Überspringen zu Hauptinhalt

Künstliche Intelligenz in Banken – Das Überwinden von Grenzen

Künstliche Intelligenz In Banken – Das Überwinden Von Grenzen

Kaum eine Branche ist aufgrund der enormen Datenmengen für den Einsatz künstlicher Intelligenz und Data Analytics prädestinierter als die Finanzbranche. Dabei sind die Einsatzfelder der Technologien vielfältig – sowohl in den Bereichen Risikomanagement und Fraud Detection/Prevention, Compliance und Regulierung als auch im Kundenservice. Die Vorzüge sind bekannt, doch wo liegen derzeit noch die Grenzen für den Einsatz von KI und mit welchen ethischen Fragen muss sich die Finanzbranche auseinandersetzen? Wir haben bei unseren Experten nachgefragt. 

Dr. Claus Gwiggner arbeitet als Manager und Senior Data Scientist bei Capgemi Invent in Köln. Er interessiert sich für die Analyse und Modellierung komplexer Daten, um einen Mehrwert in der betriebswirtschaftlichen Entscheidungsunterstützung zu schaffen. Seine Schwerpunkte liegen im Supply Chain Management und in der Risikomodellierung.

Dr. Claus Gwiggner

Thorsten Schmidt

Thorsten Schmidt leitet das Team Innovative Data Management bei Capgemini Invent in Frankfurt/M. In dieser Rolle begleitet er Kunden bei der Entwicklung und Umsetzung von Data Strategien und Data Governance Projekten. Seine besondere Expertise liegt im Aufbau von organisatorischen und technischen Maßnahmen für die Verbesserung der Datenqualität in Banken und Unternehmen anderer Industrien.

Der Einsatz von KI in der Finanzbranche ist unbestritten. Doch wo liegen Ihrer Meinung nach derzeit die Grenzen für den Einsatz von KI in Banken und wie lassen sich diese überwinden?

Die Grenzen des Einsatzes von KI lassen sich gut durch technisch-fundamentale und durch praktische Gründe beschreiben.

Um die fundamentalen Gründe zu verstehen, muss erläutert werden, dass sich „KI“ grob in logisch-basierte und statistische Ansätze einteilen lässt (KI-Expertensysteme und maschinelles Lernen). Der logische Ansatz erfordert, dass den Algorithmen präzise Repräsentationen von Wissen vermittelt werden, was schon zum Beispiel beim Unterschied zwischen Groß- und Kleinschreibung beginnt. Menschliche Intelligenz baut neben der formalen Logik aber auch auf Analogien und Ähnlichkeiten auf, die von klassischen KI-Expertensystemen bisher nicht zufriedenstellend beherrscht werden.

Beim statistischen Ansatz verhält es sich gewissermaßen umgekehrt: während nicht-lineare Regressionsmodelle, wie zum Beispiel Neuronale Netze, heute ähnliche Muster in komplexen Daten entdecken können, bauen sie hauptsächlich auf Korrelationen auf und bilden keine kausalen Zusammenhänge ab. Die Interpretation der Ergebnisse obliegt dem Menschen und der Rationalität seines Denkens. Diese Grenzen sind prinzipieller Natur und werden sich nur schwer bzw. gar nicht überwinden lassen.

Die oben erwähnten praktischen Gründe liegen vor allem in den Daten und Prozessen, von deren Qualität der Erfolg von KI-Anwendungen in hohem Maße abhängt. Gerade in großen Universalbanken ist das häufig ein Problem, weil heterogene IT-Landschaften und Datenflüsse die Datenqualität negativ beeinflussen können. Ebenso wichtig ist ein klares Konzept der Rollenverteilung, um KI-Anwendungen von der Konzeption über einen Prototyp bis hin zur Endnutzung zu entwickeln. Solche prozessualen Grenzen lassen sich durch geeignete KI-Governance Konzepte überwinden.

Welche Vor- und Nachteile bieten beispielsweise Open Source-Lösungen?

Zwei beliebte Open-Source Lösungen im Bereich der Künstlichen Intelligenz sind „R“ und „Python“, zwei allgemeine Programmiersprachen. Daneben gibt es viele „Insellösungen“ zum Beispiel für die Extraktion von Entscheidungsbäumen oder das Training von „Deep Learning“ Netzen beim Verständnis von menschlicher Sprache.

All diese Werkzeuge sind im Begriff der Entstehung und vom rasanten Tempo der Entwicklungen im Bereich „KI“ geprägt.

Die Vorteile sind unmittelbar: die Open-Source Werkzeuge geben Zugriff zu den neuesten Entwicklungen aus der internationalen Spitzenforschung. Durch ihre „Open“ Natur kann der erfahrene Benutzer die Algorithmen an jeder Stelle überprüfen und sogar korrigieren.

Der Nachteil ist, dass die Handhabung an mancher Stelle noch kompliziert ist und dass kein „Kundenservice“ existiert, an den man sich im Fehlerfall wenden kann. Allerdings gibt es einschlägige Internetforen, in denen die Eigenschaften der KI-Algorithmen in beliebiger Tiefe diskutiert werden.

