Wie Banken und Versicherungen von KI profitieren können

Ein Artikel von Dr. Jochen Papenbrock, Financial Technology Manager bei Nvidia | 13.07.2021 - 08:31

Künstliche Intelligenz wird bei Banken und Finanzdienstleistern eine wichtige Rolle spielen. Diese Meinung teilen auch die Führungskräfte von Unternehmen aus der Finanz- und Versicherungssparte. Das belegt eine Studie des Beratungsunternehmens PwC zum Einsatz von KI in Deutschland, Österreich und der Schweiz. An die 62 Prozent der Fachleute halten laut der Untersuchung KI für eine wichtige Innovation. Doch was die Umsetzung entsprechender Projekte betrifft, herrscht noch Nachholbedarf. Zwar haben mehr als 40 Prozent der Firmen Pilotprojekte und Entwicklungsarbeiten im Bereich KI gestartet. Doch in weniger als einem Viertel kommen solche Lösungen heute erst zum Einsatz.

Kosten sparen statt Innovationen vorantreiben

Dass KI im Finanzbereich bislang nur in geringem Maß Fuß fassen konnte, hat mehrere Gründe. Zu den wichtigsten zählt, dass es an Daten und Budget oder in manchen Fällen Investitionswillen fehlt, um robuste und skalierbare KI-Anwendungen mithilfe von Plattformen zu entwickeln und zu implementieren. Ein weiterer Punkt ist, dass Mitarbeiter nicht über das erforderliche Fachwissen verfügen. Das ist nicht verwunderlich, weil seit Jahren in Deutschland zu wenige IT-Fachkräfte vorhanden sind und veraltete IT-Infrastrukturen nicht attraktiv für neue Fachkräfte sind. Das gilt vor allem für Experten in zukunftsorientierten Bereichen wie KI und Machine Learning, Data Science und Analytics. Hinzu kommt, dass Finanzdienstleister und Versicherungen das wahre Potenzial von KI noch nicht erkannt haben. Laut der Studie von PwC will der Großteil der Unternehmen KI dazu nutzen, um konventionelle Ziele zu erreichen: eine höhere Effizienz und geringere Kosten. Nur 19 Prozent sehen in KI eine Technologie, um neue Geschäftsmodelle und innovative Services zu entwickeln.

Dabei kann KI sogar dabei helfen, synthetische Daten zu erzeugen, um weitere Ansatzpunkte für den Einsatz von KI erörtern. Der Digitalverband Bitkom plädiert beispielsweise in einem Faktenpapier dafür, KI und Deep Learning in der Versicherungswirtschaft zu verwenden, um Versicherungsbetrug auf die Spur zu kommen. Entsprechende Lösungen lassen sich zudem nutzen, um Geldwäsche und Kreditkarten- und Abrechnungsbetrug zu unterbinden. Bereits heute, so der Verband, haben sich KI-gestützte Ansätze in diesen Bereichen gegenüber herkömmlichen Vorgehensweisen als überlegen erwiesen.

KI kann außerdem die Bewertung von Risiken vereinfachen, etwa bei der Vergabe von Krediten. Für Rückversicherungsunternehmen wiederum ist es wichtig, dass sie Unwägbarkeiten durch den Klimawandel und Umweltschäden richtig einschätzen. Das lässt sich mithilfe KI-basierter Modelle erreichen. Ein weiteres Einsatzfeld ist der Kundenservice. Bereits heute nutzen Kunden von Banken und Versicherungen Chatbots, wenn sie Fragen zu Produkten haben. Mithilfe von KI-Algorithmen und Analyse-Tools können Unternehmen zudem Interessenten und Kunden maßgeschneiderte Empfehlungen an die Hand geben, etwa zu Anlageoptionen.

Auf Unterstützung durch KI-Experten zurückgreifen

Die Frage ist jedoch, wie Finanzdienstleister und Versicherungen KI in ihr operatives Geschäft integrieren können. Oft fällt in diesem Zusammenhang das Stichwort „Cloud". Doch speziell im Finanzbereich mit seinen strikten Compliance- und Datenschutzvorgaben sind Public-Cloud-Services kein Allheilmittel. Zwar können Finanzunternehmen einen Teil der Anwendungen und IT-Ressourcen aus einer Public Cloud beziehen, beispielsweise Office-Pakete. Speziell bei unternehmenskritischen Daten und Anwendungen ist es jedoch ratsam, diese über eigene Rechenzentren bereitzustellen.

Da es vielen Unternehmen an KI-Expertise mangelt, empfiehlt es sich im ersten Schritt, auf die Unterstützung eines Partners zurückzugreifen, der über Erfahrung mit KI-Technologien und entsprechenden Einsatzszenarien verfügt. Ein KI-Spezialist wie Nvidia kann selbst und über seine Partner Finanzdienstleistern und Versicherungen dabei helfen, das Thema KI im Unternehmenskontext zu „verankern". Zu klären ist beispielsweise, in welchem Bereich erste KI-Projekte Sinn machen, wie die Geschäftsmodelle aussehen sollen und welche Abteilung die Federführung bei der Umsetzung übernimmt. Oft sind das die IT-Abteilungen; teilweise setzen Unternehmen jedoch separate Abteilungen auf, in denen Experten aus den Fachbereichen, der IT-Abteilung, der Geschäftsführung und dem Data-Science-Team vertreten sind.

