gdpr-3438468_1920 Pete Linforth auf Pixabay  .jpg

Künstliche Intelligenz und maschinelles Lernen gelten als Schlüsseltechnologien der Zukunft

Plattform für regulationskonforme Prozesse

Ein Artikel von Ralf Hilger, leitet den Bereich „Architekturmanagement und Design/ UX“ der Finanz Informatik (FI) | 23.02.2021 - 07:53
Ralf_Hilger.JPG

Ralf Hilger, leitet den Bereich „Architekturmanagement und Design/ UX“ der Finanz Informatik (FI)

Anwendungen mit Künstlicher Intelligenz (KI) gelten als technologische Hoffnungsträger, um Kosten einsparen und Effizienzen heben zu können. Sie sollen helfen, Compliance-Vorgaben besser umzusetzen, Nutzern lösungsorientierte Antworten zu geben und manches mehr. Kein Wunder, dass in der PwC-Studie 2020 „Künstliche Intelligenz im Finanzsektor“ eine Mehrheit von 62 Prozent der befragten Führungskräfte von Banken und Versicherungen KI für eine sehr wichtige beziehungsweise eher wichtige Innovation hält, die in den nächsten fünf Jahren in der Finanzbranche an Gewicht zulegen wird.

Um die Potenziale von KI-Methoden für die Sparkassen zu erschließen, befasst sich FI als zentraler Dienstleister der Sparkassen-Finanzgruppe intensiv mit dem technologischen Spektrum. Ziel dabei ist es, KI-Lösungen künftig zum integralen Bestandteil der Gesamtbanklösung der FI, OSPlus, zu machen. Ein Ansatz hierzu ist die sogenannte Machine-Learning-Pipeline der FI. Für die KI-Disziplin Machine Learning werden hierbei Werkzeuge, Prozesse und Methoden verknüpft, die zur Konzeption und Realisierung von KI-Anwendungsfällen in OSPlus eingesetzt werden können.

Vergleich klassischer und lernender Methoden

Bevor KI-Anwendungen in OSPlus operativ einsetzbar sind, werden diese eingehend untersucht. So hat die FI den Anwendungsfall „Umsatzdatenkategorisierung“ ausgewählt, um die Eignung und das Potenzial von Machine-Learning-Modellen zu ermitteln. Dies aus gutem Grund, denn eine der wesentlichen Voraussetzungen für erfolgreiche KI-Anwendungen sind geeignete und verfügbare Daten, um die KI-Modelle zu trainieren. Im Bereich der Umsatzdatenkategorisierung kann die FI auf eine umfangreiche und vielschichtige Datenbasis zurückgreifen. Zudem existiert bereits eine auf Basis „klassischer“ Methoden umgesetzte Umsatzdatenkategorisierung, sodass sich gut vergleichen lässt, ob und in welchen Fällen ein KI-Modell tatsächlich überlegen ist.

Die Unterscheidung in klassische und lernende Methoden erfordert einen kurzen Exkurs in die Welt der Sparkassenanwendungen. Über die App „Sparkasse“ und die Internet-Filiale – so nennt sich das Portal für Online- Banking der Sparkassen – haben Endkunden bereits heute die Möglichkeit, ihre Umsätze kategorisieren zu lassen. Die Lösungen analysieren Kontoumsätze und ordnen diese in Kategorien wie „Einkäufe“ oder „Absicherung & Vorsorge“ ein. Dies erfolgt auf Basis regelbasierter Ansätze, was bedeutet, dass in den Lösungen alle möglichen Umsatzzuordnungen in Form von Regeln hinterlegt sein müssen. So effektiv dies ist, wenn Umsätze keiner definierten Regel folgen, können sie auch nicht eindeutig klassifiziert werden. An diesem Punkt kommen „klassische“, regelbasierte Prozesse an ihre Grenzen. Die Folge ist, dass der Sparkassenkunde aufgefordert ist, die passende Kategorie selbst zu wählen. Da der Kunde aber auch Änderungen vornehmen kann, um Umsätze anders als vom System vorgeschlagen zu kategorisieren, und dies in der Gesamtbanklösung über einen Bewertungsalgorithmus erfasst wird, hat die regelbasierte Lösung in der Internet-Filiale bereits selbstlernende Elemente, die derartige „Umkategorisierungen“ für zukünftige Zuordnungen berücksichtigt.

