Weit oben im Hype Cycle: Banken und Finanzunternehmen nähern sich Technologien wie maschinellen Lernen und Deep Learning in großen Schritten. Die Erwartungen sind groß. McKinsey geht davon aus, dass Künstliche Intelligenz dem globalen Bankensektor jährlich bis zu eine Billion Dollar zusätzlichen Wert erzeugt. Autonomous Research sagt voraus, dass Finanzinstitute bis 2030 mit Hilfe von Künstlicher Intelligenz ihre Betriebskosten um 22 Prozent senken können.
Aufgrund des enormen Potenzials der Künstlichen Intelligenz und der Fortschritte bei den Rechen- und Speicherressourcen, den umfangreichen Datenquellen und den flexiblen Entwicklungstools kann man heute mit Sicherheit sagen, dass der routinierte Umgang mit Künstlicher Intelligenz künftig zu einem Erfolgsfaktor wird. Nutzen bislang die meisten Unternehmen Künstliche Intelligenz und Machine Learning lediglich für periphere Funktionen wie Chatbots, werden diese Technologien künftig der Schlüssel zu Produktivität und mehr Umsatz. Das gilt vor allem für die Finanzbranche, die Echtzeit, global und digital arbeitet.
Mit ihren riesigen Datensätzen und ihrer umfangreichen Erfahrung mit Analysetools haben Finanzunternehmen einen Vorteil, wenn es um Künstliche Intelligenz und maschinelles Lernen geht. Angesichts der Herausforderungen im Zusammenhang mit der Einhaltung von Vorschriften, Altsystemen und isolierten Daten ist jedoch ein praktischer Ansatz für die unternehmensweite Implementierung dieser Technologie erforderlich. Pure Storage, ein Anbieter von Datenspeichertechnologien und -services, erläutert die Erfolgshebel für den Einsatz Künstlicher Intelligenz in sechs Schritten:
1. Künstliche Intelligenz muss einem Zweck dienen
Dies ist wohl der wichtigste Schritt. Jedes Projekt mit Künstlicher Intelligenz muss eine klare Begründung oder ein „Warum“ haben, das den Stakeholdern mitgeteilt werden kann. Dabei geht es um:
- Gewinnung neuer Erkenntnisse über Märkte und Kunden
- Nutzung neuer oder alternativer Daten für die Entscheidungsfindung
- Verbesserung der Effizienz durch Automatisierung von Workflows
- Verkürzung der Markteinführungszeit für neue Produkte und Dienstleistungen
- Verbessertes Risikomanagement und höhere Genauigkeit
Ein offensichtliches „Warum“ für Künstliche Intelligenz ist die Automatisierung sich wiederholender, geringwertiger Aufgaben, um menschliche Fehler zu reduzieren und Ressourcen für strategische Aufgaben freizusetzen. In der Vermögensverwaltung kann die Automatisierung beispielsweise die Aufnahme von Kundenbeschleunigen und so das Kundenerlebnis verbessern, Fehler reduzieren und die Mitarbeiter von der Abarbeitung von Kästchen befreien, so dass diese ihre Fähigkeiten für wertvollere Aufgaben einsetzen können.
Ein weiteres wichtiges „Warum“ für den Einsatz von Künstlicher Intelligenz und Machine Learning könnte das schnelle Erkennen von Betrugsmustern sein, das zielsichere Aussortieren von Fehlalarmen oder das Blockieren bösartiger Aktivitäten, bevor diese sich auf das Geschäft auswirken. Algorithmen für Machine Learning erkennen versteckten Betrug, indem sie sich auf subtile Musteränderungen konzentrieren. Im Gegensatz zu regelbasierten Prozessen werden Algorithmen mit wachsenden Datensätzen effizienter und effektiver.
Sobald Unternehmen das „Warum“ verstanden haben, sollten sie es ihren Stakeholdern vermitteln. Der langfristige Erfolg der Projekte mit Künstlicher Intelligenz erfordert die Fähigkeit, über kurzfristige finanzielle Gewinne hinaus ein breiteres Verständnis für die Rolle dieser Technologie bei der Umgestaltung des Unternehmens und der Erreichung seiner längerfristigen strategischen Ziele zu entwickeln. Werden nicht von Anfang an realistische Erwartungen formuliert, könnten die Stakeholder zu optimistische Erwartungen haben. Das wiederum wiederspricht der iterativen Arbeitsweise, die für derartige Projekte am besten passt.
