Einfach. Sicher. Gegen Geldautomatensprengungen.

Warum die DKB in Data Science investiert

Strategie und Praxis Künstlicher Intelligenz in Banken

Abonnieren Sie den kostenlosen Bank Blog Newsletter

Künstliche Intelligenz als Schlagwort ist in aller Munde. Doch welche konkreten Einsatzmöglichkeiten bieten sich bereits heute für Banken? Ein Einblick in Strategie und Praxis des Data Science Teams der DKB gibt Antworten.

Künstliche Intelligenz und Data Science in Banken

Künstliche Intelligenz in der Realität: Softwareentwicklung und Datenmessungen.

Partner des Bank Blogs

Künstliche Intelligenz erscheint in der öffentlichen Diskussion oft komplex und wie eine Figur aus einem Science Fiction Roman. Die Realität ist banaler, deswegen aber nicht weniger spannend. Wenn ich mich morgens an meinen Schreibtisch setze, ist mein Job eine Mischung aus Softwareentwicklung und Datenanalyse und folgt den Regeln der klassischen Ingenieursdisziplinen:

Ausgehend von einem konkreten Business Case optimieren wir ein messbares Ziel. Dabei werden beispielsweise Muster erkannt, Kategorien vorhersagt oder zeitliche Entwicklungen prognostiziert. So werden beispielsweise tausende E-Mails, die täglich an die Kundenbetreuung der DKB geschrieben werden, mit einem Sprachmodell dem geeigneten Bearbeiter zugeordnet.

Sprachmodell als Beispiele Künstlicher Intelligenz

Für das Sprachmodell werden Kategorien vorhergesagt. Das Model lernt aus bisherigen E-Mails, wie eine korrekte Zuordnung aussieht:

  • Kunden-Email: „Die Überweisung auf den angehängten Screenshot ist nicht beim Empfänger angekommen. Bitte prüfen Sie das.“
  • Zielkategorie: Zahlungsverkehr Eilt

Das Sprachmodell ist ein sogenanntes neuronales Netz, eine Methode, die in den letzten Jahren beeindruckende Ergebnisse im Bereich Textverarbeitung erzielt hat. Das Modell erreicht eine deutlich verbesserter Genauigkeit gegenüber dem bisher eingesetzten Schlagwortsystem und senkt dadurch die Bearbeitungszeit.

Anhand des Beispiels wird deutlich, dass Projekte mit künstlicher Intelligenz also stets an konkret definierten Problemstellungen arbeiten.

Künstliche Intelligenz ist ein wichtiger Teil der Digitalisierungsstrategie

Warum Banken Künstliche Intelligenz in Zukunft stärker nutzen werden, lässt sich mit einem Blick auf die Digitalisierungsstrategie und das Wettbewerbsumfeld beantworten.

Das aktuelle Wettbewerbsumfeld erzeugt hohen Veränderungsdruck. Im Privatkundenbereich gibt es Wettbewerber wie die Neobank N26 oder Technologiekonzerne wie Amazon, die veränderte Kundenbedürfnisse wie mobile und einfach zu bedienende ­­­Angebote besonders gut erfüllen. Auch im Geschäftskundenbereich werden digitalen Vertriebswege weiter verstärkt, beispielsweise durch die die Neobank Kontist mit der Zielgruppe kleine Selbständige oder die Händlerfinanzierung bei PayPal.

Erklärtes Ziel der DKB ist, sich von einer Direktbank zu einem Technologiekonzern mit Banklizenz zu entwickeln. Die DKB wird in den nächsten Jahren zusätzlich 400 Mio. Euro in ihr Wachstum investieren, einen Großteil davon in die Digitalisierung und Automatisierung.

Aufsetzend auf digitalen Prozessen können die dort entstehenden Daten nun nicht mehr nur für Berichte verwendet werden, sondern gehen direkt als Eingabe in andere Prozesse ein. Beispielsweise können abgefragte Kontoumsätze direkt in einer voll automatisierten Konsumentenkreditvergabe verwendet werden.

Besonders wertschöpfende oder kostenintensive Prozesse können auch durch Künstliche Intelligenz unterstützt werden, um Verbesserungen von Kosten, Geschwindigkeit oder Qualität zu erreichen. Künstliche Intelligenz ist also ein Teil der Digitalisierungsstrategie.

