Cognitive Intelligence – die nächste disruptive Technologie im Finanzsektor!

Der Finanzsektor befindet sich einem steten Wandel: Algorithmic-Trading, Infrastruktur (Mikrowellen- / Laserbasierte Datenübertragung) oder die Blockchain plus Smart Contracts. Die technologische Revolution baut sich aber gerade erst auf: Lernende Maschinen – häufig auch Deep Learning genannt – bilden die Basis für die kommende Disruption in Form der Cognitive Intelligence – der darauf basierenden Etablierung von Digital Labor. Das bringt die digitale Zukunft für Banken und Versicherer – ein Ausblick der KPMG.

von Achim Schlosser und Thomas Erwin, KPMG

Die moderne Unternehmenskultur, entstanden im 19ten / 20ten Jahrhundert, arbeitet an der Schnittmenge von Menschen und Prozessen. Technologie war hierbei immer ein fortlaufender Katalysator für die Transformation. Heute befinden wir uns mit der technologischen Verfügbarkeit von “Cognitive Intelligence” und den darauf basierenden Möglichkeiten erneut in einer Umbruchphase für die Unternehmenskultur im Hinblick auf die Automatisierung / Skalierung der Wissensarbeit über alle Unternehmensbereiche hinweg, auch solchen, die traditionell maßgeblich durch menschliche Erfahrung und Urteilsvermögen bestimmt wurden.

Was ist”Cognitive Intelligence” und “Cognitive Automation”?

Cognitive Automation ist das Zusammenspiel von Robotic Process Automation und Cognitive Intelligence, letztendlich geht es hierbei darum, von der simplen Automatisierung von Arbeitsprozessen (regelbasierte Systeme, welche auf bestehende IT-Systeme aufgesetzt werden) durch den Einsatz von maschinellem Lernen zu einer neuen Art von „Digital Labor“ vorzustoßen. Dies reicht von der Automatisierung von Back-Office-Prozessen, welche heutzutage klassischerweise Kandidaten für Outsourcing sind, bis hin zu adaptiven / selbstlernenden Systemen, die Prozesse unterstützen bzw. automatisieren und auch mit der Verarbeitung von unstrukturierten Informationen oder Sprache zurechtkommen. Noch ist dieses Feld menschlichen Experten vorbehalten.

Warum gerade jetzt?

Abseits der ökonomischen und soziokulturellen Faktoren (steigende Arbeitskosten in Schwellenländern, demografischer Wandel), welche einen Einsatz zunehmend interessant werden lassen, ist die Grundvoraussetzung für dieses Themengebiet sicherlich der Fortschritt im Bereich des maschinellen Lernens. In unserem Alltagsleben sind die Auswirkungen dieser Entwicklung schon länger auszumachen, seien es die nun allgegenwärtigen persönlichen Assistenten (Google Now, Siri, Cortana) oder die automatische Erkennung von Bildinhalten in den verschiedenen Cloud-Plattformen. Für die großen Technologiekonzerne gehört es inzwischen zum guten Ton, eigene Deep-Learning Frameworks sowohl als Open-Source bereitzustellen (Microsoft Computational Network Toolkit, Google Tensorflow oder IBM SystemML), als auch entsprechende PaaS Komponenten (IBM Watson, Google DeepMind oder Microsoft Cortana) anzubieten.

Deep-Learning bezieht sich hierbei auf künstliche neuronale Netze, welche eine Klasse von Algorithmen darstellen, die versuchen die Informationsverarbeitung im Gehirn zu abstrahieren. Dieses Konzept ist tatsächlich schon über drei Jahrzehnte alt, allerdings ist es erst in den letzten Jahren gelungen, das Trainieren von komplexen / tiefen Netzen zu meistern, welches die erfolgreiche Anwendung auf anspruchsvolle Fragestellungen ermöglicht. Im Folgenden einige interessante Meilensteine, welche die Fortschritte beispielhaft darstellen:
1997 – IBM Deep Blue besiegt den Schachweltmeister Garry Kasparov
2011 – IBM Watson gewinnt Jeopardy gegen zwei Champions der TV-Show
2016 – Google DeepMinds AlphaGo besiegt als erstes Programm einen professionellen Go-Spieler

Deep Blue war noch “Klassik” – Watson war der erste KI-Schritt

Während der Sieg von Deep Blue auf noch eher klassischen Algorithmen der Spieltheorie und schierer Rechenleistung basierte, ist der Sieg von Watson in Jeopardy bereits ein Ergebnis der oben beschriebenen Entwicklung im Sinne von Spracherkennung und Ableitung komplexer Zusammenhänge. Der kürzliche Sieg des Programmes AlphaGo von Google DeepMind gegen einen professionellen Spieler ist ein weiterer Meilenstein.

