Dr. Sai Zeng, Head of AI CoE & Distinguished Engineer bei UBS, bei AI for Financial Services NYC - AI Successes in Investment Management

Über Sai Zeng: Bei UBS leitet sie die Umsetzung von KI-gesteuerten Strategien zur Verbesserung des data-Managements, der Risikoreduzierung und der operativen Effizienz in allen Konzernfunktionen der Bank.

Über UBS: UBS ist ein globales Finanzdienstleistungsunternehmen, das Wealth Management, Asset Management und Investment Banking anbietet. Sie ist an den wichtigsten Finanzplätzen der Welt tätig und bietet einer breiten Kundschaft maßgeschneiderte Finanzlösungen an.

Die Replikation leitender data-Wissenschaftler und die Integration verschiedener Talente in den Bereichen maschinelles Lernen, Deep Learning und NLP sind entscheidend für die Skalierung von KI-Technologie. Die gemeinsame Entwicklung von Lösungen mit Entwicklungsteams und Geschäftsinteressenten fördert einen “Full-Stack-data-Wissenschaftler”-Ansatz.

KI und maschinelles Lernen werden als Erweiterungen bestehender Produkte und Lösungen betrachtet, nicht als eigenständige Produkte. Dies fördert die enge Zusammenarbeit mit Entwicklungsteams und Produktverantwortlichen, um KI-Modelle in bestehende Frameworks zu integrieren.

Die Teams widmen etwa 20% ihrer Kapazität der Innovation und dem Experimentieren mit neuen großen Sprachmodellen (LLMs) und Technologien. Dieser strukturierte Ansatz stellt sicher, dass problemorientiertes Experimentieren mit den Unternehmenszielen übereinstimmt und ein Gleichgewicht zwischen dem Bedarf an Innovation und der Erzielung von messbarem Fortschritt und Wert schafft.

Zu den KI-Anwendungen gehören ein Suchtool für juristische Dokumente, das die Suchfunktionalität für 20 Millionen Dokumente verbessert, und ein Auto-Kommentar-Tool für Finanzcontroller, das die data-Aggregation und die Erstellung von Kommentaren automatisiert. Diese Tools verbessern die betriebliche Effizienz und erfüllen spezifische Geschäftsanforderungen.

Es ist wichtig, Mitarbeiter einzustellen, die KI-Algorithmen verstehen und Fähigkeiten in Produktlösungen integrieren können. Dazu gehört ein “Full-Stack data scientist”-Konzept, bei dem Fachleute sich mit KI, Softwareentwicklung, Bereitstellung und Skalierbarkeit in der Produktion auskennen und so von Anfang an einen ganzheitlichen Ansatz gewährleisten.

Die Zeit, die wir uns für Innovationen nehmen, wird von echten Problemen bestimmt. Nach der Übernahme der Credit Suisse gab es einen konkreten Anwendungsfall, bei dem es um HR-Anfragen zum Vergleich von 401(k)-Plänen ging. Diese Untersuchung ging über einfache Fragen hinaus und führte zu komplexen Multi-Agenten-Systemen, die zu weiteren Untersuchungen und Innovationen anregten.

KI im Finanzdienstleistungsbereich konzentriert sich auf betriebliche Effizienz und Kosteneinsparungen, mit Vorteilen wie verbessertem Kundenerlebnis und Vertrieb/Marketing. KI-Anwendungen in internen FAQ-Chatbots, automatisierte Berichterstellung und Automatisierung in Bereichen wie Geldwäschebekämpfung (AML) und KYC-Prozesse (Know-Your-Customer) gehen schnell in Produktion.

Ein Tool für die Suche nach juristischen Dokumenten stand vor Herausforderungen wie der Verarbeitung von 20 Millionen Dokumenten und der Implementierung einer Zugriffskontrolle. Das Team entwickelte eine Google-ähnliche Suche für juristische Dokumente und konzentrierte sich dabei auf Skalierbarkeit und Zugriffskontrolle. Der Weg vom Proof of Concept zur Produktion dauerte über ein Jahr.

Ein Auto-Kommentar-Tool für Finanzcontroller automatisiert die data-Aggregation und die Erstellung von Kommentaren. Dieses Tool rationalisiert den Prozess der Erläuterung wesentlicher Änderungen in der Gewinn- und Verlustrechnung (GuV) und ersetzt die manuelle data-Sortierung durch automatische Lösungen. Es integriert umfangreiche Sprachmodelle, um Sprachmuster zu erkennen und tägliche Kommentare zu generieren.

KI-Modelle folgen etablierten Genehmigungsprozessen ähnlich wie Risikomodelle. Durch den Nachweis von Input, Output und Metriken wird die Einhaltung von Governance-Standards sichergestellt. Große Sprachmodelle benötigen neue Validierungsansätze, die die sich entwickelnde Natur der KI-Technologien widerspiegeln.

Die Gewährleistung von Genauigkeit ohne Halluzinationen ist eine Herausforderung, insbesondere in strukturierten data-Umgebungen. Die Lösung besteht in der Verwendung von KI-Modellen, die data interpretieren und Antworten zusammenstellen, um Fehler zu minimieren. Die Interaktion mit großen Sprachmodellen konzentriert sich auf das Zusammenstellen von Antworten auf der Grundlage von präzisen data, die über SQL-Anweisungen extrahiert wurden.