Die Zukunft freisetzen: Wie sich Finanzinstitute auf die Skalierung vorbereiten können AI

Nach Angaben von The Economist hatten im Jahr 2020 bereits 54 % der großen Finanzinstitute (FI) artificial intelligence eingeführt. Hinzu kommt, dass 86 % der Führungskräfte im Finanzsektor angeben, dass sie die Investitionen in AI bis 2025 erhöhen wollen. Und in einer anderen Umfrage gaben 81 % an, dass die Erschließung des Wertes von AI das Hauptunterscheidungsmerkmal zwischen Gewinnern und Verlierern im Bankensektor sein wird.

"Es gibt eindeutig einen sehr starken Nutzen für AI in Finanzinstituten", sagte Athena. "Investmentbanken sind vielleicht die frühesten Anwender und Nutznießer der maschinellen Lerntechnologie im Bereich des algorithmischen Handels. Immerhin nutzen 70 % der Finanzinstitute maschinelles Lernen für die Betrugserkennung, die Kreditwürdigkeitsprüfung oder die Vorhersage von Cashflow-Ereignissen, und die Konversation AI wird häufig im Privatkundengeschäft und bei Versicherungen eingesetzt. Trotzdem gelingt es vielen Finanzinstituten nicht, ihre AI Projekte in die Praxis umzusetzen, um einen konkreten, unternehmensweiten Nutzen zu erzielen.

Athena erläuterte die wichtigsten Herausforderungen für den Projekterfolg AI und wie man sie überwinden kann:

Für Athena besteht eine der Hauptschwierigkeiten für Finanzinstitute darin, dass ihre Kerntechnologie für traditionelle Abläufe wie Zahlungsverkehr, Kreditvergabe und Forderungsmanagement konzipiert ist. "Ältere IT-Strukturen haben nicht die Flexibilität, um AI zu nutzen. Die Rechenkapazität für data Management und Analysen, die in einer VR-Anwendung mit geschlossenem Kreislauf benötigt werden, ist einfach nicht vorhanden, und das Testen und Entwickeln von AI Technologien kann Tage oder sogar Monate dauern - unerschwinglich, wenn man innovativ sein will. Die Lösung? Ändern Sie die Kerntechnologien: wechseln Sie zu Cloud Computing.

"Eine Cloud-Umgebung kann die Zeit, die zum Testen und Entwickeln von AI Lösungen benötigt wird, dank verwalteter Dienste auf wenige Minuten reduzieren", versichert Athena. "Eine Bank, mit der ich zusammengearbeitet habe, hat vor zwei Jahren mit der Umstellung auf die Cloud begonnen, und ihre Innovationsrate ist laut ihren eigenen KPIs um etwa 49 % gestiegen. Das mag wenig erscheinen, aber für ein etabliertes, monolithisches Institut ist das ziemlich revolutionär."

Eine weitere Facette dieser Herausforderung sind Investitionen in die Verwaltung von data - sowohl im Hinblick auf die Qualität von data als auch auf den Zugang zu data . In Finanzinstituten ist data auf verschiedene Geschäftsbereiche und Abteilungen verteilt. Infolgedessen ist data nicht standardisiert, die Qualität ist schwer zu verwalten, und es gibt keine einzige Quelle der Wahrheit, so dass die Beteiligten nicht sicher sind, ob die data zugrunde liegenden vorgeschlagenen Projekte vertrauenswürdig sind. "Investitionen in moderne data Governance und data Managementpraktiken sind für Finanzinstitute von entscheidender Bedeutung", betont Athena. "Und eine Schlüsselkomponente davon ist das, was wir ein Enterprise Data Model oder EDM nennen. Dabei handelt es sich nicht um ein IT-Konzept, sondern um eine Methode zur Beschreibung und logischen Organisation Ihrer data - all Ihrer data - in einer geschäftsrelevanten Sprache - eine Art Geschäftsglossar, wenn Sie so wollen, das das data Qualitätsmanagement für alle zertifizierten Nutzer vereinfacht."

Der letzte Teil dieser Herausforderung ist der Zugang zu data .

"Data ist der wertvollste Rohstoff, den ein Unternehmen besitzt; der Schlüssel zur Nutzung seines Wertes ist der Zugang zu Analysen in großem Umfang, zum Zeitpunkt der Entscheidungsfindung. In Banken ist dies aufgrund der Vertraulichkeit von data besonders schwierig. Eine innovative Lösung besteht darin, API-fähige Datenbanken für einen effektiveren und sichereren data Zugang zu schaffen, aber in großem Umfang und in Echtzeit, um Ihre Geschäftsziele zu erfüllen."

Die zweite Herausforderung für die Finanzinstitute liegt in dem von ihnen verwendeten Betriebsmodell. Die meisten sind nach Geschäftsbereichen organisiert, oft mit zentralisierten IT-Funktionen, was ihre Innovationsfähigkeit einschränkt. Die Leiter der Geschäftsbereiche legen ihre eigenen Agenden und AI Strategien fest, was zu fragmentierten Teams und einem Wasserfall-Ansatz führt, der Verzögerungen, Kostenüberschreitungen, suboptimale Leistungen und ein völliges Fehlen einer Test- und Lernmentalität zur Folge hat. Finanzintermediäre müssen in der Lage sein, iterativ zu arbeiten, um kontinuierlich zu innovieren und zu verbessern - eine Notwendigkeit, um AI zu skalieren, denn niemand macht es beim ersten Mal richtig.

