Mehrwert mit KI im Backend schaffen: Von der Auto­ma­ti­sierung, NLP bis zur Analyse von Rechtsdokumenten

Mensch oder Maschine? Wer sich dem Thema Künstliche Intelligenz (KI) nähert, kommt schnell zu der Antwort: Mensch und Maschine. Mit steigendem Reifegrad hält KI immer mehr Einzug in die IT von Unternehmen. Dabei übernimmt sie insbesondere im Backend wichtige Aufgaben – und entlastet Mitarbeiter.

von Oliver Schlicht und David Sutherland, Baringa Partners

KI ist auch in der Finanzwirtschaft längst kein Trendthema mehr. Immer mehr Institute setzen sich ernsthaft mit den Einsatzmöglichkeiten auseinander. Denn der Reifegrad hat sich entscheidend verbessert. Die Verantwortlichen haben sich insbesondere auf maschinelles Lernen, natürliche Sprachverarbeitung und Data Analytics fokussiert. Und haben bereits erste Anwendungen im Frontend erfolgreich realisiert.

Nun richten Institute den Blick auf das Backend, weil sie erkannt haben, dass diese Prozesse ein sehr großes Potenzial für die Automatisierung bieten.”

Im Wesentlichen verfolgen sie drei große Ziele: Sie wollen Kosten einsparen und gleichzeitig effizienter werden, gesetzliche Vorgaben besser einhalten und mittels KI Entscheidungen absichern, um zusätzliche Erlöse zu generieren. Dieses Vorgehen unterstreicht auch die aktuelle Studie „Machine Learning / Deep Learning“ von IDG: Der Fokus aktueller Projekte liegt darin, interne Prozesse zu verbessern.

Erste Einsätze

Zu den Bereichen, in dem KI weiterhilft ist der „Know-your-Customer“-Bereich. Denn die Pflege und das Aktuell-Halten des Datenbestands geschieht noch immer in Handarbeit.

Mit dem Einsatz von KI lässt sich der Prozess nicht nur bedeutend beschleunigen, auch die Zahl der manuellen Nachbesserungen sinkt um bis zu 90 Prozent, wie erste Pilotprojekte zeigen.”

Auch bei der Marktüberwachung kommt KI zum Einsatz, um etwa neue Betrugsmethoden zu erkennen. Während aktuelle Programme nur vorgegebene Betrugsmuster aufdecken können, lassen sich mittels KI die Betrugsquoten um nahezu 95 Prozent senken. Der Grund: Mittels Stochastik werden auch normale Verhaltensmuster gründlicher analysiert und betrügerische Absichten frühzeitig aufgedeckt. Ein drittes Einsatzfeld ist die Aufbereitung von vorhandenen Daten. KI kann hier helfen, konsistente Daten aus unterschiedlichen Quellen zusammenzuführen. So unterstützt sie unter anderem die Einhaltung regulatorischer Vorschriften.

KI-Projekte zerlegen und Datengrundlage schaffen

Was auf den ersten Blick folgerichtig und durchaus einfach umsetzbar erscheint, birgt beim genaueren Hinsehen durchaus Herausforderungen. Und diese gilt es zu meistern. Wie bei den meisten datengesteuerten Projekten ist sicherzustellen, dass die Datengrundlage in Bezug auf Data Governance, Qualität und Management konsistent ist. Und zweitens bedarf es Mitarbeiter mit dem entsprechenden Know-how in Bezug auf ein tiefgreifendes Geschäftsverständnis – kombiniert mit technischem Datenwissen.

Gute Voraussetzungen dafür bringen zum einem Datenwissenschaftler mit ihrem mathematischen Hintergrund und dem Wissen um die mathematischen Modelle als Basis für KI-Lösungen mit.”

Zum anderen sind es Dateningenieure, welche die notwendigen Plattformen und Tools entwickeln und gleichzeitig das Training und den Betrieb der KI-Lösung verantworten. Und nicht zuletzt sind Software-Spezialisten erforderlich. Sie begleiten das System von der Entwicklung über den Testbetrieb bis zum Go-Live in der Produktion. Auf dem aktuellen Arbeitsmarkt sind diese aber kaum zu finden. Dies hat zur Folge, dass sich Institute für eine Zusammenarbeit mit Experten entscheiden, die Erfahrungen mit KI-Projekte im Bankenumfeld besitzen und dies nachweisen können.

