Machine Learning: Revisionssichere KI erklärt ihren Entscheidungsweg

Banken und Finanzdienstleister setzen Künstliche Intelligenz ein, um das Ausfallrisiko von Krediten für Unternehmenskunden abzuschätzen oder für zielgruppenoptimierte Werbung. Nun hat Actico eine KI entwickelt, die eine Kernanforderung des Marktes umgesetzt und den Machine-Learning-Teil der Lösung ebenfalls revisionssicher gemacht hat. Die neue Actico-KI sei in der Lage, den Entscheidungsweg zu erklären und die Entscheidung somit zu begründen. Dies ist bei KI-Systemen keinesfalls selbstverständlich – und eine Forderung der Regulierer für den Einsatz von KI-Lösungen.

Transparenz trägt dazu bei, die Akzeptanz von Technologien wie maschinellem Lernen (ML) und Künstlicher Intelligenz bei Anwendern und deren Kunden zu erhöhen. Die neue Actico-Plattform (Website) ermögliche es Unternehmen, aus vorhandenen Daten neues Wissen zu generieren und damit Geschäftsprozesse zu automatisieren. Dies bezeichnet man als “Intelligent Automation”. Die Machine-Learning-basierte Komponente der Lösung helfe dabei, neue Muster und Optimierungspotenziale zu erkennen. Zu den Besonderheiten des Ansatzes von Actico zähle die vollkommene Transparenz hinsichtlich der Entscheidungen, die die Machine-Learning-Algorithmen treffen.

Dieser hohe Transparenzgrad ermöglicht es Unternehmen, ihren Kunden die Gründe für eine Entscheidung plausibel darzulegen, etwa bei der Vergabe eines Bankdarlehens oder der Einstufung in einen bestimmten Versicherungstarif. Zu wissen, auf welche Art und Weise eine Machine-Learning-Instanz zu einem Ergebnis kommt, ist nicht nur für Kunden relevant, sondern auch für Aufsichtsbehörden in stark regulierten Branchen. Dazu zählen das Bank- und Versicherungswesen, aber auch der Gesundheitssektor.“

Thomas Cotic, Actico CEO

Regeln und Machine Learning in Kombination

Den neuen Ansatz zeichne aus, dass er zwei Aspekte miteinander kombiniere: Expertenwissen in Form von vorgegebenen Regeln sowie Datenwissen, das durch maschinelles Lernen erzeugt wird. Diese Kombination von ‘Mensch und Maschine’ ist bei vergleichbaren Lösungen meist nicht vorhanden. Das Clevere daran ist: Unternehmen können mit einzelnen Szenarien auf der Plattform beginnen und diese sukzessive ausbauen und anpassen. Die Skalierbarkeit habe auch den Vorteil, dass das IT-Budget effizient genutzt werden kann.

Die Intelligent-Automation-Plattform ist laut Actico bereits bei einer großen Zahl von Unternehmen im Einsatz:
1. Banken und Finanzdienstleister setzen die Lösung beispielsweise ein, um das Ausfallrisiko von Krediten für Unternehmenskunden abzuschätzen. In die Einschätzung durch die ML-Lösung fließen Parameter wie das Zahlungsverhalten, die Marktposition, die Branche, der Kundenstamm des Unternehmens und Konjunkturdaten mit ein.
2. Ein weiteres Anwendungsgebiet ist die zielgruppenoptimierte Werbung. Kunden einer Online-Bank wird beispielsweise beim Besuch der Web-Seite ihres Instituts nur Werbung für Finanzprodukte und Services angezeigt, die für sie relevant sind. Ändern sich der Finanzrahmen oder die Risikobereitschaft des Kunden, passt die ML-Lösung das Werbeangebot in Echtzeit an.
3. Die Actico-Plattform lässt sich außerdem dazu verwenden, um betrügerischen Machenschaften beim Online-Banking und im Internet-Handel einen Riegel vorzuschieben. Das System erkennt schneller und präziser als menschliche Mitarbeiter, ob bei einer Transaktion alles korrekt abläuft.
4. Für Handelshäuser wiederum ist das Optimieren der Preisgestaltung ihrer Produkte mittels maschinellem Lernen interessant. Abhängig von der Nachfrage, der Verfügbarkeit einer Ware, der Wetterlage oder dem “In-Faktor” eines Produkts kann ein Händler den Einstiegspreis, die optimale Preisgestaltung und Rabatte ermitteln.

Die Actico-Plattform mit ihren Regeln sei innerhalb weniger Tage aufgesetzt. Der Aufwand, um die entsprechende ML-Lösung zu implementieren, hält sich nach Erfahrungswerten von Actico ebenfalls in Grenzen: Soll eine auf Regeln basierende Lösung um Machine-Learning-Funktionen erweitert werden, sind etwa zwei bis vier Wochen anzusetzen, verspricht das Unternehmen.

Die Dauer der Implementierungsphase hängt unter anderem von der Qualität der Datenbestände ab, die der Lösung zur Verfügung gestellt werden, sowie vom individuellen Anwendungsfall. Im Rahmen von ersten Projekten zeigte sich, dass der Ansatz den Kunden Vorteile bringe. So sei die Effektivität von Werbebannern mit Produktempfehlungen um bis zu 50 Prozent gestiegen. In einem anderen Anwendungsfall konnte die Plattform zudem durch spezielle Trainingsverfahren die False-Positive-Rate (fehlerhafte Entscheidungen) bei der Betrugserkennung um 30 bis 40 Prozent reduzieren.aj