Anzeige
Anzeige

Exklusiv für Abonnenten

Dieser Beitrag steht exklusiv Abonnenten des SparkassenZeitung Portals zur Verfügung.
Bitte loggen Sie sich hier ein:

Haben Sie Ihr Passwort vergessen oder benötigen Sie ein neues?
Hier anfordern

Weitere Informationen zu Produkten, Bestellmöglichkeiten mit Testzugang, Lizenzprüfung oder FAQs finden Sie im Bereich Abo-Service.
Bei Fragen nehmen Sie gern Kontakt online mit uns auf oder rufen Sie uns an:
Tel.: +49 711 782-1173.

Passwort vergessen

Geben Sie Ihre E-Mail Adresse an und erhalten Sie einen Link um Ihr Passwort zurückzusetzen.

Bitte geben Sie hier Ihre E-Mail-Adresse an, mit der Sie bei uns registriert sind. Nach dem Klicken auf "Absenden" bekommen Sie eine Mail mit dem Link. Klicken Sie den Link an oder kopieren Sie diesen in die Adressleiste Ihres Internetbrowsers. So werden Sie automatisch angemeldet und können Ihr Passwort ändern.

Anzeige
01. Oktober 2018 - 08:30Kolumne 10/18: Künstliche Intelligenz

Nutzbar in der Sparkassenpraxis

von Prof. Dr. Dirk Neuhaus

Künstliche Intelligenz (KI) ist nach Auffassung von BBL-Kolumnist Prof. Dr. Dirk Neuhaus eine Schlüsseltechnologie des digitalen Wandels und wird auch in die Finanzwelt einziehen. Einsatzgebiete sind informationsintensive, wiederkehrende Prozesse mit einem abgegrenzten Domänenwissen oder Anwendungen, bei denen Maschinen menschenähnliche Intelligenzleistungen erbringen.

Eine Kurzzusammenfassung finden Sie hier.

Prof. Dr. Dirk Neuhaus (Hochschule der Sparkassen-Finanzgruppe, Bonn) (S-Hochschule)
Bereits heute nutzen einige Finanzdienstleister KI-Anwendungen zur Prüfung von Transaktionen, zur Anlageberatung, zur Betrugserkennung oder bei der Kreditwürdigkeitsprüfung. Zusammen mit hochleistungsfähigen Hard- und Software-Plattformen ermöglichen es die Methoden der KI, aus großen Datenmengen ohne besondere Programmierung komplexe Zusammenhänge zu erkennen.

Zu den am bekanntesten KI-gestützten Anwendungen zählen die sogenannten Intelligenten Assistenten (auch: Personal Voice Assistants, PVA, oder Sprachassistenten) wie Amazon-Alexa, Google-Home oder Telekom-Hallo-Magenta, die natürliche Sprache verstehen, verarbeiten und die generierten Antworten per Lautsprecher übermitteln können. Mittels Spracherkennungs- und sogenannten Parsing-Algorithmen in Verbindung mit semantischen Technologien lassen sich diese Geräte einfach bedienen und unterstützen den Anwender bei einer definierten Menge von Aufgaben. Gleichzeitig fungieren sie als neuer Distributionskanal. Bekannte Anwendungsbereiche sind Audio- und Musikdienste, Nachrichtenservices (Wetter, Verkehr, Börse, Sport, Navigation usw.). Auch Finanzdienstleister erkennen den Mehrwert dieser Kommunikationsschnittstelle und nutzen Alexa bereits, um Aktienkurse, Börsennachrichten und allgemeine Informationen ansagen zu lassen.
Insgesamt bietet der Markt Finanzdienstleistern eine Vielzahl von KI-Technologien, um neue Schnittstellen zum Kunden für Service, Vertriebs- und Kommunikationsprozesse auf der Basis intelligenter Maschinen zu entwickeln und interne Prozesse auf der Basis von "Intelligent Robot Process Automation" (Irpa) zu optimieren (vgl. Institute for Robotic Process Automation [2015]).

Was ist Künstliche Intelligenz?

