die bank

diebank 01 // 2020
die bank 02 // 2020
die bank 03 // 2020
diebank 04 // 2020
diebank 05 // 2020
diebank 06 // 2020
KINOTE 01.2020
diebank 07 // 2020
die bank 01 // 2019
die bank 02 // 2019
die bank 03 // 2019
die bank 04 // 2019
die bank 05 // 2019
KINOTE 01.2019
die bank 06 // 2019
diebank 07 // 2019
diebank 08 // 2019
diebank 09 // 2019
diebank 10 // 2019
KINOTE 02.2019
die bank 01 // 2018
die bank 02 // 2018
die bank 03 // 2018
die bank 04 // 2018
die bank 05 // 2018
die bank 06 // 2018
die bank 07 // 2018
die bank 08 // 2018
die bank 09 // 2018
die bank 10 // 2018
die bank 01 // 2017
die bank 02 // 2017
die bank 03 // 2017
die Bank 04 // 2017
die bank 05 // 2017
die bank 06 // 2017
die bank 07 // 2017
die bank 08 // 2017
die Bank 09 // 2017
die bank 10 // 2017
die bank 01 // 2016
die bank 02 // 2016
die bank 03 // 2016
die bank 04 // 2016
die bank 05 // 2016
die bank 06 // 2016
die bank 07 // 2016
die bank 08 // 2016
die bank 09 // 2016
die bank 10 // 2016
die bank 11 // 2016
die bank 12 // 2016
die bank 01 // 2015
die bank 02 // 2015
die bank 03 // 2015
die bank 04 // 2015
die bank 05 // 2015
die bank 06 // 2015
die bank 07 // 2015
die bank 08 // 2015
die bank 09 // 2015
die bank 10 // 2015
die bank 11 // 2015
die bank 12 // 2015

© die bank 2014-2020