6 Tipps für mehr Erfolg bei Machine-Learning-Projekten

Künstliche Intelligenz gilt als ein wesentlicher Motor, operative Prozesse in der Finanzbranche effizienter zu gestalten. Auch die Erkennung von Finanzbetrug gilt als ein wichtiges Einsatzfeld. Doch oft genug liefern die Machine-Learning-Anwendungen nicht die erhofften Ergebnisse. Woran das liegt und wie es besser geht, hat das Beratungsunternehmen Cofinpro ergründet.

 

Marktanalysten, Unternehmensberater und Lösungsanbieter sind sich einig: Mit Hilfe Künstlicher Intelligenz kann der Finanzsektor erhebliche Effizienzpotenziale heben. Große Mengen unstrukturierter Daten, wie sie bei Banken, Finanzdienstleistern und Versicherungen anfallen, könnten mit KI-gestützten Systemen standardisiert verarbeitet und ausgewertet werden. Insbesondere Machine Learning ist dafür prädestiniert.

Dementsprechend sollen die Investitionen in KI-Technologien in den folgenden Jahren deutlich steigen. Der Mordor Intelligence Report schätzte den globalen Markt für KI-Lösungen im FinTech-Sektor für 2019 auf 6,67 Milliarden US-Dollar geschätzt. Bis 2025 sollen sich die Ausgaben um fast 240 Prozent auf 22,6 Milliarden US-Dollar erhöhen.

Wenig Euphorie in der Praxis

Blickt man jedoch in die Finanzunternehmen, dann ist bei den Anwendern und IT-Verantwortlichen von dieser Euphorie wenig zu spüren – im Gegenteil. Zwar gingen 84 Prozent davon aus, dass Künstliche Intelligenz auf immer mehr Themengebieten den Wettbewerb zwischen Unternehmen entscheiden wird. Zugleich bezweifelte jedoch rund die Hälfte der 1.000 für den Adesso KI-Report 2021 befragten Manager aus der Finanzbranche die KI-Fähigkeiten des eigenen Unternehmens (IT-Finanzmagazin berichtete).

Auch das Beratungshaus Cofinpro (Website) kommt nach Marktanalysen und einer Expertenbefragung zum Ergebnis, dass sich die hohen Erwartungen der Finanzdienstleister an das KI-Feld Machine Learning (ML) bisher nicht erfüllen. Eine der zentralen Ursachen: es fehlt an einer hochwertigen, qualitativen Datengrundlage. Die Vorteile einer Machine-Learning-Lösung für Finanzunternehmen liegen auf der Hand: 

Viele Projekte zielen auf die Prozessautomatisierung und Hebung von Kosteneffizienzen ab. Banken und KVGen wollen so beispielsweise Prozesse bei der Abwicklung von Ratenkrediten optimieren. Ihnen bietet sich gleichzeitig mit Hilfe von Machine Learning auch die Möglichkeit, neue Entscheidungsmuster zu erkennen und die Kreditausfallwahrscheinlichkeit besser zu berechnen.“

Lars Kellinghausen, Manager Cofinpro

Dennoch stockt es bei der Umsetzung von Projekten zur Hebung von Effizienzpotenzialen oder der Einführung präziser Prognosen. Dies liegt in erster Linie an Daten, die für den Einsatz von Machine-Learning-Anwendungen nicht optimal aufbereitet sind.

Wenn die Daten nicht im richtigen Format oder ohne Bezugspunkte zueinander vorliegen, erschwert dies die Aufbereitung für eine maschinelle Analyse erheblich. Zudem müssen die Daten in ausreichender Quantität vorliegen.“

Sarah Menz, Expert Consultant Cofinpro

Ein weiteres Problem sieht Menz in oft ungeeigneten Anwendungsfällen, die für die ersten ML-Versuche gewählt wurden. In der Folge lassen sich viele der gemachten Versprechen nicht einlösen – und auf die anfängliche Euphorie folgt Ernüchterung.

Wie ML-Projekte besser gelingen

Die Cofinpro-Experten haben im Rahmen einer Marktanalyse einen Handlungsleitfaden zu Machine Learning erstellt, der die sechs zentralen Empfehlungen zusammengefasst:

1. Im Kleinen anfangen: Lieber mit einem überschaubaren Anwendungsfall starten und sich mit der Technologie vertraut machen, statt von Anfang an auf den Big Bang zu setzen. Die erzielten Quick Wins können dann iterativ ausgebaut werden.
2. Die richtigen Anwendungsfälle finden: Machine Learning ist keine Universallösung, sondern ein Werkzeug für passende Probleme. Die Wahl geeigneter Anwendungsfälle sollte daher kritisch geprüft werden, ansonsten drohen erhöhte Kosten, Komplexität und Fehleranfälligkeit. Am besten ist es, zunächst bestehende Anwendungsfälle anzupassen.
3. Daten, Daten, Daten: Quantität und Qualität der Daten, mit denen der Algorithmus gefüttert wird, sind entscheidend für gute Ergebnisse. Das Datenmanagement hat deshalb oberste Priorität, da sonst falsche Schlussfolgerungen gezogen werden.
4. Übermut bremsen: Vor dem Start prüfen, ob im Unternehmen die erforderlichen Ressourcen vorhanden sind und genügend Spezialisten das Projekt begleiten können. Dazu gehört auch fachliches Expertenwissen. Damit der erste Aufschlag trifft, ist externe Hilfe häufig sinnvoll.
5. Langfristig denken: Machine-Learning-Anwendungen reifen mit der Zeit. Vom Prototypenstadium bis zum verlässlichen Problemlöser kann es ein weiter Weg sein. Durch kontinuierliches Testen, Trainieren und Einführen neuer Modelle verbessern sich die Ergebnisse beständig.
6. Offen bleiben für Bewährtes: Machine Learning ist eine Zukunftstechnologie und kann Teilbereiche der Branche revolutionieren. Aber traditionelle, einfachere Analysemethoden sind für manche Anwendungen immer noch besser und effizienter. Machine Learning sollte nur für einen passgenauen Use-Case angewendet werden.

Auf dem Weg zum Standardwerkzeug

Die Branchenexperten von Cofinpro zeigen sich dennoch für die Zukunft von KI/ML in der Finanzbranche optimistisch. Consultant Kellinghausen sieht im Machine Learning eine Technologie mit erheblichem Potenzial, die jetzt bereits für einzelne Zwecke zielgerichtet eingesetzt wird. Langfristig werde sich die Technologie aber als eine Lösung unter vielen im Standardwerkzeugkasten jeder Bank durchsetzen. Bis es soweit ist, biete Machine Learning den Instituten ein gutes Potenzial, sich vom Wettbewerb zu differenzieren. hj