Der Finanzsektor sitzt auf einem wahren Datenschatz. Kein Wunder also, dass es in der Branche zahlreiche vielversprechende Anwendungsfälle für Künstliche Intelligenz und Machine Learning gibt. Richtig umgesetzt kann KI laut einer McKinsey-Schätzung einen Wert von bis zu 2 Billionen US-Dollar im Bankwesen schaffen. In einem aktuellen Webinar erläuterte Shameek Kundu, ehemaliger Group CDO von Standard Chartered und heutiger Chief Strategy Officer bei TruEra, wie sich der Mehrwert von KI in Finanzdienstleistungen beschleunigen lässt.
Shameek erklärte, dass sich der Nutzen von Data Science und KI in Finanzdienstleistungen in drei große Bereiche gliedern lässt:
- Höhere Umsätze durch bessere Kundenerlebnisse und fundiertere Entscheidungen
- Kosten senken durch wirksameres Risikomanagement und höhere operative Effizienz
- Unentdeckte Potenziale und Geschäftsmodelle erschließen.
KI-Anwendungen in Finanzdiensten sind breit, aber oft noch oberflächlich
Heute stecken viele KI-Projekte im Finanzbereich noch in den Kinderschuhen und erreichen aus unterschiedlichen Gründen nicht die vollständige Implementierung. Die Spannweite reicht von technischen Hürden wie begrenzter Datenverfügbarkeit und -qualität oder technologischen Engpässen beim Ausrollen von KI-Systemen bis hin zu nicht-technischen Faktoren wie fehlenden Datentalenten und mangelndem Vertrauen in KI-Systeme.
Der Vertrauenslücke in KI-Systeme begegnen
Komplexe Machine-Learning-Modelle wie Deep-Learning-Modelle liefern zwar bahnbrechende Lösungen für zuvor unlösbare Probleme wie das Protein-Folding, sind aber schlecht darin, ihre Vorhersagen zu erklären.
Diese Blackboxen bergen gesellschaftliche Risiken, wenn ihre Ergebnisse blindlings in kritischen Entscheidungen wie Geldwäschebekämpfung und Kreditwürdigkeitsprüfungen verwendet werden. Wissen Endnutzer nicht, wie Blackbox-Modelle zu ihren Vorhersagen gelangen, fällt es ihnen schwer, den Ergebnissen zu vertrauen — zumal es prominente Fälle von voreingenommenen KI-Systemen gibt.
Laut Shameek lassen sich mit drei zentralen Maßnahmen Vertrauen in KI aufbauen.
Machine Learning durch Bildung entmystifizieren
Allgemeine Bildung für alle Bildung ist die langfristige Strategie, um Ängste vor KI abzubauen. Wenn interne Stakeholder, Aufsichtsbehörden und Kundinnen und Kunden verstehen, wie KI sie betrifft, steigt ihre Akzeptanz.
Spezialisierte Weiterbildung, um die Kompetenzlücke zu schließen Der Mangel an technischem Talent verhindert die Skalierung von KI-Systemen. Unternehmen, die Wert aus KI ziehen wollen, müssen bereit sein, Datentalente einzustellen oder gezielte Trainings zur Weiterbildung der bestehenden Mitarbeitenden anzubieten.
Interne Leitplanken für KI-Systeme aufsetzen
Interne Leitplanken dienen als Richtlinien für Implementierung, Bewertung und Überwachung von KI-Systemen.
Diese Leitplanken bestehen aus drei zentralen Bausteinen.
- Ein Set an Leitprinzipien definiert die Grenzen dessen, was KI im Unternehmen leisten darf.
- Enabler für interne Stakeholder erleichtern die sichere Umsetzung von KI.
- Standardisierte Tools und Technologien bewerten KI-Systeme auf Fairness.
Tools und Technologien nutzen, um die KI-Qualität zu steigern
Lücken im KI-Lebenszyklus führen dazu, dass Qualitätsprobleme in Systeme einsickern. Zum Glück gibt es Werkzeuge, die dagegen helfen.
Blackbox-Modelle erklären Erklärbare KI ist ein aktives Forschungsfeld. Sie verspricht, Blackboxen zu öffnen, den Vorhersageprozess zu entmystifizieren und Vertrauen aufzubauen.
Geringe Daten- und Labelqualität adressieren Wer eine Prüfung zu einem unbekannten Thema schreibt, fällt womöglich durch; ein Machine-Learning-Modell liefert schlechte Ergebnisse, wenn es mit ungeeigneten Daten trainiert wurde. KI-Systeme können scheitern, wenn sich die Trainingsdaten stark von den Produktivdaten unterscheiden. Microsofts Python-Responsible AI Widget hilft, solche Probleme zu identifizieren und zu beheben.
Transparenz und Fairness von Modellen testen Modelle können aufgrund versteckter Verzerrungen in den Trainingsdaten bestimmte Bevölkerungsgruppen — etwa Minderheiten oder ein bestimmtes Geschlecht — benachteiligen. Open-Source-Lösungen wie fairlearn und IBMs AI Fairness 360 helfen, diese Lücken zu schließen.
Fazit
Vertrauen in KI innerhalb eines Unternehmens aufzubauen, braucht Zusammenarbeit und Zeit. Organisationen müssen KI-Kompetenzen ausbauen und Schutzmechanismen für Sicherheit und Fairness etablieren, während KI-Expertinnen und -Experten verfügbare Tools konsequent nutzen sollten, um KI für alle fair zu machen. Erst wenn KI das Vertrauen ihrer Nutzerinnen und Nutzer gewinnt, wird sie breit eingeführt werden.
Wenn dich die Anwendung von KI im Finanzsektor interessiert, schau dir Shameeks On-Demand-Webinar „Scaling AI Adoption in Financial Services“ an. Es liefert Einblicke in KI-Anwendungen und praxisnahe Tipps, um ihre Einführung zu beschleunigen.