Vertrauen ist dabei ein wichtiges Gut

Als Programmierer der Data-Science-Lösungen ist es unsere Aufgabe, Transparenz zur Funktionsweise der eingesetzten Technologien zu schaffen. Dabei ist es wichtig, dass Algorithmen keine “Black Box” sein dürfen, die von der Fachabteilung oder Aufsichtsbehörden nicht verstanden wird.

Eine mögliche Antwort auf diese Herausforderung kann sein, Anforderungen der Fachabteilung zu definieren und die Einhaltung der Anforderungen im laufenden Betrieb zu überwachen. In unserem oben beschrieben Beispiel bedeutet dies: Wurde die kategorisierte E-Mail der korrekten Kategorie zugeordnet oder musste der Bearbeiter*in die E-Mail an einen Kollegen*in weiterleiten? Bei einer erhöhten Fehlerrate wird sofort automatisiert gewarnt und unsere Teammitglieder aus dem Bereich Data Science, Data Engineering und DevOps lösen gemeinsam das Problem.

Künstliche Intelligenz benötigt Transparenz und Vertrauen

Eine dauerhafte Messung der Qualität ist eine mögliche Herangehensweise, um Vertrauen in die Zuverlässigkeit der KI-Software herzustellen.

Andere mögliche Ansätze zum Thema Künstliche Intelligenz und Ethik sind Halbautomatisierung, Performancemessung auf möglicherweise benachteiligen Untergruppen oder die regelmäßige Überprüfung durch Fachexpert*innen. Die geeigneten Instrumente sollten durch Expert*innen für Künstliche Intelligenz gemeinsam mit der Fachabteilung gewählt werden, die mögliche Risiken am besten einschätzen kann.

Doch gerade bei sensiblen Themen ist das nicht immer einfach. Daher kann man auch pragmatisch vorgehen und den Einsatz von KI (vorerst) auf solche Themen beschränken, in denen weniger strenge ethischen Rahmenbedingungen einzuhalten sind, z.B. Backofficeautomatisierung, Marketing oder verbesserter Dienstleistungen für Kunden in allen Kanälen (Webseite, App, Callcenter, Email).

Kann ich Künstliche Intelligenz Software von der Stange kaufen?

Bei der Umsetzung unserer Projekte verwenden wir existierende Modelle oder Algorithmen von Forschungseinrichtungen oder anderer Unternehmen. Da liegt die Frage nah, ob Data Science Lösungen nicht auch extern eingekauft werden können.

Für Standardprobleme mit standardisierten Daten wie die Erkennung von Gegenständen auf Fotos oder die Übersetzung von nicht fachspezifischen Texten ist das tatsächlich der Fall.

Planen Sie allerdings, unternehmens- oder branchenspezifische Daten zu nutzen oder die Algorithmen in unternehmensspezifische Prozesse einzubinden, ist das nur mit einem eigenen Team möglich. Das Team arbeitet eng mit der Fachabteilung zusammen, um den konkreten Business Case zu verstehen, untersucht die verfügbaren Daten und Prozesse, wählt und adaptiert die algorithmischen Komponenten und integriert, testet und betreibt die finale Lösung. Die Beschäftigung mit dem eigentlichen Algorithmus nimmt dabei nur 10-20% der Zeit in Anspruch.

Achtung, Fehlinvestition! Diese Projekte eignen sich für einen Einsatz von Data Science

Aufgrund eines Fehlverständnisses von Künstlicher Intelligenz als menschenähnliche smarte Maschine kann es passieren, dass das zu lösende Problem nicht komplett definiert ist:

  • Der Zielzustand wird in allgemeinen Worten oder qualitativ beschrieben.
  • Es gibt keine genauen Messgrößen für Erfolg und eine Quantifizierung der nötigen Verbesserungen.
  • Statt eines konkreten Kunden-/ Business Problems soll “alles” verbessert werden.

