Anzeige
| Digital Symposium

Sparkassen brauchen KI-Pilotprojekt

In Bankprozessen wird KI erfolgreich eingesetzt. Wie die Technik die Branche revolutioniert, demonstrierten Wissenschaftler und Praktiker auf einer Tagung der S-Hochschule.

Anzeige

Geldinstitute und Versicherer stehen vor unaufschiebbaren Investitionen in die Digitalisierung. Doch welche konkreten Chancen und Risiken sind mit der künstlichen Intelligenz (KI) überhaupt verbunden? Und wie lässt sich ein vertrauensvoller Umgang mit ihr überhaupt realisieren? Antworten darauf hat das diesjährige Digital Symposium der Hoch­schule der Sparkassen-Finanzgruppe gegeben – organisiert und moderiert von Prof. Dirk Neuhaus (Lehrstuhl für Informations­systeme in Finanzdienstleistungsunternehmen).

Primär ging es auf der Veranstaltung nicht um die Frage, was KI überhaupt ist. Stattdessen haben renommierte Wissenschaftler und erfahrene Fachspezialisten den Teilnehmern einen Einblick in Spezialthemen der KI gewährt. Anschaulich gezeigt worden ist in Bonn, wie Software-Anwendungen für Optimierungslösungen konkret genutzt werden können.

ΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞ

Vorträge und Referenten im Überblick
Trufa: Erklärbare KI für Enterprise Performance: Prof. Andreas Mielke, Managing Director – Trufa, Deloitte Digital, und Institut für theoretische Physik Uni Heidelberg.
Risiken der Entwicklung und des Einsatzes von KI-Systemen: Patrick Lohmann, Consultant, Zeb.
Künstliche Intelligenz in der Finanzdienstleistung − Einsatzmöglichkeiten und Grenzen: Stephan Weber, Research Director, ibi research.
Artificial Intelligence & Advanced Analytics im CFO-Bereich von Unternehmen: Bernd Kälber, Digital@Finance Program Manager Artificial Intelligence & Advanced Analytics, Eon SE.
KI im Handel − Impulse für die Finanzwirtschaft: Frederic Kerber, Leiter des Innovative Retail Laboratory (IRL), Deutsches Forschungszentrum für Künstliche Intelligenz.
Vertrauenswürdiger Einsatz von KI: Tim Wirtz, Stellvertretender Abteilungsleiter Knowledge Discovery, Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS.

ΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞΞ

Trufa: Erklärbare KI für Enterprise Performance

 
© BBL
Mit der auch für die gesamte Bankwirtschaft wichtigen Fragestellung, was künstliche Intelligenz eigentlich kann und was sie leisten soll, be­fasste sich Prof. Andreas Mielke. Sein Überblick zum Status Quo von KI in Unternehmen hat auf Basis einer Umfrage belegt, dass KI bis vor drei Jahren noch ein Randthema war, sich aktuell aber in vielen Unter­neh­mensbereichen durchgesetzt und somit fest etabliert hat.

Mit 67 Prozent wird KI am häufigsten im Bereich regelbasierter Systeme und in der robotergesteuerten Prozessautomatisierung, dem sogenannten Process Robotics, eingesetzt. Etwas seltener trifft man auf KI-Lösungen dagegen in den Bereichen „Sprache (61 Prozent)“ und „Maschinelles Lernens (60 Prozent)“. 47 Prozent der befragten Unter­nehmen wenden KI zudem an, um Informationen aus visuellen Daten wie Bildern zu extrahieren.

Die Umfrageer­gebnisse zeigen, dass der Anwendungsbereich von KI aktuell sehr breit gefächert ist. Allerdings wies Mielke darauf hin, dass KI meist nur im Rahmen einfacher Anwendungen eingesetzt wird (s. Abb. 1).

Hintergrund dafür ist, dass komplexe KI aktuell noch als Black Box gesehen wird und komplexe KI-Anwendungen eine Erklärung benötigen. Denn wenn Menschen nicht verstehen, was KI macht, können sie even­tuell falsche Entscheidungen treffen und damit auch zur Verant­wortung gezogen werden.