Wie sehr beeinflusst die DSGVO den Einsatz von KI?

Daten sind das Rückgrat jeder KI-Anwendung. Mit Daten werden Modelle entwickelt, trainiert, getestet und ausgeführt. Je mehr hochqualitative Daten vorhanden sind, desto größer ist die Chance, einen guten Algorithmus zu trainieren. Die DSGVO lässt nun 3 Möglichkeiten zu, um Daten zu verwenden:

  1. Es werden keine personenbezogenen Daten verwendet.
  2. Es liegt die Zustimmung des „Datensubjektes“ und ein Zweck für die Verwendung vor.
  3. Die Daten werden anonymisiert oder pseudonymisiert, so dass ein Personenbezug nicht mehr hergestellt werden kann.


Die DSGVO gibt Unternehmen vor, die gesammelten persönlichen Daten entsprechend zu schützen und darüber dem Datensubjekt auskunftsfähig zu sein. Dafür benötigt es eine starke Data Governance und Datenmanagement.  Die KI, die diese Daten verwendet, muss erklärbar werden, denn ein Kunde (das Datensubjekt), hat mit der DSGVO das Recht auf Auskunft und „Eingreifen“ bei der Verwendung oder Nutzung von persönlichen Daten.

Die DSGVO stellt also gewisse Regeln auf, die bei KI Anwendungen zu beachten sind, lässt aber auch genug Spielraum, um Nutzen aus KI-Anwendungen zu ziehen.

Wie beurteilen Sie aus ethischer Sicht den Einsatz von KI im Bankenumfeld?

Ethik und Vertrauen spielen für Kunden eine immer größere Rolle, gerade im Bankenumfeld. KI-Anwendungen sind dagegen in dieser Hinsicht oft völlig blind.

Dr. Claus Gwiggner und Thorsten Schmidt | Capgemini Invent

Es sind Maschinen, bei denen die Verknüpfung von Input und Output häufig nicht klar erkenntlich ist. Das heißt es ist unklar, ob und wie stark die jeweiligen Inputparameter für das Ergebnis verwendet wurden. Damit ist auch unklar, ob der Algorithmus moralischen Ansprüchen genügt. Ein aktuelles Beispiel ist hier der Algorithmus von Apple Pay, der wegen Diskriminierung durch Geschlecht (Gender bias) kritisiert wird. KI agiert von sich aus zunächst einmal völlig neutral, da die Bedeutung der Input Daten semantisch nicht erfasst wird, sondern lediglich, wie oben beschrieben, nur die statistischen Zusammenhänge einfließen. Um moralischen Vorgaben zu genügen ist es zum Beispiel möglich, die Inputparameter für KI mit Sorgfalt zu wählen. Bei einer KI-gesteuerten Auswahl von Lebensläufen zum Beispiel wären Inputparameter wie Hautfarbe, Religion, etc. ungeeignet. Letztendlich wird der Mensch die Ergebnisse der KI prüfen und mit einer „ethischen Brille“ betrachten müssen. Die Erklärbarkeit der Ergebnisse spielt dabei eine wichtige Rolle. Diese Erklärbarkeit spielt vor allem dann eine Rolle, wenn die Ergebnisse eine unmoralische Anwendung vermuten lassen, obwohl kritische Parameter nicht benutzt werden. Wenn beispielsweise die Ergebnisse der Lebenslaufauswahl aus dem obigen Beispiel zu einer überproportional häufigen Auswahl an Männern führt, dann kann das vielfältige Gründe haben. Die unmoralische Verwendung des Parameters Geschlecht ist nur eine davon.

Konkrete Einsatzmöglichkeiten und erste Praxiserfahrungen

Informieren Sie sich in unserem Seminar „Künstliche Intelligenz und Data Analytics in der Finanzbranche“, welche konkreten Anwendungsbereiche sich für KI und Data Analytics in Ihrem Finanzinstitut ergeben.

KI in der Finanzbranche

Rückblick: Künstliche Intelligenz in der Finanzbranche

Die Finanzbranche befindet sich im Umbruch und hat mit der Künstlichen Intelligenz ein neues Anwendungsfeld im Bereich der digitalen Transformation geschaffen. Welche Methoden können bei der Optimierung von Geschäftsprozessen helfen? Und was kommt in den kommenden Jahren noch auf die Branche zu?
Jetzt kostenlos herunterladen!

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

An den Anfang scrollen

Künstliche Intelligenz in der Finanzbranche - wie gelingt das?

Die Finanzbranche befindet sich im Umbruch und hat mit der Künstlichen Intelligenz ein neues Anwendungsfeld im Bereich der digitalen Transformation geschaffen. Wie können Sie Ihre Geschäftsprozesse optimieren?

Jetzt herunterladen!

Download: Künstliche Intelligenz in der Finanzbranche - wie gelingt das?

Künstliche Intelligenz: Mythen, Daten & Fakten

Welche KI-Mythen sind wahr? Lernen Sie beim Lesen oder Filmeschauen die neusten Debatten zur Künstlichen Intelligenz kennen und erweitern Sie Ihren Horizont!

Jetzt mehr erfahren!

Download: KI kann auch unterhaltsam sein!