Folgende Kriterien haben sich bewährt, um mit Ihrem Team oder einem externen Experten Ihr Projekt zu planen:

  • Ein regulär vorbereiteter, quantifizierter Business Case liegt vor.  Der Nutzen sollte hierbei groß sein, da Aufwand und Risiko von Data Science Projekten naturgemäß deutlich über dem von reinen Softwareprojekten liegen. Ideal sind Projekte, die bestehende Produkte oder Prozesse verbessern, da der Business Case bekannt ist und nur wenige technische Komponenten neu eingeführt werden müssen.
  • Alternative Lösungen wurden geprüft. Google, als Unternehmen mit viel Erfahrung im Bereich Künstliche Intelligenz, empfiehlt für viele Probleme, zunächst mit datenbasierten Heuristiken oder Standardlösungen zu starten. Künstliche Intelligenz kommt für Probleme zum Einsatz, wenn diese Lösungen an ihre Grenzen kommen und der Business Case einen hohen Nutzen für weitere Verbesserungen sieht.
  • Daten sind vorhanden und zugänglich.
  • Die Prozesse, die verbessert werden sollen, sind verstanden und/oder dokumentiert, idealerweise ist der Code einsehbar. Falls das nicht der Fall ist, müssen einige Wochen bis Monate zur Projektdauer hinzugerechnet werden.
  • Die Fachabteilung ist am Ergebnis des Projektes interessiert und stellt einen Fachexperten ab, der nach Bedarf im Projekt mitarbeiten kann.
  • Ein technischer Ansprechpartner für die Systeme, in die die Lösung integriert wird, kann an der Integration mitarbeiten.

Data Science Teams brauchen die notwendige technische und organisatorische Flexibilität

Data Science Projekte sind oft eine Mischung aus Forschung und Entwicklung. Wenn ich Daten analysiere, sind überraschende Erkenntnisse zu den Daten oder tatsächlichen Prozessregeln keine Ausnahme. Deshalb setzen wir für die Projektplanung auf sogenannte agile Prozesse, bei denen die Richtung des Projektes auf Basis der letzten Erkenntnisse alle zwei Wochen neu angepasst wird.

Auch die genutzten Technologien werden flexibel nach Projekt und Algorithmus ausgewählt. Die meisten Data-Science-Programme haben Open-Source-Lizenzen und brauchen nicht kommerziell erworben werden. Für die Emailzuordnung trainieren wir beispielsweise neuronale Netze mit Googles Open- Source-Bibliothek TensorFlow auf Hochleistungsrechnern mit Grafikkarten. Damit wird klar, dass Data Science Teams eine flexible Nutzung von Clouddiensten brauchen, da erst im Verlauf des Projektes feststellbar ist, welche Technologien und Rechenleistung benötigt werden.

Die Projektteams bestehen aus mehreren Fachrichtungen, um die optimale Geschwindigkeit erreichen zu können:

  • Data Engineers kümmern sich um Datenbereitstellung und -verarbeitung.
  • Data Scientist/Machine Learning Engineers erschließen das Business Problem, die Daten und den Algorithmus.
  • DevOps/Backend Engineers arbeiten an der Integration und dem Betrieb der finalen Software.

Fazit: Ein gut aufgestelltes Data Science Team ist ein wichtiger Teil einer Digitalisierungsstrategie

Ihre E-Mail an die DKB wird bereits heute mit Hilfe Künstlicher Intelligenz schneller an den richtigen Sachbearbeiter geleitet. Daran wird deutlich: Die Einsatzmöglichkeiten für Künstliche Intelligenz sind nicht auf klassische Bankprozesse beschränkt. Marketing, Vertrieb, Kundenbetreuung oder Backofficeprozesse sind nur einige Beispiele, die auch in anderen Industrien von künstlicher Intelligenz bereits unterstützt werden.

Künstliche Intelligenz entspricht klassischer Softwareentwicklung, die auf Daten angewendet wird. Risiken sind vorhanden, können in vielen Fällen aber auf ein geringe Maß reduziert werden. Damit ist Künstliche Intelligenz ein wichtiger Bestandteil der Digitalisierungsstrategie von Banken, um zukunftsfähige intelligente Lösungen zu schaffen und im Wettbewerb um Kunden und Kosten zu bestehen.

Über den Autor

Lina Weichbrodt

Lina Weichbrodt ist die leitende Machine Learning Entwicklerin des Data Science Teams der DKB. Zuvor hat sie bei Zalando Personalisierungs- und Empfehlungsysteme entwickelt und betrieben. Der Fokus der Wirtschaftsinformatikerin liegt auf der praktischen Umsetzung datengetriebener und KI-gestützter Systeme.

Vielen Dank fürs Teilen und Weiterempfehlen


Mit dem kostenlosen Bank Blog Newsletter immer informiert bleiben:

Anzeige

Get Abstract: Zusammenfassungen interessanter Businessbücher

Kommentare sind geschlossen

Bank Blog Newsletter abonnieren

Bank Blog Newsletter abonnieren