Der Einsatz von Künstlicher Intelligenz (KI) besitzt eine hohe Bedeutung für die zukünftige Wettbewerbsfähigkeit von Banken. Nicht umsonst betont Microsoft-CEO Satya Nadella, dass KI „eine der grundlegenden Technologien sein [wird], die Menschen jemals entwickelt haben“. Mit dem Sammelbegriff KI wird im Allgemeinen die Simulation der Vorgänge im menschlichen Gehirn sowie die Imitation des menschlichen Bewusstseins, Empathievermögens und Verhaltens durch ein intelligentes Computersystem beschrieben. In dem Zusammenhang fällt häufig auch der Begriff des Machine Learnings (ML) bzw. des maschinellen Lernens. Darunter wird ein Teilgebiet der KI verstanden, das mittels Algorithmen Daten eigenständig analysiert, daraus lernt und auf Basis dessen neue Aussagen sowie Vorhersagen treffen kann. Das ML-Verfahren „trainiert“ somit anhand von großen Datenmengen und bedarf keiner programmierten Anweisung.
Mittlerweile haben sich vielfältige Anwendungsfälle ergeben, die bereits heute produktiv in verschiedenen Banken laufen. Zu den prominentesten Beispielen zählen unter anderem der Einsatz von KI in Chat- und Talkbots sowie in der Optimierung der Betrugs- und Geldwäscheprävention. Dabei handelt es sich um Beispiele für die sog. „weiche“ bzw. „schwache“ KI, die sich auf die Erledigung einzelner und konkreter Aufgabenstellungen konzentrieren. Dem gegenüber steht die sog. „harte“ bzw. „starke“ KI, die über die Erledigung einzelner Aufgabengebiete hinausgehen soll. Allerdings wurde eine starke Form der KI, die der Intelligenz des Menschen ebenbürtig sein soll, bis heute noch nicht erreicht. Somit stehen die ersten erfolgreichen Praxiseinsätze von KI und den damit einhergehenden Erfahrungen noch am Anfang eines langen Entwicklungswegs. Eine aktuelle nationale PwC-Studie konstatiert, dass lediglich 9% aller befragten Führungskräfte aus Banken und Versicherungen ihr Unternehmen sehr gut auf die Implementierung und Anwendung von KI vorbereitet sehen. Ferner sagt PwC voraus, dass das deutsche Bruttoinlandsprodukt bis 2030 durch den erfolgreichen Einsatz von KI um 11% steigen wird. Diese durch KI-Innovationen getriebene Entwicklung entspräche einer Summe von 430 Milliarden Euro. Auch wenn die Prognose auf Prä-Corona-Daten basiert, wird dennoch das grundsätzliche Potential in KI deutlich. Es lohnt sich daher für Banken, den Weg zur Weiterentwicklung und verstärkten Praxiseinführung von KI weiter zu beschreiten.
Die infolge der Corona-Pandemie herausfordernde Situation der Gesamtwirtschaft hebt die Bedeutung von KI weiter hervor. Mit Blick auf die steigende Nutzung des Online und Mobile Bankings sind schnelle und personalisierte Digitalprozesse und -services entscheidend im Kampf um den Kunden. Ein Beispiel dafür sind insbesondere die Reduzierungen manueller Arbeitsschritte in einem Prozess, die zu schnelleren Services und somit zu einem besseren Kundenerlebnis führen sollen. Zudem führt ein durch KI gesteigerter Automatisierungsgrad interner Prozesse zu wichtigen Kosteneinsparungen und Skaleneffekten. Allerdings können nicht alle vielversprechenden KI-Anwendungsfälle gleichzeitig umgesetzt werden. Somit kommt der Auswahl geeigneter Anwendungsfälle eine besondere Rolle zu. Eine entscheidende Bewertungskategorie bildet dabei die Auswertungsmöglichkeit von nutzbaren Daten.
