1. EXXETA
  2. /
  3. Branchen
  4. /
  5. Financial Services
  6. /
  7. Regulatory & Compliance
  8. /
  9. KI Consulting – Financial Services

KI CONSULTING – FINANCIAL SERVICES

Künstliche Intelligenz (KI) und Machine Learning (ML) sind in unserem privaten Alltag angekommen. Sei es der Sprachassistent und die Autovervollständigung von Texteingaben bei Mobiltelefonen oder die personalisierte Produktempfehlung im Online-Shop. Viele dieser Anwendungen nutzen bereits Machine Learning-Methoden, um unseren Alltag deutlich zu erleichtern.

Finanzdienstleistungsunternehmen haben das Potential von Big Data und AI (BDAI) erkannt und arbeiten im Rahmen der Digitalisierung und Automatisierung verstärkt an der Exploration bzw. Umsetzung von praxistauglichen Anwendungsfällen. Die Vorteile sind in allen Geschäfts- und Infrastrukturbereichen ersichtlich, in denen große Datenmengen vorliegen, die analysiert und verwertet werden müssen. Beispielhafte Anwendungsfelder sind das Transaktionsmonitoring im Rahmen der Geldwäscheprävention oder die Abwicklungsprozesse im Middle- und Back-Office. Mithilfe von BDAI lassen sich Prozesse effizienter, effektiver und somit kostengünstiger sowie mit einer höheren Qualität durchführen.


Mithilfe von BDAI lassen sich Prozesse effizienter, effektiver und somit kostengünstiger sowie mit einer höheren Qualität durchführen.


Zudem können hiermit auch Umsatzsteigerungen erzielt und neuartige datengetriebene Geschäftsmodelle erschlossen werden. Aufgrund dieser Vorteile unterstützen auch zunehmend Aufsichtsbehörden den Einsatz von KI-Technologien, wobei sie die Technologien auch selbst nutzen, um ihre Überwachungs- und Kontrollprozesse (insbesondere im Hinblick auf große und komplexe Datensätze) zu verbessern.

Für die Realisierung von BDAI-Anwendungen bedarf es Spezialisten (Data Scientists), mit der Fähigkeit, kollaborative Methoden und Prozesse sowie eine Vielzahl von Algorithmen aus verschiedenen Disziplinen einzusetzen.

Big Data und KI

KI-Einführung für Einsteiger

Künstliche Intelligenz ist ein Teilgebiet der Informatik und beschäftigt sich mit der Entwicklung von Algorithmen, die Maschinen befähigen, menschliche Fähigkeiten nachzubilden bzw. zu übertreffen. Hierbei wird grundsätzlich zwischen einer schwachen und einer starken KI unterschieden.

Wird heute vom Einsatz einer KI gesprochen, so ist meist von der schwachen KI die Rede. Sie ermöglicht der Maschine das Lösen von konkreten und begrenzten Aufgaben. Der Einsatz von starker KI wird erst in 20 bis 40 Jahren erwartet. Dann wird es Maschinen möglich sein, generelle menschliche Fähigkeiten nachzubilden bzw. zu übertreffen. Werden Algorithmen verwendet, die es der Maschine ermöglichen, selbstständig aus Daten zu lernen, so spricht man von Machine Learning

Hier werden im Gegensatz zur traditionellen Programmierung die Regeln nicht durch den Menschen vorgegeben bzw. programmiert, sondern von der Maschine selbst erlernt. Machine Learning ist somit eine Teilmenge von KI. Beim Deep Learning werden ML-Algorithmen verwendet, die mit ihren vielschichtigen Verknüpfungen dem menschlichen Gehirn nachempfunden sind. Tiefe neuronale Netze ermöglichen es, im Gegensatz zu neuronalen Netzen mit einer einfachen Architektur, von hochkomplexen Mustern zu lernen. Deep Learning stellt somit eine Teilmenge von Machine Learning dar.

Natural Language Processing (NLP) stellt eine Vielzahl an Methoden zur maschinellen Verarbeitung von natürlicher Sprache, also gesprochener und geschriebener Sprache bereit. NLP und Text-Mining (oder Text Analytics) werden gemeinsam zur automatisierten Identifizierung und Extraktion von wertvollen Informationen aus strukturierten und unstrukturierten Textdaten verwendet. Dabei kommen auch Methoden aus dem Machine Learning (z. B. Entscheidungsbäume, einfache oder tiefe neuronale Netze) zum Einsatz.