Nicht zuletzt aus diesem Grund wird verstärkt zum Thema erklärbare KI ge­forscht. Erklärungen reduzieren nämlich falsche Entscheidungen deutlich. Sie helfen ferner dabei, ein Versagen des KI-Systems zu verstehen, es im besten Fall sogar zu verhindern. Sie können Compliance-Themen sowie juristische Fragestellungen im Hinblick auf das Treffen suboptimaler Entscheidungen und die damit verbundene Haftungsfrage besser beleuchten.

Anschließend ging der Wissenschaftler auf die Software-Lösung Trufa ein, die vollautomatisiert mit maschineller Intelligenz und hoher Ge­schwin­­digkeit große Datenmengen verarbeiten kann. Mit ihrer Hilfe lassen sich autonom ökonomische Verbesserungen in Unternehmen realisieren. Damit unterscheidet sich Trufa, die für den Nutzer konkrete Optimie­rungs­maßnahmen erarbeitet, ganz erheblich von einfacher KI, wo noch der Mensch aus vorhandenen Informationen Erkenntnisse und Aktionen ableiten muss.

Für betriebswirtschaftliche Zielerreichungsgrade wie die Optimierung des Working Capital analysiert die Software, welche Handlungen oder Maß­nahmen zur Steuerung dieser Kennzahl wirksam sind. Zudem berechnet sie, wie wahrscheinlich das Gelingen der Optimierungsmaßnahme ist. Die Software-Lösung Trufa wird heute vornehmlich in produzierenden Unternehmen und im Handel eingesetzt, also dort, wo es „anfassbare“ Güter gibt.

Risiken bei der Entwicklung und im Einsatz von KI-Systemen

Patrick Lohmann ging in seinem Vortrag zunächst auf die Risiken von KI-Systemen ein. Den Fokus legte er dabei auf die Entwicklung und den Einsatz von KI-Systemen. Zu Beginn seiner Ausführungen skizzierte er die Aktivitäten des klassischen Bankprozesses, die sich grob in vier Typen einteilen lassen:
  • Sammeln von Geschäftsdaten
  • Treffen von Entscheidungen auf Basis der gesammelten Daten
  • eventuelle Korrektur der Daten
  • Weitergabe der Informationen über einen neuen oder veränderten Datenwert oder die Entscheidung.
Auch Lohmann hielt die Entscheidung, die er als einen Akt der Anwen­dung von Entscheidungslogik auf ein oder mehrere Datenobjekte, um einen Ergebniswert abzuleiten, definierte, für einen wesentlichen Aspekt von KI. Entscheidungen können mit KI getroffen werden, aller­dings sind umso mehr Daten notwendig, je komplexer die KI wird. Folglich gehen mit KI auch bestimmte und nicht zu vernachlässigende Risiken einher, die laut Lohmann wie folgt aussehen:
  1. falsche Erwartungen an die aktuellen Fähigkeiten von KI
  2. technologiegetriebene Herangehensweise in Projekten
  3. hohe Komplexität durch technologiegetriebene Herangehensweise
  4. keine spürbaren Verbesserungen durch KI-Lösung im regulären Betrieb
  5. KI-Lösung in der alleinigen Verantwortung der IT im regulären Betrieb.
Im Rahmen der typischen Herausforderungen von KI und damit der eng verbundenen Fragestellung, was KI kann und was nicht, differenzierte er zunächst zwischen schwacher und starker KI. Schwache KI ist auf kon­krete Anwendungsprobleme fokussiert und trainiert, während starke KI in der Lage ist, unbekannte Aufgaben zu lösen. Generalisierte KI-Systeme sind daher vergleichbar mit den intellektuellen Fertigkeiten eines durchschnittlichen Menschen.

Die dritte Steigerung von KI, nämlich superintelligente KI-Systeme, sind dagegen unendlich leistungsfähiger als der Mensch. Die Entwicklung einer starken künstlichen Intelligenz steckt nach Lohmann allerdings noch in den Kinderschuhen, jedoch ist die Forschung hierzu bereits in vollem Gange.

