close
Share with your friends

Künstliche Intelligenz (KI) und Machine Learning (ML) – Schlagwörter, denen wir dieser Tage kaum entkommen können. Wie steht es um die Implementierung bei Banken? Auf welchen Technologien lassen sich die KI/ML-Methoden erfolgreich nutzen? Und welche Rolle spielt KI im Risikomanagement bei Banken? Ein Blick auf die Praxis.

Anwendungen von Künstlicher Intelligenz (KI), also die Nachbildung von menschlichen Lernprozessen durch Computerprogramme, Robotics und Automatisierung, sowie der Einsatz von Machine-Learning-Techniken (ML), boomen. Das zeigen die neuen Forschungsrichtungen, Anwendungsfelder sowie Wirtschaftszweige, die laufend entstehen, sehr deutlich. Auch im Risikomanagement von Banken hält KI Einzug.

Eine Frage der Qualität

Gerade bei Banken sind klassische ML-Klassifizierungsprobleme durch die Anwendung von Ratingsystemen bereits seit Jahren im Risikomanagement standardmäßig implementiert. Unter die ML-Klassifizierungsprobleme fallen etwa Fragen wie zB „Wird Kunde XY im kommenden Jahr ausfallen?“ Sie werden vielfach auch streng durch den Regulator validiert.

Neu ist nun aber die Verknüpfung der ML-Methoden (wie zB Logistischen Regressionen, Neuronalen Netzen, Deep Learning) mit der hohen Datendichte und einer – hoffentlich ebenso hohen – Datenqualität, die Big Data mit sich bringt.  

Berührungsängste

Kosteneffizienzen, bessere und schnellere Entscheidungen und damit Grundlage für neue Geschäftsstrategien: All das sind Vorteile, welche die Implementierung von KI-Lösungen verspricht. Im Alltag der Banken zeigt sich jedoch: Die Mehr-zahl der Banken befindet sich noch in der Spiel- und Lernphase im Umgang mit KI. Rund zehn Prozent haben noch über-haupt keine Schritte in die Richtung „Künstliche Intelligenz“ unternommen. Nur die wenigsten Banken nutzen bereits jetzt aktiv und im Echtbetrieb KI-Lösungen, etwa im Zusammenhang mit dem Kreditrisikomanagement, Fraud Detection oder Kreditvergabe.

In diesem Zusammenhang stellen sich auch aufsichtsrechtliche und regulatorische Fragen: Wie lässt sich diese „neue“ Art von Modellen validieren? Wie können Transparenz und Überprüfbarkeit, besonders im Hinblick auf Korrektheit, Angemessenheit, Stabilität und Robustheit sowie die Übereinstimmung mit der Risikofreude der Organisation, gewährleistet werden? Welche Qualifikationen sind darüber hinaus notwendig, um solche Technologien zu implementieren, zu warten und zu überprüfen?

Open vs Closed Source

In Fragen der Software setzt die KI-Community stark auf Open Source. Die Vorteile liegen auf der Hand: Die offene Entwicklerstruktur, die schnelle und unkomplizierte Verwendung und Verbreitung von Packages und, selbstverständlich, der (nicht-existente) Kostenfaktor. Diese Argumente sprechen für Sprachen wie R, Python oder andere frei verfügbare Packages. Viele Banken setzen jedoch nach wie vor auf statistische Softwarepakete wie SAS, weil diese Pakete – durch den Support und die Lizenzierungsmodelle – zu den sicheren und stabileren Alternativen gelten.

Der Branchenführer SAS, in einer Allianz mit KPMG als Platinum-Partner, hat diese Entwicklung erkannt und bietet mit der Plattform SAS Viya die Verbindung von Open Source und einem stabilen sowie geprüften System.  

Autor

Thomas Gaber

Weitere Artikel der Ausgabe "IT ist alles"

Verwandte Themen