In meinem letzten Blogpost ging es darum, welche Aufgaben „Robo A“ mir als Bankmitarbeiter womöglich schon abnehmen kann, sodass ich Zeit für wichtigere Themen gewinne. KI spielt in Banken schon lange keine Nebenrolle mehr. Die Suche nach dem ultimativen Use Case, der einerseits über den Hype und andererseits über den schnöden Chatbot hinausgeht, ist in vollem Gange.

Die KI-Anwendungen, die im Bankenumfeld schon genutzt werden, haben im Moment hauptsächlich mit Betrugserkennung oder Vertriebsthemen zu tun. Unternehmensberatungen prognostizieren, dass Sachbearbeitungsprozesse im Backoffice als erstes mit KI automatisiert werden.

Scoring in der Kreditvergabe ist ein Thema, das jetzt langsam in den Fokus rückt. Geoinformationen, die beispielsweise über Open Street Map gesammelt werden, können der Identifikation von solventen Wohngegenden, Straßenzügen oder einzelnen Häusern dienen, deren Bewohnern eine Bank sehr gerne einen Kredit bewilligt. Aber es gibt womöglich auch Situationen, die eine eindeutige Entscheidung erschweren. Stellen wir uns ein durchschnittliches Industrie- oder Mischgebiet vor, in dem irgendwo ein Haus steht, das zu Lofts umgebaut wurde und deshalb einen sehr hohen Mietpreis erzielt hat. Dort könnte ich also durchaus auch die wünschenswerten solventen Kunden antreffen!

Deep Learning kann hier als Verfahren von Fall-zu-Fall-Bewertungen erleichtern, indem nicht ein Gebiet als Ganzes bewertet wird, sondern einzelne Attribute wie „Hanglage mit guter Sicht“ oder „Loft-Umbau“ zum Tragen kommen, die einen hohen Mietpreis – und damit eine wirtschaftlich gute Stellung des Mieters oder Eigentümers – signalisieren.

Doch die Frage „Was kann ich mit den Daten machen?“ darf nicht losgelöst von ethischen Fragen behandelt werden. Denn dass KI hilft, Entscheidungen zu treffen ist gut und schön, muss aber auch nachvollziehbar sein – nicht zuletzt wegen der hohen regulatorischen Anforderungen an die Banken. Im Risikomanagement oder in der Betrugserkennung beispielsweise sind traditionelle Verfahren wie logistische Regression durchaus erwünscht, weil diese Modellierungen für Prüfer nachvollziehbar sind. Damit ist erklärbar, warum ich einen Kredit zu einem gewissen Zinssatz erhalte oder inwieweit ein Geldwäscheverdacht begründet ist. Deep Learning kann allerdings mitunter bessere Ergebnisse erzielen und der Bank einen Wertbeitrag liefern, da mehr Betrüger identifiziert werden, was höhere Kosteneinsparung bedeutet. Stand heute sind diese Verfahren jedoch für viele Bankprozesse noch gar nicht durch die BaFin zugelassen. Banken verwenden diese Technologie daher bis dato lediglich zur Validierung ihrer herkömmlichen Verfahren. Liefert KI allerdings bessere Ergebnisse, wird der Druck auf die BaFin irgendwann größer, diese neuen Verfahren auch zuzulassen.

Blicken Sie hinter den Hype. Die Podcastreihe „KI kompakt” bringt Sie in nur 20 Minuten pro Sendung auf den neusten Stand der Dinge in Sachen Artificial Intelligence.