Künstliche Intelligenz ist das Forschungsgebiet, in dem ein Computer – und seine Umsysteme – die Fähigkeit entwickelt, komplexe Aufgaben, die normalerweise menschliche Intelligenz erfordern, wie visuelle Wahrnehmung, Spracherkennung, Entscheidungsfindung und Übersetzung zwischen Sprachen, erfolgreich auszuführen. Mit anderen Worten, Künstliche Intelligenz befasst sich mit der Lösung von Aufgaben, die für Menschen einfach, für Computer jedoch schwierig sind. Nachfolgend sind die wichtigsten Zweige des Forschungsbereichs in groben Zügen dargestellt.
Maschinelles Lernen und Deep Learning sind beide Teilbereiche der Künstlichen Intelligenz, die im Laufe der Zeit entstanden sind. Maschinelles Lernen beinhaltet „klassische“ Algorithmen für verschiedene Arten von Aufgaben wie Clustering oder Klassifizierung. Deep Learning verwendet eine mehrschichtige Struktur von Algorithmen, die als neuronales Netzwerk bezeichnet wird.
Aktueller Fokus der Künstlichen Intelligenz im Banken- und Finanzwesen
KI-Investitionen von Finanzinstituten werden in einem breiten Spektrum getätigt: von relativ konservativen Bemühungen zur Verbesserung bestehender Prozesse bis hin zur Erforschung von komplett neue Fähigkeiten und Geschäftsmodellen. Das Finanzsystem kann man in sechs Sektoren einteilen, die zusammen (mehr oder weniger) die Gesamtheit der Finanzdienstleistungen umfassen.
Die potenzielle Liste der Interaktionen ist endlos und wird sich weiterentwickeln und erweitern, wenn diese Technologien ausgereift sind und neue disruptive Technologien zum Tragen kommen.
Es folgen Beispiele aus der Finanzindustrie und Finanzwesen, wo Maschinelles Lernen aktuell zum Einsatz kommt. Dabei ist zu beachten, dass einige dieser Anwendungen mehrere KI-Ansätze nutzen – nicht ausschließlich die des Maschinellen Lernens.
Querschnittsthemen
Manche Fortschritte, die auf den Einsatz von Künstlicher Intelligenz beruhen, finden in unterschiedlichen Bereichen Verwendung und werden hier unter Querschnittsthemen formiert.
Reduzierung von Betriebskosten und Risiken
Die Geschäftstätigkeit traditioneller Banken basiert auf manuellen Prozessen und papierintensiven Arbeitsabläufen. Diese machen Aufgaben fehleranfällig und zeitintensiv, insbesondere wenn manuelle Datenverarbeitung ins Spiel kommt. Mit Funktionen wie der Texterkennung in Kombination mit der Verarbeitung von natürlicher Sprache können viele Bankgeschäfte kostengünstiger und schneller durchgeführt werden. Dazu gehören unter anderem die Verwaltung von Kreditorenbuchhaltung, Hauptbüchern oder Kontenschließungsprozessen.
Verbesserung von Kunden-Support und User Experience
KI-Systeme sind in der Lage, unterschiedliche Datenquellen gleichzeitig zu verarbeiten. Damit können die Bedürfnisse und Vorlieben der Kunden schneller und besser erfasst werden. Durch die weitere Analyse von Verhaltensmustern können Banken Informationen aus verschiedenen Kanälen wie Transaktionsverläufen, Abfragen, Suchanfragen und sogar Social-Media-Aktivitäten kombinieren. Infolgedessen können sie jedem Kunden personalisierte Produkte anbieten und so die Kundenbindung erheblich steigern. Auch virtuelle Assistenten verbessern das Kundenerlebnis im Bankgeschäft an jedem Berührungspunkt.
Conversational Banking und Chatbots
Dank der Fortschritte bei der Verarbeitung und Generierung natürlicher Sprachen können Finanzinstitute ihren Kunden jetzt über KI-gestützte Chatbots Konversationsdienste anbieten. Diese Chatbots dienen dem Verbraucher als Assistenten und ersetzen die oft mühsame Erfahrung mit der Verwendung von Benutzeroberflächen in Apps. Conversational Banking hilft Finanzinstituten, die Kosten für die Kundenunterstützung zu senken und Kunden rund um die Uhr Zugang zu KI-gestütztem Support zu gewähren.
Automatisches Compliance Reporting
Es gibt immer mehr regulatorische Vorschriften wie Arbeitsentgelt, MIFID, Datenschutzstandards, Wettbewerbsverbote, Außenhandelsbestimmungen, da alle Länder weltweit der Compliance immer mehr Gewicht beimessen. Die Einhaltung dieser Vorschriften ist für Unternehmen obligatorisch, um ihre Geschäfte ordnungsgemäß abzuwickeln. Automatisierte Lösungen können alle Compliance-Aktivitäten problemlos an einem Ort verfolgen. Eine hochwertige, automatisierte Compliance-Plattform hilft bei der Bewertung, Dokumentation, Überwachung und Prüfung aller Kernfunktionen sowohl aus strategischer als auch aus betrieblicher Sicht. Ein solches KI-System kann die Zeit, die für die Ausführung von Aufgaben benötigt wird, um tausende von Stunden auf nur Sekunden reduzieren.