2. Auf das „Warum“ folgt das „Was“
Was ist das Geschäftsproblem, das es zu lösen gilt, und welche Lösungen sind zu erwarten? – So lautet die Kernfrage. Die Art und Weise, wie Unternehmen das Geschäftsproblem formulieren, kann dafür sorgen, dass es sich gut oder schlecht für Künstliche Intelligenz eignet. Zunächst gilt es die Machbarkeit des Algorithmus zu prüfen: Eignet sich dieses Problem für einen Algorithmus? Nicht alles passt. Hohe Hürden können entweder die Art oder der Menge der benötigten Daten oder die Art der zu analysierenden Ereignisse darstellen. Generell kann Künstliche Intelligenz nicht alle Probleme lösen.
Im nächsten Schritt sollten Unternehmen prüfen, ob es bereits existierende Algorithmen gibt, die zu ihrem Problem passen. Ist dies nicht der Fall, müssen sie Zeit für die Entwicklung, Prüfung und Anpassung eigener Algorithmen einkalkulieren. Dabei müssen sie auch die potenziellen Auswirkungen des Projekts bewerten und sich beispielsweise fragen, ob die Lösung dieses Problems einen wertvollen Einfluss auf das Unternehmen hat, ob das Endergebnis den Umsatz oder die Kundenerfahrung verbessern oder die Kosten oder das Risiko verringern.
Eng verwandt damit ist die Frage, ob Künstliche Intelligenz in einem Projekt ein wiederkehrendes Problem angeht, oder ob es sich um eine einmalige Situation handelt. Der nächste Blick gilt den Daten. Die Verantwortlichen müssen klären, ob die Projektbeteiligten über die richtige Art und Menge an Daten verfügen, um das analytische Modell so zu trainieren, dass es arbeiten kann. Das Team sollte sich auf seine Data Scientists verlassen, um den besten Ansatz für die Anwendung von Künstlicher Intelligenz und maschinellem Lernen sowie die für die Verarbeitung, Extraktion, Umwandlung und Filterung der Daten erforderlichen Tools zu ermitteln.
3. Projekte brauchen ein gutes Team
Künstliche Intelligenz ist ein Mannschaftssport. Unternehmen brauchen gute Data Scientists, die Geschäftsprobleme in Modelle für maschinelles Lern übersetzen. Kümmern sich allerdings die Datenwissenschaftler um die Infrastruktur kümmern oder agieren sie als Datenbetreuer, dann kann das Team nicht effizient arbeiten. Die wirklich guten Teams verfügen über ein ausgewogenes Verhältnis von Fähigkeiten und Persönlichkeiten sowie über eine Teamkultur, die es ihnen ermöglicht, Ergebnisse zu erzielen.
Unternehmen, die Künstliche Intelligenz erfolgreich zu einem integralen Bestandteil ihrer Geschäftsstrategie machen, nutzen einen AIOps/MLOps-Ansatz (Artificial Intelligence for IT-Operations/Machine Learning Operations), der einen flachen, agilen Arbeitsablauf ermöglicht, bei dem die Teamarbeit im Vordergrund steht und nicht die vertikale Weitergabe von Aufgaben. Wiederholte Iterationen – „test, tune, train, rinse, and repeat“ – sind erforderlich, um zu brauchbaren Systemen zu gelangen. Daher muss das Team nahezu ständig in Kontakt sein, um schnell zu experimentieren, auch zu scheitern und in einer Reihe kurzer, wiederholbarer Schritte zu lernen.
4. Die eigenen Daten in Ordnung bringen
Liegen die Zustimmung und das Budget der Führungsebene sowie die benötigten Daten vor und das Team ist zusammengestellt, ist es an der Zeit, das Datenhaus in Ordnung zu bringen. Wie die Durchsicht aktueller Berichte über Künstliche Intelligenz zeigt, sind Daten das häufigste Thema in Projekten. Gartner prognostiziert, dass bis 2024 mehr als die Hälfte der Finanzunternehmen Probleme mit der Skalierung ihrer Lösungen auf Basis Künstlicher Intelligenz haben.
Die richtige Infrastruktur ist entscheidend, um bei Künstlicher Intelligenz von einer vielversprechenden Idee zu besseren Geschäftsergebnissen zu gelangen. Die Fähigkeit, auf große Mengen strukturierter und unstrukturierter Daten zuzugreifen und diese zu verarbeiten, ist notwendig, um die Algorithmen mit den Daten zu versorgen, die für einen Return on Investment nötig sind.
