Künstliche Intelligenz (KI) – Trend oder Realität im Compliance-Umfeld?

Auch wohlüberlegte, rationale und nachvollziehbare menschliche Entscheidungen führen gelegentlich zu unerwünschten Ergebnissen. Auf der Suche danach, die Qualität von (bestimmten) Entscheidungen zu verbessern und das Risiko zu minimieren, wird häufig der Einsatz von Künstlicher Intelligenz genannt. Die ideale Grundlage für KI-Modelle bildet ein strukturierter Datenhaushalt, der problemlos auswertbar ist. Gerade im Compliance-Bereich, der von zahlreichen Entscheidungssituationen basierend auf der vorliegenden Datenbasis geprägt ist, scheint der Einsatz von KI daher nahezu unerlässlich. Doch hierfür sollten die Voraussetzungen geschaffen werden.

Künstliche Intelligenz ist ein weit verbreiteter Begriff und spielt in den Debatten über Digitalisierungs- und Automatisierungsprojekte eine der Hauptrollen. Auch in der Bankenbranche ist häufig die Rede von KI und möglichen Anwendungsfällen. Lassen sich solche Anwendungsfälle aber auch realistisch umsetzen oder handelt es sich hierbei einfach nur um einen Trend, der schon bald wieder abebbt, ohne bei Banken größere Spuren hinterlassen zu haben?

Was bedeutet KI in der Bankenbranche? Wir von PPI verstehen unter KI jede Technologie, die in der Lage ist, auf der Basis von Beobachtungen Entscheidungsregeln abzuleiten und Unbekanntes bewerten zu können. Demnach fallen eine Reihe von Technologien in dieses Raster, bspw. Data Mining, Advanced Analytics, Supervised Machine Learning, Unsupervised Machine Learning, Reinforcement Learning, etc.

Im engeren Sinne ist KI nichts anderes, als die Fähigkeit, Prognosen auf Basis statistischer Auswertungen zu treffen. Die Basis hierfür ist eine gute und strukturierte Datenbasis und -qualität. Viele Daten, die in Banken zahlreich vorhanden sind, haben ein enormes Potential und durch eine intelligente Auswertung lassen sich Korrelationen und Querverbindungen ausfindig machen, die ein menschliches Auge so vielleicht nicht erkennen konnte und somit auch nicht für eine Entscheidung zugrunde legen konnte. Und genau hier liegen die Anwendungsfälle.

Die grundlegende Frage ist, welche Technologien heute bereits einsetzbar und im Compliance-Umfeld geeignet sind. Schon vor vielen Jahren hat man sich mit Data Mining und dessen Potential auseinandergesetzt. Aber erst heute lässt sich Data Mining sinnvoll einzusetzen. Hierbei werden statistische Modelle systematisch angewendet, um Querverbindungen bzw. Muster zu erkennen. In Kombination mit Machine Learning (ML) ist damit der Durchbruch geschafft und es sind Technologien entwickelt (bekannt als Advanced Analytics), die nahezu überall einsetzbar sind und mit denen KI schon heute vom Trend zur Realität werden kann. Besonders die Anwendung von ML wird heute als KI bezeichnet und eingesetzt. Über die Einsetzbarkeit von KI im Bereich der Geldwäscheprävention haben wir bereits in einem der letzten Beiträge gesprochen.

Allgemein definiert ist ML nichts anderes, als die Fähigkeit eines Algorithmus, durch Ereignisse – in diesem Fall Daten – zu lernen und Modelle für Prognosen zu verbessern. Dabei werden vorab Korrelationen zwischen den Daten gesucht (Supervised ML) oder Klassifizierungen gebildet und mithilfe von Regressionen analysiert (Unsupervised ML). Die Prognosegenauigkeit steigert sich dabei mit zunehmenden Daten (was aber wiederum auch zu „Overfitting“ führen kann und daher nicht immer sinnvoll sein muss). Somit sind fast alle Entscheidungsprozesse in sämtlichen Compliance-Themenfeldern potentiell KI-geeignet. Noch zielgerichteter gestaltet sich ein Einsatz in solchen Situationen, in denen unter Druck Entscheidungen zu treffen sind. So lassen sich zum Beispiel im Fraud-Bereich eine Reihe von Anwendungsfällen identifizieren.

Genauso wichtig wie das Modell selbst ist die Erklärbarkeit. Die oben erwähnten verschiedenen Formen von ML, basieren auf unterschiedlichen Modellen. Prinzipiell lassen sich alle Modelle wissenschaftlich erklären und obwohl die Entscheidungen komplex sind, können sie nachvollziehbar dargestellt werden. Wichtig ist hierbei jedoch, die Datenbasis und die statistischen Modelle kontinuierlich zu prüfen und zu verbessern. Das Potential von KI für Banken ist da: in vielen Fällen kann KI Entscheidungen nachhaltig verbessern und somit das Gesamtrisiko reduzieren. In jedem Fall sind eine Einzelbetrachtung und eine Vorstudie sinnvoll, um eine angemessene Technologie einzuführen und unnötige Aufwände zu vermeiden. PPI unterstützt Sie gerne bei der Identifizierung und Bewertung von KI-Anwendungsfällen für Ihr Institut.

Für weitere Informationen kommen Sie auf uns zu!

Weitere Infos: https://www.ppi.de/banken/compliance/regtech/

Schreibe einen Kommentar

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

  +  2  =  5

Verwandte Artikel