KI-basierte Risikomodellierung
Risiko-Management ist in allen Bereichen der Finanzwirtschaft ein sehr wichtiger Bestandteil. KI-Technologie kann einen großen Beitrag bei der Suche nach einem besseren Risiko-Management sein. Die herkömmlichen Softwareanwendungen prognostizieren die Kreditwürdigkeit auf der Grundlage statischer Informationen aus Kreditanträgen und Finanzberichten. KI-Technologie kann jedoch noch weiter gehen, um zum Bespiel die finanzielle Situation des Antragstellers zu analysieren, da sie möglicherweise durch aktuelle Markttrends und sogar relevante Nachrichten verändert wird. Durch Maschinelles Lernen können betrügerische Investoren identifiziert werden, die über mehrere Konten hinweg zusammenarbeiten. Dies ist für einen menschlichen Investmentmanager praktisch unmöglich, weil prädiktive Analysen für große Datenmengen in Echtzeit bereitgestellt werden müssen.
Zahlungssysteme
Finanzinstitute können ihre Marktanteile erweitern, indem sie KI verwenden, die den Kaufprozess automatisiert, um eine nahtlose User Experience zu bieten. Selbst nach der Implementierung kostspieliger und immer komplexer werdender IT-Sicherheitsplattformen scheinen große Institute weniger gegen moderne Cyber-Angriffe geschützt zu sein. Technologien für Maschinelles Lernen können Muster perfekt identifizieren und beispielsweise kriminelle Handlungen nachweisen. Die Leistungsfähigkeit der intelligenten Musteranalyse in Kombination mit Big Data verschafft einen Vorteil gegenüber herkömmlichen Nicht-KI-Tools.
Kapitalmarkt
Die Kapitalmärkte setzen sich aus Käufern und Verkäufern verschiedener Wertpapiere (Schuldtitel, Aktien, Derivate usw.) sowie den Vermittlern zusammen, die diese Transaktionen erleichtern. Da der Handel weitgehend digital geworden ist, gibt es zahlreiche Daten, die zur Optimierung genutzt werden können. Es wird bereits intensiv Maschinelles Lernen und KI im intelligenten und systematischen Investment Banking eingesetzt. Dies nimmt Gestalt in Form von automatisierten Handelssystemen an, die auf Algorithmen basieren, um Aufträge auf Grundlage voreingestellter Bedingungen zu kaufen und verkaufen. Da diese erheblich schneller als Menschen funktionieren, sind sie in Mikrotrading-Transaktionen nützlich, in denen die Menschen schwierig agieren können.
Investment Management
In der Regel bieten Investment-Management-Unternehmen eine Kombination aus Vermögensverwaltung bei Direktinvestition, Maklerdienst zur Erleichterung von Transaktionen und Beratung bei einer Finanzplanung an.
Praxisbeispiele für KI
•Chatbots: fügen sich nahtlos in bestehende Beratungsbeziehungen ein
•Maschinelles Lernen: Verwendung für makroökonomische Analysen, die so schneller und billiger als herkömmliche Methoden durchzuführen sind
•Deep Learning: Kommt zum Einsatz bei der Entwicklung von Anlagestrategien
•Erweiterte Analyse-Dashboards: Bieten detaillierte Einblicke in die Bedürfnisse der Kunden und ermöglichen einfache Berechnungen zur Optimierung von Produkten, Dienstleistungen und Beratung
Kreditgeschäft
Mit KI können Analysen und Entscheidungen – wie Kreditentscheidungen – viel schneller getroffen werden, sodass Kredite in Echtzeit angeboten werden können. KI ermöglicht die Automatisierung von Routineaufgaben und erhöht die Geschwindigkeit der Zahlungsabwicklung und der Compliance-Berichterstattung. KI kann eine genauere Darstellung der potenziellen Kreditnehmer zu geringeren Kosten liefern. Durch die Berücksichtigung einer Reihe von Variablen und die Nutzung relevanter Datensätze entwickelt KI neue Kreditsysteme, mit denen der Unterschied zwischen Antragstellern mit hohem und niedrigem Ausfallrisiko zuverlässig unterschieden werden kann. In der Tat können hochtrainierte neuronale Netze Korrelationen zwischen tausenden von Variablen finden und die Fähigkeiten des menschlichen Geistes um ein vielfaches übertreffen. Zumdem kann Maschinelles Lernen Cashflow-Ereignisse vorhersagen und Kunden proaktiv über ihre Ausgaben und Spargewohnheiten beraten.