Ein weiteres Problem der KI ist die Frage, welche Methode angewen­det werden soll. Denn KI-Systeme weisen unterschiedliche Leistungen und Interpretationsmöglichkeiten der erzeugten Entscheidungslogik auf. Zwischen ihnen besteht also oftmals ein sogenanntes Trade Off: Neu­ro­nale Netze haben eine hohe Qualität in der Vorhersage, die Ergebnisse sind aber schwer zu erklären bzw. nachzuvollziehen. Entscheidungs­bäume haben dagegen eine niedrigere Qualität in ihrer Vorhersage, liefern dafür aber erklärbare Ergebnisse.

Wie Lohmann verdeutlichte, macht es in manchen Situationen durchaus Sinn, die Qualitätseinbuße durch Entscheidungsbäume in Kauf zu nehmen, auch wenn neuronale Netze besser sind. Als Beispiel für die Finanzdienstleistungsbranche nannte er Frühwarnsysteme im Kreditentscheidungsprozess.

Hier ist es durchaus denkbar, dass durch den Einsatz von automati­sierter KI das Risiko der Fehleinschätzung des Kreditnehmers wächst, weil bestimmte Kriterien und Muster stets auf einen Kreditausfall hindeuten. Lohmann sieht KI daher als Fachbereichs- und nicht so sehr als IT-Problem. Den Teilnehmern riet er, KI nur dort einzusetzen, wo sie auch gebraucht wird.

KI der Finanzdienstleistung − Einsatzmöglichkeiten und Grenzen

 
© BBL
Mit den Einsatzmöglichkeiten und Grenzen der KI im Finanzdienst­leistungsbereich befasste sich Stephan Weber. Der Ibi research-Wissenschaftler von der Uni Regensburg begann seinen Vortrag mit der These, dass es sich bei KI um keinen Hype handelt, sondern dass sie Lösungen ermöglicht, die im täglichen Bankbetrieb nutzenstiftend eingesetzt werden können.

Zunächst beschäftigte er sich mit der Frage, warum sich Banken und Sparkassen jetzt mit KI auseinandersetzen müssen. Drei Entwicklungen stehen für ihn im Vordergrund:
  1. Es gibt viele Probleme, die nach Lösungen verlangen.
  2. Verfügbare Lösungsmechanismen sind in den vergangenen Jahren ständig optimiert worden.
  3. Die Leistungsfähigkeit der Informationstechnik ist enorm gestiegen.
KI bleibt weiterhin der größte Trend auch in der Finanzdienstleistungs­branche. Prognosen bei der Kreditvergabe zu verbessern, Portfolios zu optimieren und optimalere Produkte anzubieten, haben sich schon heute in Banken und Sparkassen bewährt. Diese Einsatzmöglichkeiten von KI weiter zu entwickeln, stellt allerdings viele Banken und Sparkassen vor große Herausforderungen.

Anhand eines Drei-Ebenen-Modells demonstrierte Weber, wie sich KI systematisch nutzbar machen lässt: Die obere Ebene beschäftigt sich mit der Auswahl des Geschäftsprozesses. Aktuell liegen die Einsatz­möglichkeiten von KI noch vielfach in den Bereichen Marketing, Vertrieb sowie Risiko- und Betrugserkennung. Künftig ist aber ein flächendecken­der Einsatz auch in Finanzunternehmen zu erwarten.

Die mittlere Ebene beschreibt die Anwendungsklassen, die sich hinter den relevanten Schritten des Geschäftsprozesses mit seinen Funktionen und Daten verbergen und durch KI unterstützt werden können. Eine mögliche Anwendungsklasse besteht in der Kontexterweiterung: Als Beispiel führte Weber einen Kunden an, der Exchange Traded Funds (ETFs) kaufen möchte. Die Bank erkennt einen umfassenden Bedarf als Altersabsicherung und bietet dem Kunden daraufhin ein Beratungsgespräch an, um den Bedarf besser bestimmen zu können. Die untere Ebene hilft schließlich bei der Zuordnung der geeigneten KI-Verfahren und deren jeweiligen Ausprägungen zu den Anwendungs­klassen. Ibi Research plant aktuell ein Modellprojekt, dessen Struktur Abbildung 2 zeigt.

