Praktische Tipps und Beispiele für KI im Bankenumfeld

Wie lässt sich das Hype-Thema KI konkret angehen? Welche Aufgabenstellungen eignen sich überhaupt für KI-Anwendungen? Die Praxis zeigt, dass nicht einmal ein Fünftel aller KI-Versuche im produktiven Erfolg endet. Umso wichtiger ist es ein konkretes Ziel und einen durchdachten Business Case zu haben, bevor man loslegt. Ein Blick auf erfolgreiche Anwendungsfälle kann dabei hilfreich sein.

Viele der heute verwendeten KI-Anwendungen basieren auf Machine Learning-Algorithmen. Das bedeutet, dass sie nicht mit Regeln gefüttert werden, sondern sich ihre Regeln selbst erarbeiten und aus Erfahrung lernen. Man gibt ihnen Daten mit vorgegebenen Lösungen, sie erkennen selbstständig Muster und können dadurch Regeln ableiten, um zukünftige Aussagen zu treffen. Auf diese Weise kann man etwa unstrukturierte Daten in der Bild-, Text- oder Spracherkennung verarbeiten oder Prognosen erstellen.

Wenn man genauer ins Detail gehen will, kann man das Ganze in unterschiedliche Einsatzgebiete aufteilen. Da ist zum einen das Supervised Learning, bei dem die KI anhand von Beispielen lernt. Daraus entstehen Vorhersagen wie Kursentwicklungen, Wetterprognosen oder vorausschauende Maschinenwartung sowie Klassifizierungen. Sie werden beispielsweise in der Fraud Prevention eingesetzt, um Betrug bei Transaktionen zu erkennen. Auch in der Krebsfrüherkennung und bei allem rund um menschliche Sprache – vom Übersetzungstool bis zum Chatbot – wird Klassifizierung betrieben.

Daneben gibt es das Unsupervised Learning, sprich das Lernen ohne Beispiele. Es wird für Clustering-Aufgaben genutzt, also für das selbstständige Erkennen von Zusammenhängen und Erstellen von Sortierungen. Eine bunte Vielzahl verschiedener Dokumente kann so nach Typen gruppiert werden. Hat man sehr große Datenmengen, kann man die KI-Algorithmen auch auffordern sich auf die Suche nach Anomalien zu machen, was beispielsweise bei der Aufdeckung von Geldwäsche eingesetzt wird.

Verschiedene Anwendungsfälle benötigen unterschiedliche Algorithmen

Ein richtiger Hype ist derzeit das so genannte Reinforcement Learning. Dabei lernt der Rechner durch „Belohnung und Strafe“. Die Technologie wird oftmals in der Gaming-Industrie eingesetzt, aber auch bei selbstfahrenden Autos oder Robotersteuerungen. Das kann dann so aussehen: Ein Roboter wird in ein Labyrinth gesetzt und muss alleine den Weg nach draußen finden, was er per Versuch und Irrtum tut. Fährt er an eine Wand, wird er bestraft, gelingt ihm der Parcours dagegen in einer bestimmten Zeit, erhält er eine Belohnung, was eine im Hintergrund tätige Anwendung zu maximieren versucht. Diese Form des KI-Einsatzes hat aus heutiger Sicht das größte Potenzial um zu einer starken, selbstständigen KI zu werden.

Um das Ganze greifbarer zu machen, können Bespiele aus der Praxis helfen. In Sachen Klassifizierung hat GFT beispielsweise gute Erfahrungen mit einer sehr nützlichen Alltagsanwendung für Banken gemacht: Finanzinstitute haben jeden Tag mit einer enormen Menge an Detaildaten zu tun, 80% der anfallenden Daten liegen im Schnitt unstrukturiert in Form von Dokumenten vor. Mithilfe von KI lässt sich diese Datenflut analysieren und maschinell interpretierbar machen, was neue Erkenntnisse und schnellere Prozesse ermöglicht – denn ein Großteil der Geschäftsvorgänge in einem Finanzinstitut beinhaltet den Austausch dieser Dokumente. Eine KI-Anwendung kann die Mitarbeiter von dieser manuellen, fehleranfälligen Tätigkeit entlasten und Kapazitäten frei machen für interessantere, kreativere Aufgaben, die dem Einzelnen und dem Unternehmen einen Mehrwert bringen. 