Somit liegen Schnittmengen zwischen NLP, Text-Mining, Machine Learning und KI vor. Viele der KI-Lösungen werden als Augmented Intelligence bezeichnet, da sie Mitarbeiter bei der Bewältigung von repetitiven, zeit- und datenintensiven Aufgaben unterstützen, ohne sie jedoch ersetzen zu wollen. Es werden in diesen Fällen vielmehr wertvolle Entscheidungsgrundlagen geschaffen, die letztendliche Entscheidungsfindung verbleibt allerdings beim Mitarbeiter.

Robotic Process Automation (RPA) spielt ebenfalls eine wichtige Rolle, wenn es um die Automatisierung von Geschäfts- und Infrastrukturprozessen geht. Allerdings lassen sich mit RPA nur regelbasierte Prozesse automatisieren, das heißt der Mensch muss Regeln vorgeben, an denen sich die Softwareroboter orientieren.

Ein deutlich größeres Potential lässt sich entfalten, wenn RPA im Zusammenspiel mit KI betrachtet wird. In diesem Zusammenhang spricht man von Intelligent Process Automation (IPA).

Ein typisches Anwendungsbeispiel stellt die Verwendung von Object Character Recognition (OCR) dar, die im ersten Schritt ermöglicht, eingescannte Dokumente automatisiert in maschinenlesbare Dokumente zu überführen. Basierend hierauf kann dann ein RPA-Prozess aufgesetzt werden.

Chancen und Risiken

Die Chancen und Risiken von KI werden seit längerem auf verschiedensten nationalen und internationalen Ebenen diskutiert. Grundsätzlich herrscht Konsens darüber, dass KI eine der größten technologischen Entwicklungen unserer Zeit darstellt, die gezielte Investitionen erfordert und ein angemessenes Maß an Regulierung bedarf, ohne den technologischen Fortschritt einzudämmen. Die stärkere Anwendung von KI-Technologien wird daher durch verschiedene branchenübergreifende Förderprogramme auf nationaler, internationaler und EU-Ebene unterstützt.

Effizienz, Effektivität und Qualität

Die Potentiale von KI, Machine Learning und Text-Mining sind bei Finanzdienstleistern in allen Geschäfts- und Infrastrukturbereichen ersichtlich, bei denen große und komplexe Datenmengen vorliegen, die analysiert und verwertet werden müssen. Deutliche Effizienz-, Effektivitäts- und Qualitätsgewinne bei gleichzeitiger Kostenreduktion werden beispielsweise in den Abwicklungsprozessen im Middle- und Back Office sowie bei der Geldwäscheprävention beobachtet. Hierbei müssen beispielsweise komplexe Muster von verdächtigen Transaktionen erkannt oder externe Informationen (z. B. Newsfeeds, Social-Media-Beiträge etc.) für das AML- oder- KYC-Screening analysiert werden. 

In jüngster Zeit mehren sich die Erfolgsmeldungen einzelner Institute, die durch den Einsatz von KI, Machine Learning und Text-Mining erhebliche Effizienz- und Effektivitätsgewinne bei verschiedenen Prozessen erzielen konnten. So berichten einige Finanzdienstleister, dass sie durch die Anwendung von Machine Learning beim Transaktionsmonitoring im Rahmen der Geldwäscheprävention die Anzahl der Fehlalarme (sogenannte False Positives) um bis zu 80 Prozent verringern konnten. Ferner gelang einer US-amerikanischen Großbank mit Machine Learning bzw. Natural Language Processing die Bearbeitung von 12.000 jährlichen Kreditverträgen in nur wenigen Stunden. Die manuelle Bearbeitung hätte ca. 360.000 Arbeitsstunden im Jahr in Anspruch genommen.


Ferner gelang einer US-amerikanischen Großbank mit Machine Learning bzw. Natural Language Processing die Bearbeitung von 12.000 jährlichen Kreditverträgen in nur wenigen Stunden. Die manuelle Bearbeitung hätte ca. 360.000 Arbeitsstunden im Jahr in Anspruch genommen.


Erschließung neuer Geschäftsfelder

Durch den Einsatz von KI-Technologien können neue datengetriebene Geschäftsmodelle bzw. Geschäftsfelder erschlossen werden. Folgerichtig wird dieser Einsatz auch durch die Aufsichtsbehörden unterstützt bzw. immer stärker gefordert. Für bestimmte datenintensive Überwachungs- und Kontrollprozesse setzen sie jene Technologien mittlerweile ebenfalls verstärkt ein.