Die passende IT-Infrastruktur finden und implementieren

Anschließend gilt es zu ermitteln, mit welcher IT-Infrastruktur KI-Anwendungen optimal entwickelt und bereitgestellt werden können. Denn oftmals stehen in Unternehmen noch nicht die richtigen Infrastrukturen und Plattformen zur Verfügung. In Branchen mit strikten regulatorischen Vorgaben wie dem Finanzsektor bietet sich eine KI-Plattform an, die im eigenen Datacenter oder einer Hybrid-Cloud implementiert wird. In diesem Fall behält der Nutzer die Kontrolle über Anwendungen und Daten. Außerdem stellt ein On-Premises-Ansatz sicher, dass der Finanzdienstleister selbst Fachwissen in den Bereichen KI, maschinelles Lernen und Deep Learning aufbauen kann.

Wichtig ist, dass eine solche Plattform neben der Hardware auch die erforderliche Software bereitstellt. Dazu zählen Komponenten für DevOps und MLOps (Machine Learning Operations). Mit diesen Ansätzen ist es möglich, die Entwicklung und den Betrieb von transparenten und damit vertrauenswürdigen KI-Anwendungen zu optimieren (Explainable AI) und die Entwicklungszyklen zu verkürzen. Ein weiteres wichtiges Element sind Programmbibliotheken und Tools für Data Scientists und die Datenanalyse, etwa Nvidia Rapids und PyTorch. Auf diesem „Stack" setzen dann die Finanzapplikationen auf.

Ein Vorteil einer ganzheitlichen Lösung ist, dass sie sich schneller und mit geringerem Aufwand implementieren lässt als eine Plattform, die der Anwender selbst aus Komponenten unterschiedlicher Anbieter zusammenstellt. Die Datenspezialisten eines Finanzdienstleisters können daher schneller damit beginnen, KI-Modelle zu entwickeln und zu testen. Unternehmen sollten außerdem darauf achten, dass sich die KI-Infrastruktur an geänderte Anforderungen anpassen lässt, Stichwort Skalierbarkeit. Insbesondere Natural Language Processing-Modelle wachsen rasant. Mit einer solchen Plattform können sie nicht nur robuste und profitable Use Cases umsetzen, sondern werden auch attraktiver für neue IT-Fachkräfte und Data Scientists.

Praxis: Wie American Express mit KI Kreditkartenbetrug verhindert

Welchen Nutzen KI und neuronale Netze einem Unternehmen in der Finanzbranche bringen können, zeigt das Beispiel American Express. Der Anbieter von Finanzdienstleistungen setzt diese Technologien in Verbindung mit DGX-Systemen von Nvidia ein, um Kreditkartenbetrügern auf die Spur zu kommen.

Mithilfe von KI-Algorithmen analysiert American Express beispielsweise das Ausgabeverhalten. Verdächtig ist beispielsweise, wenn ein Kunde zunächst an einer Tankstelle in Hamburg per Kreditkarte bezahlt, eine Stunde später aber in München in einem Technikmarkt einkauft. Um solche Vorgänge innerhalb von Millisekunden auszuwerten, verwendet der Finanzdienstleister so genannte Long Short-Term Memory Networks (LSTM) in Verbindung mit rezidivierenden neuronalen Netzen (RNN). Diese Kombination liefert innerhalb kürzester Zeit exakte Ergebnisse.

Dies ist jedoch nur möglich, weil es den KI-Fachleute von American Express mithilfe der Nvidia DGX-Systemen gelang, das Training der LSTM-Modelle deutlich zu beschleunigen. Und dies, obwohl dabei wesentlich größere Mengen von strukturierten und unstrukturierten Daten zum Einsatz kommen als zuvor. Die Analyse der Kreditkarten-Transaktionen erfolgt in Echtzeit mit Nvidia Triton Inference Server, einer Open-Source-Software, welche die Bereitstellung von Deep-Learning-Modellen vereinfacht. Triton nutzt dabei Grafikprozessoren der Reihe Nvidia T4.

Für American Express haben sich Investitionen in die KI-Lösung bereits ausgezahlt: In einzelnen Bereichen stieg die Genauigkeit der Betrugserkennung um bis zu sechs Prozent. Vergleichbare positive Effekte können Finanzdienstleister und Versicherungen in weiteren Bereichen erzielen, etwa bei der Kundenbetreuung, beim Trading oder der Risikobewertung. Auf solche Vorteile zu verzichten, kann sich angesichts des immer härteren Wettbewerbs kein Unternehmen leisten.