Investitionen in Cloud-Technologie als Beschleuniger von KI
Banken weisen als vormals Pioniere der elektronischen Datenverarbeitung eine seit den 1960er-Jahren heterogen gewachsene, umfangreiche Legacy-IT auf. Diese wird den Anforderungen moderner Technologien in vielen Teilen nicht gerecht, sodass die Modernisierung der Systemlandschaft eine besondere Herausforderung darstellt. Eine Analyse von Deloitte hat ergeben, dass 70% der untersuchten Unternehmen planen, KI-Anwendungen auf Basis von Cloud-Technologien einzuführen. Vor diesem Hintergrund lässt sich auch erklären, warum Banken nun stark in Cloud investieren. Die Nutzung der Cloud ermöglicht eine effiziente, das heißt schnelle und vergleichsweise kostengünstigere, Analyse von hohen Datenmengen. Dies erfolgt häufig medienwirksam in Form von strategischen Partnerschaften mit Tech-Unternehmen wie z.B. Amazon Web Services (AWS), Google Cloud Platform (GPC) oder Microsoft. Vorteil dieses kooperativen Ansatzes liegt in einer effizienten Modernisierung der IT-Landschaft und letzten Endes schnelleren Transformation des Gesamtunternehmens.
Ein Beispiel dafür ist die Partnerschaft der Commerzbank mit Microsoft und Google, die den strategischen Ansatz einer hybriden Multi-Cloud-Umgebung darstellt. Dr. Kerem Tomak, Commerzbank Bereichsvorstand „Big Data & Advanced Analytics“, betont bei diesem Ansatz, dass man dadurch „die Vorteile jedes Anbieters nutzen [kann]“. So kann die Commerzbank für die verschiedenen KI-Anwendungsfälle stets eine individuell geeignete Lösung finden. Der Multi-Cloud-Ansatz ist Teil der ausgerufenen „Cloud First“-Strategie. Cloud Services sollen nach Möglichkeit stets für die Entwicklung neuer technischer Anwendungen genutzt werden.
Weitere bekannte Cloud-Initiativen in der Finanzbranche werden im Folgenden in chronologischer Reihenfolge aufgelistet:
- Standard Chartered Bank & Microsoft (seit 08/2020)
August diesen Jahres verkündete das Finanzunternehmen aus Großbritannien eine dreijährige strategische Partnerschaft mit Microsoft. Damit einher ging auch das Ausrufen einer „CloudFirst“-Strategie. Die Strategie beinhaltet u.a., dass verschiedene essentielle Bankbereiche bis 2025 komplett Cloud-basiert ablaufen sollen. Dazu zählen allen voran die Core- und Trading-Systeme der Bank.
- Deutsche Bank & Google (seit 07/2020)
Im Juli verkündete die Deutsche Bank eine angestrebte Technologie-Kooperation mit Google, die mit dem Abschluss der Vertragsverhandlungen in einer langjährigen Zusammenarbeit münden soll. Zielvorstellung ist die Vereinfachung der IT-Architektur sowie die Entwicklung neuer technologiebasierter Finanzprodukte.
- HSBC & AWS & Google (seit 07/2020)
Die britische HSBC Bank verfolgt eine Multi-Cloud-Strategie und kooperiert bereits mit Google und neuerdings nun auch seit Juli diesen Jahres mit AWS, um gemeinsam Innovationen voranzutreiben und Kunden einen effizienteren Service anzubieten. Der neue Partner AWS soll insbesondere mit seiner Analytics-Expertise für ein individuelleres Produktangebot am Kunden unterstützen.
- Deutsche Börse & Google & Microsoft (09/2019)
Die Deutsche Börse arbeitet bereits mit Microsoft Azure und seit Ende 2019 nun auch mit Google zusammen, um die Cloud-Integration voranzutreiben. Während die Nutzung von Azure das primäre Ziel hat, regulierte Arbeitsprozesse in die Cloud zu migrieren, soll sich Google vorrangig auf die Stärkung der Innovationsfähigkeit konzentrieren.
- UBS & Microsoft (seit 08/2019)
Die Schweizer Bank verkündete in August 2019 die Zusammenarbeit mit Microsoft. Die Nutzung von Azure soll zu wichtigen Skaleneffekten führen, um die Wachstumsstrategie des Unternehmens sicher voranzutreiben.