AI und Advanced Analytics im CFO-Bereich von Unternehmen

Der Physiker Bernd Kälber demonstrierte im Rahmen des vierten Vortrags am Beispiel des Energieunternehmens Eon, wie sich KI im Finanzbereich auf neue Art und Weise nutzen lässt. Spannend war der Rückblick, dass das Geschäftsmodell von Eon von heute auf morgen disruptiven Veränderungen ausgesetzt war und sich das Unternehmen deshalb völlig neu erfinden musste.

In der Konsequenz haben sich auch die Anforderungen an den Finanz­bereich erheblich gewandelt. KI verfolgt dabei das Ziel, das menschliche Denken nicht nur zu simulieren, sondern auch zu ergänzen. Mit neu­ronalen Netzen lassen sich etwa auch nichtlineare mikro- und makro­wirtschaftliche Zusammenhänge abbilden und damit die Realität entspre­chend widerspiegeln.

Mit klassischen Methoden wie Regres­sions­modellen, die nur lineare Zusammenhänge beleuchten, ist das kaum möglich. Wesentliche Vor­aus­setzung dafür ist jedoch, dass große Datenmengen vorhanden sind. Der Grund: Für die Funktionalität neuronaler Netze sowie ähnlich komplexer Methoden müssen große Datenmengen gesammelt und für den entsprechenden Anwendungszweck trainiert werden.

Typische Einsatzmöglichkeiten von Advanced Analytics und Künstlicher Intelligenz im Finanzbereich sind danach:
  • Risikomanagement: Identifikation und Beurteilung des Counterparty Credit Rating, also der Zahlungsfähigkeit und Zahlungswilligkeit eines Schuldners hinsichtlich seiner finanziellen Verpflichtungen
  • Rechnungswesen: Automatisierung transaktionaler Tätigkeiten durch Robotic Process Automation
  • Finanzen: Vorhersage von Cashflows und Liquidität,
  • Steuern: Intelligente Texterkennung zur frühzeitigen Identifikation relevanter Gesetzesänderungen
  • Controlling: Modellbasierte Ergebnisplanung auf Basis interner und externer Daten.
Laut Kälber kann das Potenzial der neuen Technologien nur dann an­nähernd ausgeschöpft werden, wenn im Unternehmen die spezifischen Rollen und Kompetenzen vorhanden sind. Auf der einen Seite muss es den Data Scientist geben, der über digitales und technisches Experten­wissen verfügt. Auf der anderen Seite gibt es den erfahrenen kauf­män­nischen Manager mit mathematisch-analytischem Hintergrund, der die KI-Relevanz für vorher bestimmte definierte Unternehmenszwecke richtig einschätzen kann.

Von entscheidender Bedeutung wird es für ein Unternehmen sein, zwischen KI und unternehmerischen Anforderungen eine Brücke zu schlagen und entsprechendes Fachpersonal zu rekrutieren. Das wird benötigt, um KI in eine wettbewerbsfähige Unternehmensstrategie zu transformieren.

KI im Handel: Impulse für die Finanzwirtschaft

In der Nachmittagssession befasste sich Frederic Kerber mit dem Einsatz intelligenter Software-Systeme im Handelsbereich und damit, was die Finanzwirtschaft daraus lernen kann. Dabei ging er vor allem auf den stationären Handel ein, in den KI zwischenzeitlich Einzug gehalten hat. Trends, die man im Handel derzeit antrifft, sind etwa:
  • Personalisierung von Services (unverpackte Waren)
  • Automatisierung (Brotbackautomaten bei Aldi Süd)
  • Kanalverschmelzung (Trendroboter, Bildschirme).
Zudem werden Hersteller immer mehr zu Händlern und der Einzelhandel versucht angesichts zahlreicher Onlinebestellungen, immer stärker Anreize zu schaffen, um mehr Menschen in das Geschäft zu locken. Als Beispiel nannte der KI-Experte vom Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) den Supermarkt Real, der ältere Kunden mit einem Taxi oder Shuttle-Service von zu Hause abholt und ins Geschäft bringt. Auch wollen Einzelhandelsunternehmen für ihre Kunden ein Einkaufserlebnis schaffen, da der Einkauf üblicherweise während der Freizeit erledigt werden muss.