Aus Projekten lernen

Wer sich zurzeit mit dem Gedanken trägt, ein KI-Projekt zu starten, ist gut beraten, sich frühzeitig mit zentralen Handlungsfeldern auseinanderzusetzen. Denn eine sorgfältige Planung vom Prototyp bis zur Serienreife ist ein wichtiger Erfolgsfaktor im Backend. Auch weitere Aspekte entscheiden über den Projektverlauf: Dazu zählen insbesondere der Willen und die Einsatzbereitschaft des Managements sowie der Mitarbeiter, ein KI-Projekt zum Erfolg zu führen. Vor dem Start muss die Qualität der Datenlandschaft konsistent und gleichzeitig stringent sein. Dies ist in zweierlei Hinsicht bedeutend: Bereits in der Trainings- und Testphase sorgt eine hohe Datenqualität für eine entsprechende Genauigkeit. Auch die Größe des Datenbestands wirkt sich positiv auf die Genauigkeit aus.

Und zweitens: Der Einsatz praxisbewährter Machine-Learning-Modelle im Backend trägt maßgeblich zur Qualität bei. Denn sonst verzögern umfangreiche Vorarbeiten zur Datenqualität das gesamte Projekt. Dazu ist eine umfangreiche Analyse der Strategie und des Betriebsmodells für die Verwaltung der Daten und Informationen notwendig. Hier zahlt es sich aus, frühzeitig einen Verantwortlichen zu benennen, der die Datenqualität sicherstellt. Des Weiteren gilt es, ein gemeinsames Verständnis über den zu erwarteten Nutzen zu entwickeln. Denn KI ist mehr als Kosten senken. Es ist ein eindeutiger Business-Case zu definieren, in dem die erwarteten Vorteile festgeschrieben sind. So lässt sich mittels Automatisierung und verbesserter Effizienz das organisatorische Risiko reduzieren, die Gefahren von Bußgeldern bei Compliance-Verstößen vermeiden oder Mehrwert für Kunden durch innovative Ansätze schaffen.

Damit lassen sich Entscheidungsprozesse nicht nur effizienter gestalten, sondern neu ausrichten. Die Diskussion über Einsatzfelder muss auf zwei Ebenen geführt werden. Denn der technische Use Case unterscheidet sich signifikant vom Business Use Case. So steht bei der Technik alleine die Frage im Raum, wie die Technologie genutzt wird.

Ein Beispiel ist etwa Natural Language Processing: Natural Language Processing versteht die Bedeutung und den Kontext hinter einem geschrieben Text oder einer Sprachnachricht, wenn diese durch Spracherkennung in Text umgewandelt wird. Der Ansatz geht über die reine Spracherkennung hinaus. Es lässt sich auch der Tonfall identifizieren, sodass sich mit der Technologie Fehlverhalten von Mitarbeitern aufdecken oder Risikogruppen erkennen lassen. Der Business-Use-Case zielt dagegen darauf ab, KI-gestützte Verfahren innerhalb der Organisation zu etablieren.

Ein weiteres Beispiel ist etwa die automatisierte Analyse von Rechtsdokumenten. Sie nutzt Natural Language Processing, um den Kontext und die Schlüsselelemente von Rechtsdokumenten wie etwa Vereinbarungen oder Zeitpläne zu verstehen. Weil sie Verträge im industriellen Maßstab auswertet, sinkt der Kontrollbedarf und die Zahl der notwendigen Mitarbeiter signifikant. Dabei muss der Blick auf den Business Use Case bereits vor dem Start erfolgen. Und zu guter Letzt sollten sich die Verantwortlichen im Klaren sein, dass KI-Projekte erst Kosten verursachen, bevor sie Kosten einsparen.

Was die Zukunft bringt: Hoher Bedarf im Backend

KI-Technologien werden nicht nur die Finanzwirtschaft verändern, sondern auch zu neuen branchenübergreifenden Geschäftsmodellen führen. So ist es denkbar, dass das Fahrverhalten von Autofahrern zukünftig nicht mehr nur die Höhe der Versicherungsprämien beeinflusst, sondern auch den Zinssatz für den Kredit beim nächsten Autokauf.”

Hier spielt die Blockchain eine zentrale Rolle, um solche Verhaltensmuster chronologisch und auch fälschungssicher aufzuzeichnen. Noch bedarf es eines tiefen technologischen Verständnisses, um KI-Projekte zu realisieren. Allerdings wächst die Zahl von Open-Source-Tools, die auch Nicht-Datenwissenschaftlern den Zugang zu KI-Technologien ermöglicht. So wird auch die Zahl der Projekte deutlich wachsen. Und damit steigt auch die Umsetzungsgeschwindigkeit in Instituten, so dass sie den großen Bedarf im Backend bedienen können.aj