Dr. Sai Zeng, Leiter des AI und Distinguished Engineer bei UBS, auf AI Financial Services NYC“ – AI im Investmentmanagement

Über Sai Zeng: Bei UBS leitet sie die Umsetzung AI Strategien zur Verbesserung data , der Risikominimierung und der betrieblichen Effizienz in den Konzernfunktionen der Bank.

Über UBS: UBS ist ein weltweit tätiges Finanzdienstleistungsunternehmen, das Dienstleistungen in den Bereichen Vermögensverwaltung, Asset Management und Investment Banking anbietet. Das Unternehmen ist in den wichtigsten Finanzzentren weltweit vertreten und bietet einer vielfältigen Kundschaft maßgeschneiderte Finanzlösungen an.

Die Einbindung erfahrener data und die Einbindung vielfältiger Talente in den Bereichen maschinelles Lernen, Deep Learning und NLP sind entscheidend für die Skalierung von AI . Die gemeinsame Entwicklung von Lösungen mit Entwicklungsteams und Stakeholdern aus dem Geschäftsbereich fördert einen data Full data Ansatz.

AI maschinelles Lernen werden als Erweiterungen bestehender Produkte und Lösungen betrachtet, nicht als eigenständige Produkte. Dies fördert eine enge Zusammenarbeit mit Entwicklungsteams und Produktverantwortlichen, um AI in bestehende Rahmenbedingungen zu integrieren.

Die Teams widmen etwa 20 % ihrer Kapazitäten der Innovation und dem Experimentieren mit neuen großen Sprachmodellen (LLMs) und Technologien. Dieser strukturierte Ansatz stellt sicher, dass problemorientierte Experimente mit den Unternehmenszielen im Einklang stehen und schafft so ein Gleichgewicht zwischen dem Innovationsbedarf und der Erzielung messbarer Fortschritte und Mehrwert.

Zu AI gehören ein Suchwerkzeug für juristische Dokumente, das die Suchfunktionalität für 20 Millionen Dokumente verbessert, sowie ein Tool zur automatischen Kommentargenerierung für Finanzcontroller, das data und die Erstellung von Kommentaren automatisiert. Diese Tools steigern die betriebliche Effizienz und gehen auf spezifische geschäftliche Anforderungen ein.

Es ist entscheidend, Mitarbeiter einzustellen, die AI verstehen und deren Funktionen in Produktlösungen integrieren können. Dies erfordert das Konzept data Full data , bei dem die Fachkräfte über Kenntnisse in den Bereichen AI, Softwareentwicklung, Bereitstellung und Skalierbarkeit in der Produktion verfügen, um von Anfang an einen ganzheitlichen Ansatz zu gewährleisten.

Die für Innovationen aufgewendete Zeit wird von konkreten Problemen bestimmt. Nach der Übernahme der Credit Suisse betraf ein konkreter Anwendungsfall Personalabfragen zum Vergleich von 401(k)-Plänen. Diese Untersuchung ging über einfache Fragen hinaus und erstreckte sich auf komplexe Multi-Agenten-Frameworks, was zu weiteren Untersuchungen und Innovationen anregte.

AI Finanzdienstleistungssektor konzentriert sich auf betriebliche Effizienz und Kosteneinsparungen und bietet Vorteile wie ein verbessertes Kundenerlebnis sowie Optimierungen in den Bereichen Vertrieb und Marketing. AI wie Chatbots für interne FAQs, automatisierte Berichterstellung sowie Automatisierung in Bereichen wie der Geldwäschebekämpfung (AML) und den Know-Your-Customer-Prozessen (KYC) werden zunehmend in der Praxis eingesetzt.

Ein Suchtool für juristische Dokumente stand vor Herausforderungen wie der Verarbeitung von 20 Millionen Dokumenten und der Implementierung einer Zugriffskontrolle. Das Team entwickelte eine Google-ähnliche Suchfunktion für juristische Dokumente, wobei der Schwerpunkt auf Skalierbarkeit und Zugriffskontrolle lag. Der Weg vom Proof of Concept bis zur Produktionsreife dauerte über ein Jahr.

Ein Tool zur automatischen Kommentierung für Finanzcontroller automatisiert data und die Erstellung von Kommentaren. Dieses Tool optimiert den Prozess der Erläuterung wesentlicher Veränderungen in der Gewinn- und Verlustrechnung (GuV), indem es data manuelle data durch automatisierte Lösungen ersetzt. Es nutzt große Sprachmodelle, um Sprachmuster zu erkennen und tägliche Kommentare zu generieren.

AI durchlaufen etablierte Genehmigungsverfahren, ähnlich wie Risikomodelle. Der Nachweis von Eingaben, Ausgaben und Kennzahlen gewährleistet die Einhaltung von Governance-Standards. Große Sprachmodelle erfordern neue Validierungsansätze, die dem sich ständig weiterentwickelnden Charakter von AI Rechnung tragen.

Die Gewährleistung von Genauigkeit ohne Fehlinformationen stellt eine Herausforderung dar, insbesondere in data strukturierten data . Zu den Lösungen gehört der Einsatz AI zur Interpretation data zur Erstellung von Antworten, wodurch Fehler minimiert werden. Bei der Interaktion mit großen Sprachmodellen liegt der Schwerpunkt auf der Erstellung von Antworten auf der Grundlage präziser data , die mittels SQL-Anweisungen data .