Um den Symposiumsteilnehmern zu demonstrieren, was heutzutage bereits im Einzelhandel möglich ist, nannte er folgende Beispiele: Der Kunde kann sein Profil hinsichtlich Allergien, Regionalität von Produkten oder Bio schärfen. Mittels Smartphone und App ist es nun möglich, das Produkt im Supermarkt einzuscannen, sodass dem Kunden die Produkt­eigenschaften angezeigt werden und dieser sofort Informationen erhält, ob das Produkt zu seinem vorher definierten Profil passt.

Die Weiterentwicklung wäre sodann die Reality-Brille, mit der Produktin­formationen direkt während des Gangs durch den Supermarkt angezeigt werden können. Laut Kerber ist die Brille allerdings noch Zukunftsmusik, aber in paar Jahren vielleicht schon einsetzbar.

Ein weiteres Beispiel ist der Polstermöbelkonfigurator, der Couchgar­nituren zusammenstellt. Mit seiner Hilfe kann der Berater eine Couch für seinen Kunden im Baukastensystem zusammenstellen, sodass der Kunde Veränderungen von Form und Farbe direkt sehen kann. Die auf diese Weise zusammengestellte Couchgarnitur lässt sich anschließend in ein virtuelles Wohnzimmer einbetten, sodass der Kunde auch die Dimensionen abschätzen kann. Ein solcher Konfigurator ist in Möbelgeschäften schon zu finden und bietet sowohl für den Kunden als auch den Mitarbeiter einen Mehrwert.

Als letztes Beispiel nannte er die Frischetheke, an der Mitarbeiter mittels eines Lichtpunkts Informationen erhalten, worauf der Kunden mit dem Finger gezeigt hat. Damit muss der Mitarbeiter nicht mehr nachfragen, welches Produkt der Kunde meint.

Vertrauenswürdiger Einsatz von KI

 
Wertvolle Hinweise, wie sich KI vertrauenswürdig auch in Banken und Sparkassen einsetzen lässt, gab Tim Wirtz vom Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS. © Becker/S-Hochschule
Zum Ende des Symposiums beschäftigte sich Tim Wirtz vom Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS in St. Augustin mit der Fragestellung, wie man verantwortungsvolle KI-Anwendungen konkret aufbaut und woran man eine verantwortungs­volle KI erkennen kann. Dazu gab er Praxisbeispiele aus Unternehmen. So hat etwa das Software-Unternehmen SAP Leitprinzipien entwickelt, die dazu dienen, die Entwicklung und Einführung genutzter KI-Software zu steuern und das Unternehmensziel umzusetzen, die Abläufe der weltweiten Wirtschaft und das Leben der Menschen zu verbessern. Die Grundsätze lauten wie folgt:
  • Unser Handeln orientiert sich an unseren Werten.
  • Wir entwickeln für Menschen.
  • Wir ermöglichen Unternehmen ein vorurteilsfreies Handeln.
  • Bei allem was wir tun, streben wir Transparenz und Integrität an.
  • Wir wahren Qualitäts- und Sicherheitsstandards.
  • Der Datenschutz und die Privatsphäre stehen immer im Mittelpunkt unseres Handelns.
  • Wir gehen die gesellschaftlichen Herausforderungen an, die mit KI verbunden sind.
Ähnliche ethische Prinzipien sind bei Microsoft zu finden:
  • Diskriminierungsfreiheit: Wir setzen uns dafür ein, dass KI alle Menschen fair behandelt.
  • Zuverlässigkeit: Wir arbeiten daran, dass KI zuverlässig und sicher ist.
  • Schutz der Privatsphäre: Wir wollen KI, die Datenschutz und Datensicherheit gewährleistet.
  • Barrierefreiheit: Wir stehen für KI, die allen Menschen zu Gute kommt.
  • Transparenz: KI muss uns ihre Entscheidungen erklären.
  • Verantwortlichkeit: KI darf nur den Einfluss haben, den wir ihr zugestehen.
Sodann nannte Wirtz sieben Handlungsfelder für verlässliche und vertrauensvolle KI:
  • Ethik und Recht: Respektiert die KI-Anwendung gesellschaftliche Werte und Gesetze?
  • Fairness: Behandelt die KI alle Betroffenen fair?
  • Autonomie & Kontrolle: Ist eine selbstbestimmte, effektive Nutzung der KI möglich?
  • Transparenz: Sind Funktionsweise und Entscheidungen der KI nachvollziehbar?
  • Verlässlichkeit: Funktioniert die KI verlässlich?
  • Sicherheit: Ist die KI sicher gegenüber Angriffen, Unfällen und Fehlern?
  • Privacy: Schützt die KI-Anwendung sensible Informationen?
Eine Checkliste für vertrauensvolle KI könnte daher wie folgt aussehen:
  • Haben Sie Ihr Verständnis von Fairness in Ihren Unternehmenswerten verankert?
  • Wird durch Compliance sichergestellt, dass dieses Verständnis von allen Mitarbeitenden gelebt wird?
  • Haben Sie Fairness in der Daten-Governance berücksichtigt? Gibt es Maßnahmen, um Datenbestände regelmäßig auf Vorurteile und Verzerrungen zu überprüfen?
  • Haben Sie Prozesse eingerichtet, durch welche unfaires Verhalten von KI-Anwendungen gemeldet und im Anschluss behoben werde kann?