Während sich die meisten Prozessautomatisierungen bisher auf die einfach zu verarbeitenden strukturierten Daten konzentriert haben, steigt das Volumen unstrukturierter Daten in der Digitalisierung rasant an. Gartner geht davon aus, dass unstrukturierte Daten künftig 80 bis 90 Prozent aller neuen Unternehmensdaten ausmachen und dreimal schneller wachsen als strukturierte Daten.
Um in dieser Datenwelt erfolgreich zu sein, muss die IT-Infrastruktur vier zentrale Herausforderungen angehen:
- Konsolidierung: Unabhängig davon, ob Unternehmen Texte und Bilder für die Marktanalyse oder Gewinnprotokolle und Finanzberichte für die Erstellung komplexer Algorithmen für den Handel nutzen, benötigen sie einen Speicher, der alle ihre Daten effektiv konsolidieren kann.
- Leistung: Workflows für Machine Learning erfordern leistungsstarke Rechenleistung, schnellen Speicher und enormen Durchsatz, um große Datenmengen und komplexe Algorithmen zu verarbeiten.
- Integration: Um einen Mehrwert zu schaffen, müssen sich Modelle für Machine Learning in bestehende Systeme und Anwendungen integrieren. Dies kann in Finanzunternehmen mit komplexen Legacy-Plattformen und isolierter Infrastruktur eine Herausforderung darstellen.
- Wiederverwendung: Eine erfolgreiche Implementierung von Künstlicher Intelligenz sowie der automatisierte Betrieb von IT-Systemen auf Basis von Machine Learning erfordern die anwendungsübergreifende Wiederverwendung von Daten und die Möglichkeit, neue Daten zu nutzen, welche im Machine Learning entstehen.
5. Feedbackschleifen sichern die Qualität
„Was man nicht messen kann, kann man auch nicht verbessern“, warnt der britische Physiker William Thomson. Auch wenn Künstliche Intelligenz selbst lernt, sind Messungen und Berichte entscheidend für eine kontinuierliche Verbesserung. Das durch die Technologie gewonnene Wissen vermehrt sich rasant. Auch wenn die anfänglichen Gewinne gering sein mögen, kann man davon ausgehen, das Datenvolumen bald einen enormen Umfang erreicht.
Geht es um den Return on Investment, rückt dessen Quantifizierung in den Blick. Die Gründe, die zu Beginn für den Einsatz Künstlicher Intelligenz ermittelt wurden, bestimmen die Schlüsselkennzahlen. Beispiele betreffen die Zeitersparnis bei der Kundenanwerbung, weniger Fehler und ein niedrigeres Compliance-Risiko oder das Identifizieren neuer Geschäftsideen, die zusätzliche Einnahmen bringen.
Die kontinuierliche Überprüfung von Data-Science-Prozessen und -Ergebnissen, sowie der Qualität und Relevanz der Eingabedaten trägt dazu bei, einen sogenannten „Model Drift“ zu erkennen und sicherzustellen, dass die Ergebnisse immer in der gleichen Qualität vorliegen. Der Begriff Model Drift bezeichnet das Phänomen, dass die Vorhersagegenauigkeit von einem Machine-Learning-Modell mit der Zeit nachlässt.
Geht es darum, in der Kreditvergabe Fairness zu garantieren und Verzerrung auszuschließen, müssen Unternehmen erklären können, wie ein Algorithmus zu seinen Ergebnissen kommt.
6. Realistische Zeitpläne und Ziele setzen
Nichts macht Projekte mit Künstlicher Intelligenz schneller zunichte als unrealistische Erwartungen. Der Projekterfolg mit dieser Technologie erfordert eine Reise, und demnach ist Geduld gefragt. Auch wenn der aktuelle Hype dazu führt, dass Führungskräfte sehr schnelle Ergebnisse erwarten, dürften die meisten Unternehmen viele Monate brauchen, um vom Prototyp zur Produktion zu gelangen. Es gibt dabei keine Garantie, dass sie ihr Ziel erreichen. Die Verantwortlichen sollten daher im Voraus realistische Zeitpläne und Ziele festlegen und die Beteiligten auf dem Laufenden halten.