KI bezeichnet computergestützte Systeme, die eigenständiges, intelligentes Verhalten hinsichtlich wahrnehmen, verstehen, handeln und lernen aufweisen (vgl. Ertel [2016], Lämmel [2012]). Es handelt sich um autonome Agenten, die ihre Umgebung in Form von Daten wahr­nehmen, in Form von Algorithmen selbstständig Muster erkennen und darauf basierend Handlungen ableiten können (vgl. Russell, S., Norvig, P. [2016]).
Künstliche Intelligenz unterscheidet zwischen starker und schwacher KI. Während schwache KI die menschliche Intelligenz schon heute in abgegrenzten Teilbereichen erreicht oder übertrifft, müsste eine starke KI das gleiche Niveau eines menschlichen Gehirns erreichen (vgl. Ertel [2016]). Die derzeit existierenden Systeme zählen zur Kategorie der schwachen KI. Schwache künstliche Intelligenz findet bereits in vielen Bereichen des alltäglichen Lebens Einsatz (z. B. bei der Zeichen- bzw. Texterkennung, Bilderkennung oder Spracherkennung). Im Vergleich zu schwacher KI zeichnen sich starke Systeme durch logisches Denkvermögen, Entscheidungsfähigkeit unter Unsicherheit, Planungs- und Lernfähigkeit sowie Kommunikation in natürlicher Sprache aus. Systeme mit starker künstlicher Intelligenz befinden sich derzeit im Forschungsstadium.
Eine zentrale Technologie der künstlichen Intelligenz ist das maschinelle Lernen (ML). Entsprechende Anwendungen arbeiten mit Lernmethoden bzw. -algorithmen und extrahieren daraus statistische Regelmäßigkeiten, die sie in Form von Modellen wie Entscheidungsbäumen, Regressionskurven, Cluster-Mittelpunkten oder künstlichen Neuronalen Netze (KNN) darstellen. Diese Modelle lassen sich danach auf neue, zuvor noch nicht verarbeitete Daten anwenden. Das Ergebnis ist die Einordnung der Daten in Kategorien oder die Generierung von Vorhersagen oder Vorschlägen. Im inhaltlichen Kontext zu maschinellem Lernen stehen die Begriffe Data Mining, Predictive Analytics und Advanced Analytics. Die Qualität der Ergebnisse eines maschinellen Lernverfahrens steigt mit der Menge der verarbeiteten Beispiel- bzw. Trainingsdaten. Dies ist wichtig für den Einsatz der Systeme im produktiven Betrieb, weil der eingebettete Lern-Algorithmus das Modell laufend anpassen kann.
Künstliche neuronale Netze, die sich grob an der Funktionsweise biologischer Nervensysteme orientieren und mit einer Deep-Learning-Methode trainiert werden, zeigen eine große Leistungsfähigkeit in Spielen sowie im Bild- und Sprachverstehen (etwa Alpha Go Zero, eine neue von der Google-Tochter Deepmind entwickelte Version der Go-spielenden künstlichen Intelligenz). Deep Learning bezeichnet eine Art von KNN mit mehr als einem Hidden Layer. Durch mehrere Schichten von Neuronen lassen sich zwischen den einzelnen Schichten neue Informationen ableiten, die eine Repräsentation der ursprünglichen Informationen darstellen. Der Computer lernt so ständig weiter.
(BBL)
Technisch stellen KNN eine Ansammlung aus dicht untereinander vernetzten Elementen dar, die imstande sind, parallel kontinuierlich Daten zu verarbeiten (vgl. Basheer, I. A., Hajmeer, M. [2000]). Diese vernetzten Elemente bilden den Kern von KNN und orientieren sich modellhaft an menschlichen Neuronenzellen. Die Besonderheit eines KNN besteht darin, dass der Dateninput sowohl extern als auch von einem anderen Neuron innerhalb des KNN erfolgen kann. Durch die ausgelösten Rückkopplungseffekte kommt es zu einer laufenden Anpassung bzw. einem Training der einzelnen Neuronen bis zur angestrebten Zielausgabe (s. Abb. 1).

Einsatzfelder von KI bei Banken und Sparkassen

Der Bankensektor ist prädestiniert für den Einsatz von KI – vor allem aufgrund der Menge verfügbarer Daten und umfassender Dokumentation von Prozessen, die von zahlreichen Wiederholungen geprägt sind. Banken und Sparkassen nutzen KI aktuell in intelligenten Agenten (Software-Agenten oder Chatbots), im Rahmen der Kreditvergabe und dahinterliegenden Verarbeitungsprozessen oder im Wertpapierhandel. Beispielsweise begleitet der auf KI basierende Chatbot "Herbie" von der Deutschen Kreditbank Kunden selbstständig auf dem Weg zu einem Privatdarlehen. Die Unternehmen Smart Finance Group und Kreditech verwenden KI zur Bestimmung von Zahlungsprognosen oder die Wahrscheinlichkeiten von Nichtrückzahlungen im Konsumentenkreditgeschäft. Der Einsatz von KI-Technologie eignet sich ebenfalls für bestimmte Einzelaufgaben in Projekten. Praktisches Beispiel ist die von Finanz Informatik Solutions Plus (FI-SP) entwickelte Lösung zur Handschriftenerkennung auf Basis eines KNN. Die KI-Anwendung nutzt S-Kreditpartner, um rücklaufende Formulare mit Angaben zur Steueridentifikationsnummer automatisiert zu verarbeiten. Im Folgenden sollen weitere Anwendungsfelder skizziert werden.
Anzeige
  1. Nutzbar in der Sparkassenpraxis
  2. Intelligente Chatbots
  3. Anlageberatung/Vermögensanlage
  4. Fazit
 Druck-PDF herunterladen

Kommentare zum Artikel (0)