Versicherungen
Versicherungen gehören zu einem der Sektoren, denen von Investoren besondere Aufmerksamkeit geschenkt wird. KI kann bei Versicherungen für die Analyse unstrukturierte Datensätze verwenden, um neue Risikomuster zu finden. Dies hilft den Versicherern bei der Schaden- und Kostenanalyse, um profitable Segmente für Versicherungen zu identifizieren. Weiterhin kann KI zum Analysieren von Auswirkungen von Markttrends auf das eigenes Portfolio und Preisrisiko eingesetzt werden. KI kann helfen Betrugsmuster in großen Datenmengen zu finden, die dann auf eingehende Schadensfälle angewendet werden können, um potenzielle Betrugsfälle zu kennzeichnen.
Zudem kann dadurch dynamisches Preisverhalten von Versicherungsprodukten erkannt werden, um Marktgerechte Produkte zu entwickeln, die auch neue Risikokategorien abdecken. KI kann außerdem zum Überprüfen von Versicherungsberichten eingesetzt werden, wodurch die Verarbeitungszeiten dramatisch verkürzt werden. Alle diese Maßnahmen erlauben im Endeffekt, dass die Kunden mehr für ihr Geld bekommen. Die Versicherungen können zu besseren Konditionen und mit größerer Abdeckung angeboten werden.
Mögliche Zukunftsszenarien von KI in der Finanzwelt
Die weitere Entwicklung von KI in der Finanzwelt lässt sich nicht deterministisch vorhersagen. Allerdings gibt es hier einige zukünftige Szenarien, die angesichts der derzeit verfügbaren Technologien und der vorhandenen Regulierungsstrukturen möglicherweise realisierbar sind:
Transferlernen: Aktuelle KI-Technologien verfügen nicht über die Fähigkeit zur „Abstraktion“, das heißt die Fähigkeit, das Erlernte aus einem Bereich auf einen anderen anzuwenden.
Effizientes Deep Learning: Deep Learning ist vielversprechend, um den Aufwand für das Trainieren von Modellen durch die Automatisierung der Merkmalsextraktion zu verringern. Neue Entwicklungen werden die Effizienz dieser Algorithmen erhöhen.
Technologie-Mix eröffnet neue Möglichkeiten: Fortschritte in einer Technologie werden die Fähigkeiten aller anderen Technologien, die mit ihr interagieren, verbessern. Beispielsweise können folgende aufgelistete Technologien direkten Einfluss auf den Einsatz von KI in der Finanzwelt nehmen und führen möglicherweise zu disruptiven Entwicklungen in diesem Bereich:
•Dank fortschrittlicher Berechnungsmethoden, die durch Quantencomputer bereitgestellt werden, kann KI neue Probleme angehen, die zuvor nicht kalkulierbar waren.
•G5 in Kombination mit KI ermöglicht eine umfassende Datenanalyse in verteilten Finanzdaten nahezu in Echtzeit.
•Mit KI können immer komplexere und automatisierte Smart-Verträge ausgeführt werden, sodass mehr Blockchain-Anwendungsfälle in den Mainstream gelangen.
•Cloud Computing bietet sowohl die Datenspeicherung als auch die Verarbeitungsleistung, die zum Trainieren neuer KI-Modelle erforderlich sind, was die Cloud-Infrastruktur zu einem wichtigen Bestandteil von zukünftigen KI-basierten Anwendungen in der Finanzwelt macht.
•Die Kombination von KI und IoT wird die Finanzbranche grundlegend revolutionieren und Produkte und Dienstleistungen schaffen, die sich in alle Arten von intelligenten Geräten integrieren lassen.
Fazit
Vorhersagen für die bevorstehenden KI-Anwendungen im Rahmen von Finanzdienstleistungen sind heutzutage ein heißes Thema, aber eines ist sicher: KI verändert die Geschäftslandschaft der Finanzbranche rasch, auch wenn sie hier noch in den Anfängen steckt.
Je mehr KI im Finanzwesen allgegenwärtig wird, umso mehr ergeben sich weitere Herausforderungen, einschließlich rechtlicher, ethischer, wirtschaftlicher und sozialer Hürden. KI wird auch weiterhin neue Komplexitäten in das globale Finanzökosystem bringen.
Autor: Dr. Mehrdad Jalali-Sohi verfügt über mehr als 20 Jahre Erfahrung in IT-Bereich und Forschung. Er ist bei der adesso SE beschäftigt, wo er als Management Berater, Architekt, Team- und Projektleiter oft an der Schnittstelle zwischen Business und Technologie sitzt. Er ist Autor zahlreicher Artikel zu IT-Security und intelligenten Assisstenzsystemen. Sein technologischer Schwerpunkt sind moderne Architekturen, IT-Security, J2EE, SOA, Portaltechnologie, API-Management, Cloud Computing, Mobile Computing sowie Zahlungssysteme und Blockchain.