Content Processing Platform für 60% Effizienzsteigerung

Für eine Privatbank hat GFT die sogenannte Content Processing AI Platform entwickelt. Diese ist in der Lage große Mengen an Dokumenten – zum Beispiel Verträge oder E-Mails – zu erfassen, zu sortieren und auf relevante Textpassagen hin zu analysieren. Die Anwendung kombiniert mathematische Methoden zur Mustererkennung mit künstlichen neuronalen Netzen. Für die Entwicklung des Algorithmus wurden rund 10.000 juristische Dokumente der Bank ausgewertet, um damit die KI zu trainieren. Das Ergebnis: Die Bankmitarbeiter können nun eine viel größere Datenmenge in deutlich kürzerer Zeit bearbeiten. Der Kunde berichtet über Effizienzsteigerungen im Bereich von 60 Prozent.

Etwas komplexer, nämlich eine Kombination aus Klassifizierung und Prognose ist eine andere Lösung, die bei GFT mit Blick auf Versicherungsgesellschaften, Schadenregulierer, Unternehmen im Schadenmanagement, Autovermieter und Kfz-Reparaturwerkstätten entwickelt wurde. Sie nennt sich IDE (Intelligent Damage Evaluation) und zieht inzwischen auch in anderen Branchen Kreise – nicht zuletzt im Financial Services Bereich.

Schadenanalyse innerhalb weniger Sekunden

Mithilfe des neuen Tools bekommt der Anwender im Fall eines KfZ-Schadens eine Einschätzung der wahrscheinlichen Reparaturkosten, indem er ein einfaches Foto des beschädigten Teils an seine Versicherungsgesellschaft schickt. Von GFT entwickelte spezialisierte Algorithmen werten die Schäden akkurat aus. Dazu gehen sie mehrstufig vor: Zunächst wird klassifiziert: Gehören die Fotos überhaupt zum Auto, sind sie nutzbar? Im zweiten Schritt erkennt die KI Fahrzeugteile bis hin zu einzelnen Objekten wie Lampen oder Rädern, wobei sie Wahrscheinlichkeitswerte anzeigt, wie sicher sie bei der Zuordnung ist.

Dann analysiert IDE, welche Teile in Mitleidenschaft gezogen wurden, wobei zusätzliche Algorithmen auch mögliche verborgene Schäden im Fahrzeuginneren aufspüren können. Innerhalb weniger Sekunden gibt das Tool Rückmeldung über die erforderlichen Reparaturen und deren Kosten. Dabei greift es für Teilekosten und Arbeitsaufwände auf ein Netzwerk weltweiter Datenbank-Anbieter sowie auf von IBM entwickelte KI-Technologien für Bildanalyse und Maschinelles Lernen zurück. IDE ist eine SaaS Anwendung (Software as a Service), kann aber auch in Legacy Systeme integriert werden. Bei besonderen Anforderungen wird das System kundenspezifisch angepasst.

Das sind nur einige Beispiele aus dem weiten Spektrum der Machine Learning-Algorithmen. KI kann Prozesse optimieren, Geschäftsmodelle intelligent modellieren und vielfältige Aufgaben im Bankengeschäft übernehmen. Um sie zielführend einzusetzen, ist eine detaillierte Anfangsplanung entscheidend, d.h. das Ziel inklusive Business Case muss klar sein. Zudem ist es wichtig zu überprüfen, ob für den Produktivbetrieb Daten in ausreichender Menge und Qualität vorliegen. Bei sauberer Planung steht einem KI-Erfolg, der neue Erkenntnisse, mehr Effizienz und echte Ersparnisse mit sich bringt nichts im Wege.

Core Application Renewal

Finanzhäuser gleichen teils Technologiemuseen: Die digitale Transformation beginnt im Backend. Zu unserem neuesten Whitepaper:

Read more