Bedeutung und Bewertung von Daten nach dem „5V-Modell“
BigTechs wie Amazon, Facebook und Google gelten für viele als zukunftsorientierte Nutzer von Kundendaten. Sie schaffen stetig neue, auf Datenanalysen basierende Services und Produkte, die die Kundenerwartungen hinsichtlich der Digitalerfahrung prägen. Beispielsweise nutzt Amazon ML zur Prognose von Produktverkäufen, um eine möglichst schnelle Lieferung an den Kunden zu ermöglichen. Facebook wertet die Profildaten der Nutzer aus, um darauf aufbauend zielgerichtet Werbung zu schalten. Beide genannten Beispiele prägen die Digitalerfahrung der Nutzer. Dadurch werden ebenfalls die Kundenanforderungen an das Banking geprägt. Bankservices werden schneller, allgegenwärtiger und insgesamt digitaler erwartet. Einer aktuellen YouGov-Studie zufolge wird die größte Gruppe innerhalb der Bankkunden-Typologie neuerdings von den sog. „Digitalen Finanzexperten“ (21%) gebildet. Diese stellen eine Gruppe sachkundiger Kunden dar, die ein hohes Interesse an neuen Technologien aufweisen und die Internetnutzung als selbstverständlich ansehen. Dem gegenüber stehen unter anderem die „Traditionellen Finanzexperten“ (17%) und die „argwöhnischen Offliner“ (15%). Es wird daher immer wettbewerbsentscheidender für eine Bank, Services am Puls des Digitalzeitalters anzubieten.
Banken befinden sich in einer stark regulierten Umgebung. Mit den im internationalen Vergleich eher strikten Datenschutzanforderungen in Europa, wird ein guter und wichtiger Beitrag im Sinne des Kunden geleistet. Die Forschung an KI kann jedoch bei gleichzeitiger Einhaltung umfangreicher Datenschutzrichtlinien sehr gut voranschreiten. Moderne Analysemethoden ermöglichen die Nutzung von Big Data, um wertvolle Erkenntnisse über die Kundschaft zu gewinnen. Gleichwohl sind Daten nicht gleich Daten, sondern es liegen oftmals komplexe und unstrukturierte Datenmengen vor.
Anhand des „5V-Models“ soll veranschaulicht werden, worauf es bei der Bewertung von nutzbaren Daten für einen realisierbaren KI-Anwendungsfall ankommt:
1.Volume / Volumen
Für die erfolgreiche Implementierung von KI zählt unter anderem die Masse an verfügbaren und auswertbaren Daten. Daten können dabei aus verschiedenen Quellen stammen. Der Einbezug sämtlicher Datenquellen sowie die korrekte Erfassung und Speicherung der Daten erfordert eine moderne Infrastruktur. Wie bereits beschrieben, greifen bereits diverse Banken auf das Cloud-Konzept zurück, um Big Data effektiv und effizient zugänglich zu machen. Sind die Daten weder in ausreichender Menge vorhanden noch repräsentativ genug, so können Modelle nicht adäquat trainiert werden. Die Folgen daraus reichen von unzufriedenen Kunden bis hin zu falschen Produktabsatzprognosen.
2.Validity / Validität
Neben der dargelegten Quantität ist auch eine ausreichende Datenvalidität bzw. -qualität entscheidend für die erfolgreiche KI-Implementierung. Daten müssen akkurat und frei von Verunreinigungen sein. Die Nutzung von fehlerhaften oder gar unvollständigen Datensätzen führen zu falschen Analyseergebnissen und können zu „sunk costs“ führen, da den Banken ein falsches Potential in einem KI-Anwendungsfall signalisiert werden würde. Die Folge wäre nicht nur ein fehlerhafter Business Case, sondern auch die Verschwendung limitierter Ressourcen.
3.Variety / Vielfalt
Mit unterschiedlichen Datenquellen gehen auch unterschiedliche Datenarten einher, z.B. schriftliche, visuelle und auditive Informationen. Im Bankenkontext können dies bspw. eingehende Kundenanrufe, Kontoumsätze im Online-Banking/ in der App sowie die Einreichung von physischen Bonitätsunterlagen sein. Um verwertbare Muster und Interdependenzen zu erkennen, ist es nicht nur entscheidend, die verschiedenen Datenarten heranzuziehen, sondern darüber hinaus auch eine Kategorisierung dieser Daten vorzunehmen. Beispielsweise kann bei der Planung eines Kredit-Scorings die fehlende Auswertung von physischen Bonitätsunterlagen zu falschen Resultaten führen. Eine Auswertung, die ausschließlich die digitalen Kontoumsätze einbezieht, würde hierbei nicht das volle Ausmaß des Kreditrisikos darstellen.
