Künstliche Intelligenz und Machine Learning in der Finanzbranche: Potenziale und Herausforderungen

Data Science – Machine Learning – Artificial Intelligence: All diese Begriffe sind nicht erst seit dem jüngsten Hype rund um Open AI und deren hauseigener KI ChatGPT in aller Munde. Tatsächlich spielen Überlegungen zur Anwendung solcher intelligenten Informationssysteme seit mehreren Jahren eine große Rolle in Unternehmen unterschiedlicher Arten.

Daher werden auch in der Finanzbranche die Themen Machine Learning und Künstliche Intelligenz in den kommenden Jahren eine große Rolle einnehmen und dabei nicht nur prinzipielle Änderungen der systemischen Ausrichtung mit sich bringen, sondern auch das Potential haben großen Mehrwert für Anwender und Kunden zu schaffen.

Unterscheidung Machine Learning und Künstliche Intelligenz

Auch wenn beide Begriffe häufig synonym verwendet werden, gibt es durchaus Unterscheidungen. Diese äußern sich unter anderem in späteren Anwendungsfeldern sowie in der Implementierung der jeweiligen Technologie. Machine Learning ist dabei in erster Linie ein Teilgebiet künstlicher Intelligenz (KI) und zeichnet sich durch seine auf Algorithmen basierende Datenverarbeitung aus. Beim Machine Learning werden vereinfachend gesagt mathematische Algorithmen anhand von Vergangenheitsdaten (Lernsätzen) dazu befähigt Muster in großen Datenmengen zu erkennen, um so in Zukunft bestimmte Verhaltensmuster selbst auszuführen.

KI tritt dagegen weitaus autonomer auf und soll in seiner ausgeprägtesten Version vor allem durch explorative Charakteristiken überzeugen. Dies bedeutet, dass die KI eigene Einschätzungen treffen, selbstständig ohne vorgegebene Lernsätze lernen kann und somit eben durch „intelligentes“ Handeln die eigene Entwicklung vorantreiben kann.

Die Chancen durch die Anwendung intelligenter Informationssysteme in der Finanzbranche

Machine Learning sowie Künstliche Intelligenz bieten der Finanzbranche zahllose Anwendungsmöglichkeiten. Für die meisten Anwender sind vor allem die Möglichkeiten zur Effizienzsteigerung sowie Kosteneinsparung ein großer Hauptnutzen dieser Technologien. Durch den datenverarbeitenden Charakter von Machine Learning lassen sich viele arbeitsintensive und fehleranfällige Arbeitsschritte (Datenbankpflege, Datenanalyse etc.) schon heute automatisieren. So können Arbeitsschritte nicht nur beschleunigt, sondern auch kostengünstiger gestaltet werden.

Eine weitere Möglichkeit liegt in der Individualisierung der eigenen Leistungsangebote, wodurch erstrangig im B2C Geschäft aber auch im B2B Markt große Möglichkeiten genutzt werden können. Durch intelligente ChatBots lassen sich zum Beispiel Kunden in Echtzeit ansprechen und Nutzer können zusätzlich bei Eigenrecherchen unterstützt und gelenkt werden. Eine weitere Möglichkeit bieten personalisierte Dashboards (z.B. Onlinebroker), bei welchen die KI entsprechende Anpassungen an der Nutzeroberfläche anhand historischer Handlungen vornimmt.

Zusätzlich zu den beiden ersten Anwendungsgebieten kann KI auch zur Identifikation von neuen regulatorischen Vorgaben und der Einhaltung von bestehenden Governance-Vorgaben genutzt werden und so die Compliance von Unternehmen entscheidend verbessern. So lassen sich automatisierte Trigger installieren, bei welchen Algorithmen Verstöße gegen Unternehmensrichtlinien dokumentieren und melden. Zusätzlich können auch Frühwarnsysteme organisiert werden, wodurch im Sinne eines antizipativen Risikomanagements Verstöße frühzeitig erkannt und verhindert werden.

Herausforderungen dieser intelligenten Systeme

Auch wenn die Chancen durch den Einsatz von KI und Machine Learning in der Finanzbranche enorm sind, schrecken viele Unternehmen noch vor der tatsächlichen Implementierung dieser zurück. Hierfür gibt es unterschiedliche Ursachen.

Vielen traditionellen Finanzinstituten fehlt es an Erfahrung und speziell ausgebildeten Mitarbeitern im Umgang mit Datenanalyse- und Informationssystemen. Weiterhin stellt sich die notwendige Infrastruktur als eine weitere Herausforderung für die Unternehmen dar. So benötigen diese datengetriebenen Systeme eine angemessene Infrastruktur, welche die Sammlung und Bereitstellung von Echtzeitdaten unterstützt. Für einen sinnvollen Einsatz von KI müssen daher zunächst diese Stellschrauben behandelt und datenschutzkonform umgesetzt werden.

Neben diesen konzeptionellen Hindernissen spielen die noch im Aufbau befindlichen regulatorischen Anforderungen beim Einsatz von Machine Learning und KO eine Rolle. Dies führt zu Unsicherheiten in den Unternehmen. Weitere Informationen können Trauen Sie Ihrer KI zu, die Vorschriften zu erfüllen? | EY - Deutschland entnommen werden.