"Wir von Artefact schlagen stattdessen ein agileres und flexibleres zukunftsorientiertes Betriebsmodell vor, das auf data Produkten basiert. Ein data Produkt ist im Wesentlichen eine Reihe von data Lösungen, die sich direkt auf eine geschäftliche Herausforderung oder ein Geschäftsergebnis beziehen. Jedes data Produkt wird von einem eigenen Team entwickelt, das über ein eigenes Budget, eigene Ressourcen und eigene KPIs verfügt."

"Nehmen wir an, Sie haben ein Kunden-360-Team aus Geschäfts-, IT- und data Interessengruppen. Sie können mehrere data Produkte für das Unternehmen sowie für externe Kunden bereitstellen, sodass Sie eine Kunden-360-Analyseschicht erhalten. Data Wissenschaftler und Ingenieure können diese Analyseschicht nutzen, um AI ML-Lösungen zu testen und zu lernen. Sie könnten auch ein Kunden-360-Dashboard mit relevanten KPIs für Ihre Vertriebsmitarbeiter bereitstellen und es zur Verbesserung des Customer Lifetime Value nutzen. Sie könnten auch Ihrem Marketingteam data Informationen zur Optimierung und Personalisierung zur Verfügung stellen, damit sie ihre Budgets besser einsetzen können."

Die Möglichkeiten sind endlos, aber im Wesentlichen erlaubt ein modulares Betriebsmodell Ihren Teams, besser zusammenzuarbeiten und auf ein gemeinsames strategisches Ziel hinzuarbeiten, anstatt in den Silos, die derzeit Finanzintermediäre trennen - ebenso wie eine Vielzahl von Unternehmen in allen Branchen, in denen Produktteams noch keine Realität sind.

Investitionen in AI Ethik und Regulierung sind für Finanzinstitute gerade jetzt entscheidend. Data Bei der Überprüfung des von der Europäischen Kommission vorgeschlagenen RechtsaktsArtificial Intelligence vertritt der Europäische Datenschutzbeauftragte(EDSB) die Auffassung, dass ein stärkerer Schutz der Grundrechte erforderlich ist, einschließlich eines stärkeren Schutzes der Grundrechte des Einzelnen, einschließlich des Rechts auf Privatsphäre und des Schutzes der persönlichen Daten data.

Jeder, der Software im Zusammenhang mit biometrischer Technologie in Finanzinstituten, im Personalmanagement oder bei der Bonitätsprüfung von Personen einsetzt, soll regulatorischen Beschränkungen unterliegen. Nach dem derzeitigen Stand der Dinge wird dies fast alle Finanzinstitute betreffen. Während das volle Ausmaß der zukünftigen AI Regulierung noch niemandem klar ist, steht fest, dass die Vorschriften auf ethischen Grundsätzen beruhen werden. Viele Führungskräfte in der Finanzdienstleistungsbranche haben jedoch das Gefühl, dass ihre Unternehmen die ethischen Fragen im Zusammenhang mit AI nicht verstehen.

Artefact schlägt vor, ein ethisches internes AI Governance-Rahmenwerk zu entwickeln, das alle Aspekte der AI Ethik abdeckt, einschließlich der Käufer, einschließlich data Management, Modellschulung und Umschulung AI Erklärbarkeit. Um dies zu erreichen, kann der Rat von Experten nützlich sein, aber was wirklich benötigt wird, ist ein zweiteiliger Bewusstseinswandel, der alle Aspekte der AI Ethik abdeckt, einschließlich Käufer, data Management, Modellschulung und Umschulung AI Erklärbarkeit.

Die erste Veränderung erfordert eine umfassende Beteiligung der Interessengruppen, indem diese dazu gezwungen werden, sich von der Silo-Mentalität, den Abteilungen und den Betriebsmodellen zu lösen, die Sie daran hindern, die AI zu produzieren. Der zweite Schritt ist der Übergang von einer risikoscheuen zu einer Pioniermentalität. Dies erfordert einen tief greifenden kulturellen Wandel, bei dem die gesamte Organisation ein hohes Maß an Wissen über die Auswirkungen von AI, seine Anwendungen und seine Ethik erlangt, um innovativ zu sein, ohne unverantwortlich zu handeln.

"Es ist nicht einfach, vor allem in einer Branche, in der die Risikoaversion tief verwurzelt ist. Aber wenn es um die Einführung von AI geht, haben die Finanzinstitute meiner Meinung nach keine großen Wahlmöglichkeiten. Es geht nicht darum, ob oder wie AI einen Mehrwert für Ihr Unternehmen schaffen kann. Es geht darum, wie man AI in das Tagesgeschäft einbinden kann, um in einem sich schnell verändernden globalen Markt relevant und wettbewerbsfähig zu bleiben."