4.Velocity / Geschwindigkeit
Korrekte und wertvolle Schlussfolgerungen können nur dann mit Hilfe von KI-Modellen abgeleitet werden, wenn die vorliegenden Daten auf dem neusten Stand gehalten und regelmäßig auf Aktualität geprüft werden. Das Mooresche Gesetz aus 1965 besagt, dass sich die Prozessorleistung für Computer alle zwei Jahre verdoppeln wird. Dies besitzt bis heute Gültigkeit und impliziert, dass die Geschwindigkeit der Datengenerierung und -verarbeitung stets exponentiell zugenommen hat. Kundenbedürfnisse, auch im Sinne der Nachfrage nach bestimmten Produkten und Services, können sich in der heutigen Zeit schnell ändern. Die technische Infrastruktur einer Bank muss daher up-to-date bleiben, um neue Daten möglichst zeitnah bzw. in real-time zu erfassen.
5.Value / Wert
Der übergeordnete Wert von Daten sowie die darin liegende Möglichkeit den Unternehmenserfolg maßgeblich zu beeinflussen, soll mit dem letzten Punkt des 5V-Models zum Ausdruck kommen. Das Generieren neuer Ertragsquellen sowie die Schaffung von Kosteneinsparungen haben viele Bankunternehmen bereits für sich erkannt. Daten gelten, bekanntermaßen und häufig zitiert, als das neue Gold bzw. Öl. Immerhin wird laut einer Statista-Prognose die jährlich generierte Datenmenge für das Jahr 2025 mit 175 Zettabytes bzw. 175 Milliarden Terabytes beziffert. Datenmengen zu beherrschen und für sich zu nutzen stellt bereits heute ein Differenzierungsmerkmal im Wettbewerb dar.
Risiken im KI-Modell in Erwägung ziehen
Mit den richtig ausgewählten und aufbereiteten Daten kann das Training für das KI-Modell beginnen. Der Gedanke dahinter ist die Identifizierung bestimmter Muster in den eingespeisten Daten, die zur Lösung einer bestimmten Problemstellung führen soll. Ziel ist, den Algorithmus zu befähigen, auch bei bisher unbekannten Daten zu einer sauberen Problemlösung zu kommen. Neben der bereits thematisierten Eignung von Daten, müssen Banken im Zuge dessen noch weitere Risiken im Hinblick auf die Performance eines KI-Modells beachten. Die BaFin geht in einer aktuellen Publikation davon aus, dass fehlerhafte KI-Resultate zwangsläufig auftreten werden. Schließlich wird die KI von Menschen geschaffen. Dabei betont sie, dass die Verantwortung stets bei den Menschen bleibe, da eine Maschine keinen adäquaten menschlichen Ersatz darstelle.
Im Folgenden werden zwei wesentliche Risiken bei der Implementierung von KI angeführt:
Unteranpassung
Wenn Trainingsdaten nicht die erforderliche Güte – wie im 5V-Modell gezeichnet – erfüllen, leidet die Performance an einer Unteranpassung („Underfitting“) des Modells. Es können keine Muster in den Trainingsdaten erkannt werden, um sinnvolle Rückschlüsse auf Basis neuer Daten zu treffen. Das abgeleitete Modell ist somit zu simpel bzw. zu einfach gestrickt. Ein komplexes Problem wird nicht durchdrungen. Ein Anwendungsbeispiel zum Thema Customer Churn Management zeigt den Bedarf nach vielfältigen Daten hinsichtlich bestehender Bankprodukte, der Girokontonutzung oder des Auslaufens bestimmter Produkte (z.B. auslaufende Baufinanzierung, fällige Geldanlage) auf. Das bloße Hinzuziehen von Daten mit Bezug auf gelöschte Kontoverbindungen oder die Nutzung von Produkten in der Vergangenheit wären in diesem Fall nicht ausreichend. So können insbesondere Daten zum Nutzungsverhalten im Mobile oder Online Banking eine wertvolle Ergänzung sein.