Bewahrung der Vertrauenselemente

In der Finanzindustrie findet ein regelmäßiger Austausch zwischen Instituten, Aufsichtsbehörden, Regierungsvertretern, Standardsetzern, Vertretern der Wissenschaft und weiteren Marktbeobachtern statt. Die europäischen Aufsichtsbehörden (EZB und ESAs) und die BaFin verfolgen die technologische Entwicklung und die damit verbundenen Chancen und Risiken im Bereich BDAI sehr genau. Hieraus zeichnet sich immer mehr ein Rahmen ab, in dem KI zu implementieren ist.

Eine vertrauensvolle KI müsse demnach grundsätzlich transparent und erklärbar sein sowie ungerechtfertigter Diskriminierung vorbeugen. Eine Blackbox werde von den Aufsichtsbehörden nicht akzeptiert. Zudem müssten die Anforderungen an den Datenschutz und die Datensicherheit berücksichtigt und eine hohe Datenqualität im gesamten Lebenszyklus erzielt werden.

Für den erfolgreichen und nachhaltigen Einsatz von KI ist es daher zwingend erforderlich, sich mit den regulatorischen Anforderungen und der Erwartungshaltung der Aufsichtsbehörden im Hinblick auf den Einsatz solcher Technologien auseinanderzusetzen und mit den Behörden frühzeitig in direktem Austausch zu stehen.

Ausgewählte Use Cases

Nachfolgend wird eine Auswahl an kategorisierten Anwendungsfällen für Finanzdienstleistungsunternehmen dargestellt, die nochmals durch Anwendungsbeispiele konkretisiert werden. Dabei wird deutlich, dass die Anwendungsfälle bereichsübergreifend relevant sind.

Erfolgsfaktoren

Quick Win: Schnelle erste Erfolge innerhalb von 6-12 Wochen durch ein Pilotprojekt erzielen

Initialer Workshop mit Fachabteilungen, Stakeholdern und Data Scientists, um ein gemeinsames Ziel zu erarbeiten

KI-Verständnis in den beteiligten Fachabteilungen und bei den Stakeholdern aufbauen

Regulatorische Entwicklungen in Bezug auf BDAI berücksichtigen und den frühzeitigen Austausch mit den Aufsichtsbehörden (BaFin, EZB, ESAs) suchen

Betriebsrelevante Problemstellungen auswählen, um interne Stakeholder bzw. das Management zu überzeugen

Konkrete Wertschöpfung erzielen, indem man Kosten reduziert, Umsatz steigert oder komplett neue Geschäftsfelder erschließt

Klare KPIs: Messbare Ziele definieren, um den Business Impact ableiten zu können

Agilität: Durchführung von Projekten in einer agilen, nutzerorientierten und iterativen Art und Weise (CRISP-DM)

Eine fehlende Zieldefinition und Problemschärfe sowie der überstürzte Einkauf großer Enterprise-Lösungen sind häufige Gründe für das Scheitern von KI-Projekten.

Unser Angebot

Unser interdisziplinäres Team aus versierten Data Scientists und Fachexperten unterstützt Sie bei der Identifikation von praxistauglichen Anwendungsfällen in einem Kickstart-Format. Unser Kickstart-Format beinhaltet eine Bestands- und Potenzialanalyse und daraufhin eine prototypische Entwicklung eines erarbeiteten Anwendungsfalls.

Hierbei orientieren wir uns an den zuvor genannten Erfolgsfaktoren. Unnötige Lizenzgebühren werden verhindert, indem wir auf die gängigen Open-Source-Algorithmen zurückgreifen. Als Ergebnis wird dann eine Entscheidungsvorlage sowie eine Implementierungsroadmap für ein vollumfängliches KI-Projekt bereitgestellt.

I. Exploration Workshop

Eintägiger Workshop zur Identifikation und Bewertung von Anwendungsfällen

Priorisierung der vielversprechendsten Anwendungsfälle

Vereinbarung der Datenbereitstellung und Dokumentation der Ergebnisse

II. Proof-of-Concept

Umfassende Analyse und Exploration der bereitgestellten Rohdaten

Abstimmung und Auswahl eines Use Cases für den Proof-of-Concept

Entwicklung des Prototypen

III. Entschei­­dungsvorlage

Erstellung einer Entscheidungsvorlage für die Weiterentwicklung

Bereitstellung einer Implementierungsroadmap für ein vollumfängliches KI-Projekt

EXXETA bietet Ihnen fundierte bankfachliche, methodische und technologische Expertise aus einer Hand.

X