Kleinere LLMs und Agentic AI

transformieren den Zahlungsverkehr

Finanzdienstleister befinden sich mitten in einer umfassenden Modernisierung, wobei KI eine immer wichtigere und transformative Rolle spielt. Der potenzielle Einfluss ist besonders deutlich im Zahlungsverkehr erkennbar, in dem KI Fortschritte in kritischen Bereichen wie Risikomanagement und Betrugserkennung ermöglicht.

Finanzinstitute stehen vor vielfältigen Herausforderungen. Sie müssen neue regulatorische Änderungen umsetzen, Risiken reduzieren und die Finanzkriminalität bekämpfen. Der Einsatz von KI kann dabei ein entscheidendes Hilfsmittel sein. Momentan befinden sich viele Finanzdienstleistungsunternehmen in einer Evaluierungs- oder Proof-of-Concept-Phase. Sie prüfen die Einsatzmöglichkeiten von KI, haben aber noch keine endgültige Entscheidung zur Einführung getroffen.

Dies ist nicht überraschend, da ein Großteil der neuesten Entwicklungen im Bereich der KI, insbesondere der generativen KI, noch im Anfangsstadium steckt und einen gut durchdachten Ansatz für die Umsetzung erfordert. Bei der Implementierung von KI ist es wie bei der Einführung jeder neuen Technologie wichtig, dass ein Unternehmen zunächst versteht, welche Ziele es erreichen möchte, und dann einen strategischen Ansatz für die Bereitstellung entwickelt. Ohne detaillierte Planung, die die Übereinstimmung mit den Geschäftszielen und regulatorischen Anforderungen sicherstellt, sollten keine größeren Investitionen getätigt werden.

Breites Anwendungsspektrum

Derzeit gibt es mehrere Anwendungsfälle, die im Bereich des Zahlungsverkehrs für die Nutzung von Large Language Models (LLMs) und Agentic AI aktiv erforscht werden.

Ein Schwerpunkt liegt auf dem Einsatz von KI für das intelligente Routing von Zahlungen, das die nahtlose Verwaltung und Verteilung jeder Art von Zahlung an das richtige System ermöglicht. Das System kann die Zahlung analysieren und ihren Ablauf dynamisch optimieren, um die Erfolgsquote der Transaktionen zu maximieren und die Kosten zu minimieren. Dabei ist es möglich, verschiedene Faktoren wie Kundendaten, geografische Lage und Risikoprofil zu untersuchen, um den besten Weg für jede Transaktion zu ermitteln.

Ein weiterer kritischer Bereich ist das Risikomanagement, in dem viele Unternehmen KI-gestützte Verbesserungen ihrer Risikobewertungs- und Underwriting-Systeme prüfen. So kann KI beispielsweise dazu eingesetzt werden, Anomalien im Hinblick auf die Fraud Detection oder die Geldwäsche besser und schneller zu identifizieren. KI-Algorithmen bieten das Potenzial, große Datenmengen zu analysieren und verdächtige Transaktionen in Echtzeit zu erkennen. Gleichzeitig kann eine genauere Mustererkennung auch die False-Positive-Rate minimieren.

KI kann zudem die Automatisierung manueller und fehleranfälliger Prozesse unterstützen, um die Kosten zu senken, die Geschwindigkeit zu erhöhen und die Qualität der Arbeitsabläufe zu verbessern. Ein Beispiel ist die Korrektur von Zahlungsdaten, bei der durch einen vorab durchgeführten Validierungs- und Bewertungsprozess der manuelle Aufwand minimiert wird. Wenn manuelle Eingriffe erforderlich sind, kann der Kundendienstmitarbeiter mit generativer KI zusammenarbeiten, um den Korrekturprozess zu vereinfachen. Dies birgt ein großes Potenzial zur Beschleunigung des Prozesses.

Das Potenzial von KI ist immens. Aber es muss auch klar sein, dass der Zahlungsverkehr ein extrem regulierter Markt ist und folglich die Sicherheit, Transparenz und Zuverlässigkeit genutzter Systeme die höchste Priorität einnehmen müssen. Dies gilt gerade auch im Hinblick auf Regularien und Richtlinien, die sich aus dem AI Act der EU ergeben. In diesem Kontext gewinnen vor allem drei Ansätze an Bedeutung: Open Source, kleinere KI-Modelle und Hybrid-Cloud-Umgebungen.

Transparenz durch Open Source

Open-Source-Richtlinien, -Technologien und -Lösungen stehen für Zusammenarbeit und Transparenz. Im Zusammenhang mit KI bedeutet dies beispielsweise leicht zugängliche und zuverlässige Daten sowie transparente Entscheidungsprozesse, vorzugsweise mit der Möglichkeit, ein Modell weiter zu optimieren. Dies bildet die Grundlage für eine „Vertrauenswürdige KI“, deren Leitprinzipien Erklärbarkeit, Fairness, Robustheit und Kontrollierbarkeit von KI-Modellen sind. Diese Art von KI ist für Finanzinstitute von entscheidender Bedeutung, da der AI Act der EU, die BaFin (Bundesanstalt für Finanzdienstleistungsaufsicht), die MaRisk (Mindestanforderungen an das Risikomanagement) und die BAIT (Bankaufsichtliche Anforderungen an die IT) bereits wichtige Leitlinien in diesem Bereich festgelegt haben.