Darüber hinaus kann eine Unteranpassung auch zu einem Bias führen. Werden nicht ausreichend relevante Daten für ein KI-Modell herangezogen, können beispielsweise ganze Kundengruppen zu Unrecht von Bankangeboten ausgeschlossen werden. Ein Beispiel für das Vorliegen eines Bias wäre im Kreditkontext in Form einer Benachteiligung von Kunden mit mittlerer Bonität denkbar. So würden diese keine Kreditzusage erhalten, wenn das Training der KI-Anwendung lediglich auf Kundendaten mit einer sehr guten Bonität basiert war. Die Folgen wären Kundenunzufriedenheit und verpasste Geschäftsmöglichkeiten.
Überanpassung
Eine weitere Ursache für eine schlechte Modell-Performance stellt die sog. Überanpassung („Overfitting“) dar. Diese kann verschiedene Formen aufweisen. Zum einen kann eine Überanpassung entstehen, wenn sich das KI-Modell zu sehr an die gewählten Trainingsdaten „gewöhnt“ hat und somit keine Generalisierung auf weitere Datenmuster möglich ist. Gewöhnen z.B. intelligente, autonom fahrende Fahrzeuge sich zu stark an ihre Simulationsumgebung, werden diese in der Realität nicht fehler- bzw. unfallfrei fahren können. Zum anderen kann die Überanpassung auch durch die Zufuhr von zu vielen Daten verursacht werden. Das Modell wird dadurch unnötig verkompliziert, ohne einen Mehrwert zur Problemlösung zu liefern. Folglich können falsche Schlussfolgerungen auftreten. Beispielsweise sollte ein KI-Modell zur Liquiditätsprognose für Bankkunden primär die Umsatzdaten des Kunden bei der Lösungsfindung nutzen. Die Nutzung von Daten, die keinen hohen Erklärungsgrad beinhalten, sollte daher vermieden werden.
Fazit: KI bleibt die wichtigste Zukunftstechnologie
Eine moderne und flexible IT-Infrastruktur mit Cloud-Technologien bilden zunächst die technischen Voraussetzungen für erfolgreiche KI- bzw. ML-Anwendungsfälle. In einem zweiten Schritt kommt es auf die ausreichende Verfügbarkeit nutzbarer Daten an. Mit dem veranschaulichten 5V-Model können die aussichtsreichsten KI-Anwendungen identifiziert werden. Eine systematische und kontinuierliche Überprüfung und Bewertung der Daten sind zwingend erforderlich, um das volle Potential von KI nutzbar zu machen und weiter auszuschöpfen.
Zusammenfassend lässt sich sagen, dass KI zu Recht zu den wichtigsten Zukunftstechnologien für Banken gehört. Zu demselben Ergebnis kommt auch Prof. Dr. Schmidhuber, der zu den weltweit renommiertesten Forschern auf dem Gebiet der KI gehört. Der gebürtige Münchner bestätigte auf die Frage zur Bedeutung im Finanzsektor, dass KI „fast alles erlernen [wird], was Menschen können – und noch viel mehr“. Es gilt daher die Forschung und rege Diskussion um KI (z.B. im Hinblick auf Potentiale, Datenrisiken, Ethik) weiter in Deutschland und Europa voranzutreiben, um den globalen Anschluss an die Technologie nicht zu verlieren.
Quellen und Referenzen:
https://www.bafin.de/SharedDocs/Veroeffentlichungen/DE/Fachartikel/2019/fa_bj_1909_BaFinTech.html
https://blog.commerzbank.de/digitalisierung/18q4/big-data_advanced-analytics.html
https://www.computerweekly.com/news/252486161/HSBC-chooses-AWS-for-public-cloud-business-operations
https://hbr.org/2020/01/competing-in-the-age-of-ai
https://hbr.org/2019/07/building-the-ai-powered-organization?
http://people.idsia.ch/~juergen/performer2016.pdf
https://www.iks.fraunhofer.de/de/themen/kuenstliche-intelligenz.html
https://www.it-finanzmagazin.de/commerzbank-cloud-services-it-praxis-95365/
https://yougov.de/news/2020/01/16/wie-bankkunden-im-jahr-2020-aussehen/
Um einen Kommentar zu hinterlassen müssen sie Autor sein, oder mit Ihrem LinkedIn Account eingeloggt sein.