Das Ziel der KI-Methode ist es nicht, den regelbasierten Ansatz zu ersetzen, wo er hocheffizient funktioniert. Sie soll vielmehr dort ergänzen, wo der regelbasierte Ansatz seine Grenzen erreicht. Bei einer derartigen „Hybrid-Lösung“ kommt ein Machine-Learning-Algorithmus zum Einsatz, der auf Basis eines neuronalen Netzes agiert. Dieses Netz ermöglicht, Zusammenhänge in den Umsatzdaten zu lernen, die sich über Regeln kaum abbilden lassen. Zum Anlernen des Algorithmus haben Mitarbeiter der FI im Rahmen eines hausinternen Wettbewerbs in Datenschutz-konformer Weise pseudonymisierte Umsatzdaten manuell kategorisiert. Auf dieser Basis hat der IT-Dienstleister Trainingsdaten gesammelt, mit denen das FI-Team unterschiedliche Algorithmen auf ihre Eignung hin prüfen kann.

Die Leistungsfähigkeit der KI-Methoden wird im Rahmen eines Parallelbetriebs zu der regelbasierten Lösung getestet, indem die Kategorisierungen miteinander verglichen werden und die sogenannte „Trefferquote“ ermittelt wird. Erfüllen sich die Erwartungen an das neue Lösungsmodell, kann es ein integraler Bestandteil der Gesamtbanklösung werden.

KI im regulierten Umfeld

Zum Wesen und zur Definitionsbeschreibung von KI-Lösungen gehört, dass diese permanent selbst lernen, also auch im produktiven Betrieb. Im hochregulierten Umfeld der Finanzwirtschaft können daher KI-Anwendungen nicht ohne weiteres betrieben werden. Aus diesem Grund entwickelt die FI eine KI-Plattform, die den spezifischen Anforderungen im Umgang mit Produktivdaten im Entwicklungsprozess gerecht wird. Die Lösung der FI arbeitet mit spezifischen Prozessen der kontinuierlichen Integration und kontinuierlichen Auslieferung von Softwarebestandteilen, den sogenannten CI/CD-Prozessen (Continuous Integration / Continuous Delivery), die für die Herausforderungen einer KI-Anwendung unter Beachtung regulatorischer Rahmenbedingungen adaptiert werden.

Die Entwicklung einer leistungsfähigen KI-Plattform ist eine wichtige Grundlagenarbeit in Sachen KI, da durch sie erst der praktische Nutzen einer selbstlernenden Anwendung im produktiven Einsatz möglich wird. Auf Basis der technischen Plattform können künftig nahezu beliebige KI-Anwendungen – sowohl von der FI selbst entwickelte als auch marktgängige – in OSPlus integriert werden und so den Sparkassen den zu erwartenden Nutzen und die Effizienzgewinne ermöglichen.

An dieser Stelle profitieren die Sparkassen von der offenen System- und Anwendungsarchitektur ihrer Gesamtbanklösung OSPlus: Sie erleichtert das Einbinden von KI-Anwendungen und erlaubt, auch marktgängige Lösungen zu integrieren. Die FI kann daher auch auf innovative und am Markt bewährte KI-Lösungen zurückgreifen und diese zügig in das Leistungsspektrum für Sparkassen aufnehmen.

Den Use Case „Umsatzdatenkategorisierung“ betreffend: In der Verbindung aus KI-Plattform und der zukünftigen Multikanalarchitektur der Gesamtbanklösung der Sparkassen können Funktionalitäten nahtlos im Multikanal zur Verfügung stehen. Auf diese Weise lässt sich zum Beispiel auch eine um KI-Komponenten erweiterte Lösung „Umsatzdatenkategorisierung“ kanalübergreifend sowohl in der Internet-Filiale als auch in der Sparkassen-App nutzen. Dies ist eines von vielen Beispielen, bei dem KI-Lösungen künftig Effizienzen steigern werden und gleichzeitig den Nutzen und den Komfort von Anwendungen für Kunden erhöhen.