Der Vorteil kleinerer Modelle und von Agentic AI

Finanzdienstleister stehen auch bei der Auswahl des richtigen KI-Modells vor einer Herausforderung. Es wird immer deutlicher, dass Institute nicht ausschließlich auf LLMs setzen werden, sondern nach kleineren Modellen (Small Language Models – SLMs) suchen, die für bestimmte Anwendungsfälle trainiert sind. Dabei geht es dann um SLMs mit Milliarden von Parametern anstatt um LLMs mit Billionen von Parametern.

Kleinere Modelle bieten mehrere Vorteile. Sie können mit weniger Ressourcen implementiert werden, was zur Senkung der Kosten und des Energieverbrauchs beiträgt. Zudem unterstützen sie die kontinuierliche Integration neuer Daten, insbesondere instituts- und domänenspezifischer Daten. Dadurch können Trainingsläufe wesentlich schneller durchgeführt werden. Durch die Verwendung kleinerer Modelle mit Open-Source-Lizenz können Unternehmen schließlich eine größere Unabhängigkeit von Lieferanten und eine größere Flexibilität bei der Auswahl von Lösungen erreichen, die Transparenz hinsichtlich Algorithmen, Trainingsdaten und Modellgewichtungen bieten.

Zugleich entwickelt sich die Agentic AI als neues Paradigma für die Implementierung von KI-Modellen. KI-Agenten könnten Trends analysieren, Entscheidungen in Sekunden treffen und Strategien auf der Grundlage von Echtzeitdaten und aktuellen Ereignissen dynamisch anpassen. Dies könnte zu effizienteren Systemen führen.

Die Hybrid Cloud als Infrastrukturbasis

Der Zahlungsverkehr ist von Natur aus ein sicherheitskritischer Bereich, da er Geldtransaktionen sowie die Speicherung und Verwaltung äußerst sensibler finanzieller und persönlicher Daten beinhaltet. Aus diesem Grund wurden für die Speicherung der Daten und der Zahlungssoftware häufig unternehmenseigene Infrastrukturen und On-Premises-Server bevorzugt. Dieser Ansatz hat jedoch seine Grenzen, einschließlich eines Mangels an Flexibilität, um innovative Technologien wie KI einzuführen. Der Cloud-Markt hat sich als Reaktion darauf weiterentwickelt und bietet das Beste aus beiden Welten: die Hybrid Cloud. Die Hybrid Cloud basiert in der Regel auf einer Abstraktionsschicht und einer zentralen Management-Plattform. Sie ermöglichen es Unternehmen, weiterhin On-Premises-Speicher für sensible Daten zu verwenden und gleichzeitig die Skalierbarkeitsvorteile der Public Cloud zu nutzen. Dabei können sie je nach ihren eigenen Richtlinien, den Marktanforderungen oder den Regularien zwischen Public-Cloud-Anbietern wechseln und dabei die Anforderungen an die operative Resilienz erfüllen.

Voraussetzung für die Umsetzung eines Hybrid-Cloud-Ansatzes ist die Portabilität der Workloads mit einer konsistenten und sicheren Verwaltung während des gesamten Anwendungslebenszyklus, von der Entwicklung und dem Training von KI-Modellen bis hin zur Integration der KI-Modelle in eine Zahlungsanwendung. Finanzinstitute haben die Möglichkeit, ein KI-Modell in einer Public Cloud unter Verwendung öffentlich verfügbarer Daten oder synthetischer Testdaten zu entwickeln und zu trainieren und es dann in die lokale Anwendung einzubetten. Oder sie können die Modelle mit vertraulichen Daten in ihrem eigenen Rechenzentrum trainieren und sie dann in einer Public Cloud ausführen.

Trotz der Datenschutzbedenken, Investitionskosten und der Herausforderung, von Anfang an eine solide strategische Ausrichtung festzulegen, ist der potenzielle Beitrag von KI für den Payment-Bereich enorm. Sie kann Prozesse optimieren, die Effizienz steigern und Innovationen vorantreiben. Grundlage dafür ist eine flexible, hybride Infrastruktur, die auf mehr Transparenz und Zusammenarbeit ausgelegt ist und die mit allen Wendungen und Überraschungen der sich schnell verändernden KI-Welt Schritt halten kann.

Abbildung 1    (Ramon Villarreal.jpeg)
Ramon Villarreal, Global Architect and Payments Lead, Financial Services, Red Hat (Quelle: Red Hat)

Abbildung 2    (Red Hat OpenShift AI.jpg)
Mit Red Hat OpenShift AI, einer flexiblen, skalierbaren KI/ML-Plattform, können Finanzdienstleister KI-gestützte Anwendungen in Hybrid-Cloud-Umgebungen entwickeln und bereitstellen. (Quelle: Red Hat)