Go ist ein 2500 Jahre altes Brettspiel aus dem asiatischen Raum, welches ungleich komplexer ist als Schach. Das Spiel hat insgesamt 10 hoch 170 mögliche Spielpositionen, mehr als es Atome im Universum gibt. AlphaGo versucht das Verhalten menschlicher Spieler nachzuahmen, indem es mit Hilfe von komplexen neuralen Netzen die Spielsituationen bewertet, basierend auf den Informationen aus ca. 30 Millionen Positionen tatsächlich gespielter Partien menschlicher Spieler.

Cognitive Systems im Banking

Bezogen auf den Finanzsektor könnte sich Cognitive Intelligence ebenfalls als wegweisende Technologie erweisen, welche auf die Ziele eines jeden Anbieters einzahlen kann:

Einhaltung regulatorischer Rahmenbedingungen
Die Systeme können deutlich mehr als einfache Zahlen und Fakten überprüfen. Sie können dazu genutzt werden, um im Rahmen des Schutzes der Privatsphäre, die Interaktionen zwischen Kunden und Vermittlern zu verstehen und die Kontrollen für eine potenzielle Fehlberatung zu verbessern.

Verbesserung der Kostenstrukturen
Ein wesentlicher Teil der Kostenstruktur wird getrieben durch den Personalanteil an verschiedensten Prozessen. Die Anwendung von Cognitive Automation kann hier zu signifikanten Kosteneinsparungen führen, z.B. durch die Automatisierung der Bearbeitung von Kreditanträgen / Kreditbewertungen.

Verbesserung der Wettbewerbsfähigkeit
Die beiden obigen Punkte für sich alleine genommen führen sicherlich schon zu Wettbewerbsvorteilen gegenüber der Konkurrenz, allerdings sind noch weit mehr Möglichkeiten auszumachen. Komplikationsloses und schnelles Bearbeiten von Anliegen oder das schnelle und effiziente On-boarding von neuen Kunden führen zum Beispiel zu gesteigerter Kundenloyalität.

Herausforderungen in streng regulierten Industrien – Chancen für Innovative FinTechs

In streng regulierten Industrien wie dem Finanz- oder Versicherungssektor ergeben sich für die Anwendung dieser Technologien allerdings auch Herausforderungen im Vergleich zu anderen Anwendungsfeldern. Zugespitzt gesprochen ist es ein weniger gravierendes Problem, wenn der persönliche Assistent auf dem Smartphone eine Frage falsch versteht, als wenn die Anwendung dieser Technologie in einem anderen Kontext dazu führt, dass es zur Ablehnung eines Kreditantrages oder zur falschen Ableitung des finanziellen Risikos einer Anlage kommt. Hier stellt sich die Frage der Nachvollziehbarkeit und Verantwortlichkeit.

In diesem Kontext sprechen wir von Trusted Analytics – in gewissen Anwendungsfeldern reicht es nicht, eine korrektes Ergebnis zu liefern, dieses muss auch belastbar sein / nachvollziehbar gemacht werden können. Dies ist abhängig von der Art der eingesetzten Klasse von maschinellem Lernen konzeptionell recht gut möglich (z.B. bei Entscheidungsbäumen), bei den hier besonders relevanten komplexen neuronalen Netzen allerdings ein noch nicht gelöstes Problem.

Chancen für FinTechs wie auch die traditionellen Banken ergeben sich in der konkreten Anwendung von Cognitive Intelligence im Finanzsektor bei der Umsetzung von spezifischen Lösungen und der gleichzeitigen Sicherstellung des Anspruches an Trusted Analytics.aj