Fazit und Ausblick

 
Experten sehen in der Bankbranche zahlreiche Einsatzgebiete für Künstliche Intelligenz (v.l.n.r.): Stephan Weber (ibi research), Prof. Dirk Neuhaus (S-Hochschule), Tim Wirtz (Fraunhofer), Bernd Kälber (Eon), Prof. Andreas Mielke (Deloitte Digital/Uni Heidelberg), Frederic Kerber (DFKI) und Patrick Lohmann (Zeb) . © Becker/S-Hochschule
Das Zeitalter der Digitalisierung durchdringt mittlerweile nahezu alle Lebensbereiche und hat auch die Bankenwelt fest im Griff. Allerdings fallen KI-Investitionen bei Finanzdienstleistern momentan noch eher mager aus. Obwohl diese mit ihrer daten- und informationsbasierten Dienstleistung eine ideale Basis für die Anwendung Künstlicher Intelligenz bietet. Das mag daran liegen, dass momentan noch zu viele Vorurteile gegenüber KI bestehen.

Laut Neuhaus ist der Einsatz von KI-Systemen zur Unterstützung von Bankmitarbeitern allerdings sehr erfolgsversprechend. Die Befürchtung, dass diese Aufgaben künftig vollständig von KI-Systemen übernommen werden, ist zumindest in absehbarer Zukunft unwahrscheinlich. Allerdings weist Neuhaus auch darauf hin, dass Vertrauen und Akzep­tanz von KI-Systemen wichtig sind. Denn KI-Systeme müssen nicht nur eindimensionale Ergebnisse produzieren, sondern auch die Herleitung der Ergebnisse in einer verständlichen und nachvollziehbaren Form erklären können.

Daher kommt der Entwicklung der Erklärungskomponente in einem KI-System eine besondere Bedeutung zu. Anwendungsfelder für KI, die zugleich „Quick Wins“ ermöglichen, sieht Neuhaus in der intelligenten Analyse von Daten. Durch das Erkennen von Mustern im Kunden­verhalten auf der Grundlage der von ihnen erzeugten Daten, können Sparkassen mehr Empfehlungen an Kunden aussprechen, die ihren Bedürfnissen entsprechen. Neuhaus forderte in Bonn daher mit Verweis von KI-Aktivitäten von Banken in USA und China, ein KI-Pilotprojekt, an dem alle Sparkassen partizipieren können.

Autorin
Carmen Mausbach ist freie Journalistin in Niederkassel und spezialisiert auf Wirtschaft- und Finanzthemen im Umfeld von Sparkassen und Banken.