Es kommt auf die KI‑Trainingsdaten an!

Finanzinstitute setzen bereits KI ein – aber: Experten warnen vor möglichen Problemen mit mangelhaft angelernten KIs. Um diesen entgegenzuwirken, schlägt Marius Galdikas, CEO bei ConnectPay, Trainingsalgorithmen mit großen Mengen an verifizierter Trainingsdaten vor, um damit erfolgreiche und vertrauenswürdige Machine-Learning-Systemmodelle zu erstellen, die dann im Bankensektor sicher angewandt werden können.

Die Beliebtheit von KI-Lösungen hat im Laufe der letzten Jahre immer weiter zugenommen und Studien gehen davon aus, dass künstliche Intelligenzen bis spätestens 2030 rund 15,7 Billionen Dollar zur Weltwirtschaft beitragen könnte.

Finanzinstitute sind sich darüber im klaren, welche Vorteile KI-Lösungen mit sich bringen – 75 % der umsatzstärksten Banken der Welt setzen sie bereits um.”

Einige der Hauptgründe für diese Entscheidung seien eine effektivere Betrugserkennung sowie die Möglichkeit, Cashflows vorherzusagen und Kredit-Scores individuell anzupassen. Mangelhaft trainierte KI-Algorithmen können allerdings zu ungenauen und verzerrten Ergebnissen führen.

Marius Galdikas ist der Meinung, dass riesige Mengen an Trainingsdaten dazu beitragen würden, potenzielle Fehler zu minimieren und die Programme effizienter zu machen. KI-Modelle verwenden sogenannte Trainingsdaten zum Aufbau ihrer Datenbank, diese bilden die Grundlage für alle Vorhersagen und Berechnungen, die die KI später erstellt. Wird ein zu schmaler Datensatz im Training verwendet, so wirkt sich das unmittelbar auf die Qualität der späteren Berechnungen aus. Laut Galdikas können unzureichende, ungeprüfte oder minderwertige Daten dazu führen, dass die maschinell lernenden Systeme nicht nur ungenaue, sondern auch verzerrte und somit falsche Schlussfolgerungen ziehen.

Die zum Trainieren von KI-Modellen verwendeten Daten tragen laut Gladikas erheblich zu den Endergebnissen bei, die eine KI später produziert. Unzureichende Daten können zu logischen Inkonsistenzen in den Algorithmen führen – dies ist fatal für die Qualität des KI-Systems. Wenn Maschinen im Finanzdienstleistungssektor Daten ohne Kontext verarbeiten, könne das dazu führen, dass KI-Algorithmen ungünstige Schlussfolgerungen ziehen. Zum Beispiel könnte ein Programm zur Bewertung des Kreditrisikos Kunden, die einer Minderheit oder bestimmten ethnischen Gruppe angehören, zu Unrecht benachteiligen, da ihre Ergebnisse auf statistischen Daten basieren, die nicht genau oder einfach verzerrt sind.

Das Training von Machine-Learning-Systemen sei ein langwieriger Prozess, der viel Zeit und sorgfältig geprüfte Daten erfordert. Es gibt unzählige Faktoren, die bei der Vorhersage des Kundenverhaltens zu berücksichtigen sind – wo sie leben, was ihr kultureller Hintergrund ist… Um all diese verschiedenen Variablen zu bewerten, müssen KI-Algorithmen mit einer großen Menge an Kontextinformationen ausgestattet sein, sonst sind die Ergebnisse einfach nicht brauchbar, da daraus resultierenden Schlussfolgerungen möglicherweise fehlerhaft sind, wenn eine der Variablen geändert wird.

Galdikas kommt zu dem Schluss, dass maschinell lernende Systeme bei richtiger Anwendung ein nützliches Werkzeug für den Bankensektor sein können, aber nur dann die gewünschten Ergebnisse erzielen, wenn sie auch richtig trainiert werden.

Es ist wichtig, die Bedeutung von Trainingsdaten für KI-Algorithmen zu verstehen und entsprechend zu investieren. Auch wenn dieser Lernprozess länger dauern wird, werden die Endergebnisse letztendlich kosteneffizienter sein. Am Ende lohnt es sich, für genauere Vorhersagen über das Kundenverhalten mehr Zeit und Geld zu investieren, um KIs mit großen Mengen verifizierter Daten zu trainieren.“

Marius Galdikas, CEO bei ConnectPay

Um die Transparenz beim Einsatz von KI-Algorithmen in der Finanzwelt zu erhöhen, empfiehlt Galdikas diese in Bereichen mit ausreichend vorhandenen Informationen einzusetzen. Setzt man ausreichend mit Trainingsdaten versehene KIs in Bereichen ein, die bereits eine große Menge an Informationen zum Kunden-Systemverhalten enthalten, könne man die Wahrscheinlichkeit maximieren, dass die verwendeten KI-Algorithmen genaue und unvoreingenommene Ergebnisse liefern.ft