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

Nach Angaben von The Economist hatten etwa 54% der großen Finanzinstitute (FIs) artificial intelligence bereits im vergangenen Jahr eingeführt. 2020, Stellen Sie sich also vor, wo diese Zahlen heute stehen. Hinzu kommt, dass 86% der Führungskräfte in der Finanzbranche angeben, dass sie bis 2025 mehr in KI investieren wollen. Und in einem weiteren Umfrage, 81% sagte, dass die Erschließung von Werten aus der KI das entscheidende Unterscheidungsmerkmal zwischen Gewinnern und Verlierern im Bankensektor sein wird.

“Es gibt eindeutig einen sehr guten Grund für den Einsatz von KI in Finanzinstituten”, sagte Athena. “Investmentbanken sind vielleicht die frühesten Anwender und Nutznießer der maschinellen Lerntechnologie im Bereich des algorithmischen Handels. Immerhin 70% der Finanzinstitute nutzen heute maschinelles Lernen für die Erkennung von Betrug, die Kreditwürdigkeitsprüfung oder die Vorhersage von Cashflow-Ereignissen, und konversationelle KI wird häufig im Privatkundengeschäft und bei Versicherungen eingesetzt. Trotzdem gelingt es vielen Finanzinstituten nicht, ihre KI-Projekte so zu gestalten, dass sie einen konkreten, unternehmensweiten Nutzen bringen.”

Athena erläuterte die wichtigsten Herausforderungen für den Erfolg von KI-Projekten und wie man sie überwinden kann:

Für Athena besteht eine der Hauptschwierigkeiten für Finanzinstitute darin, dass ihre Kerntechnologie für traditionelle Abläufe wie Zahlungen, Kreditvergabe und Forderungsmanagement konzipiert ist. “Ältere IT-Strukturen haben nicht die Flexibilität, um KI-Fähigkeiten einzusetzen. Die Rechenkapazität für data-Management und Analysen, die Sie in einer VR-Anwendung mit geschlossenem Kreislauf benötigen, ist einfach nicht vorhanden und das Testen und Entwickeln von KI-Technologien kann Tage oder sogar Monate dauern - unerschwinglich, wenn Sie versuchen, innovativ zu sein. Die Lösung? Wechseln Sie die Kerntechnologien: wechseln Sie zu cloud Computing.

“Eine cloud-Umgebung kann die Zeit, die zum Testen und Entwickeln von KI-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 cloud begonnen, und ihre Innovationsrate hat sich nach ihren eigenen KPIs um etwa 49% erhöht. Das mag wenig erscheinen, aber für ein etabliertes, monolithisches Institut ist das ziemlich revolutionär.”

Eine weitere Facette dieser Herausforderung sind Investitionen in die data-Verwaltung - sowohl im Hinblick auf die data-Qualität als auch auf den data-Zugang. In Finanzinstituten ist data auf verschiedene Geschäftseinheiten 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 das data der vorgeschlagenen Projekte vertrauenswürdig ist. “Investitionen in moderne data governance- und data-Managementpraktiken sind für Finanzinstitute von entscheidender Bedeutung”, betont Athena. “Und eine Schlüsselkomponente dabei ist das, was wir ein Enterprise Data Model oder EDM nennen. Dabei handelt es sich nicht um ein IT-Konzept, sondern um eine Möglichkeit, Ihr data - Ihr gesamtes data - in einer geschäftsrelevanten Sprache zu beschreiben und logisch zu organisieren - eine Art Geschäftsglossar, wenn Sie so wollen, das das data-Qualitätsmanagement für alle zertifizierten Benutzer vereinfacht.”

Der letzte Teil dieser Herausforderung ist der data-Zugang.

“Data ist der wertvollste Rohstoff, den ein Unternehmen besitzt. Der Schlüssel zur Nutzung seines Wertes ist der Zugang zu Analysen in großem Umfang, direkt bei der Entscheidungsfindung. In Banken ist dies aufgrund der Vertraulichkeit von data besonders schwierig. Eine innovative Lösung besteht darin, API-fähige data-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 Finanzinstitute liegt im Betriebsmodell, das sie verwenden. Die meisten sind nach Geschäftsbereichen organisiert, oft mit zentralisierten IT-Funktionen, was ihre Fähigkeit zur Innovation behindert. Die Leiter der Geschäftsbereiche legen ihre eigenen Agenden und KI-Strategien fest, was zu zersplitterten Teams und einem Wasserfall-Ansatz führt, der Verzögerungen, Kostenüberschreitungen, suboptimale Leistung und ein völliges Fehlen einer Test- und Lernmentalität zur Folge hat. Finanzdienstleister müssen in der Lage sein, iterativ zu arbeiten, um kontinuierlich zu innovieren und zu verbessern - eine Notwendigkeit, um KI 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 Produkte. 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 speziellen Team entwickelt, das über ein eigenes Budget, eigene Ressourcen und eigene KPIs verfügt.”

“Nehmen wir an, Sie haben ein Kunden-360-Team, das sich aus Geschäfts-, IT- und data-Stakeholdern zusammensetzt. Sie können mehrere data-Produkte für das Unternehmen sowie für externe Kunden bereitstellen, so dass Sie eine Kunden-360-Analyseschicht erhalten. Data-Wissenschaftler und -Ingenieure können diese Analyseschicht nutzen, um KI-ML-Lösungen zu testen und zu lernen. Sie könnten auch über ein Kunden-360-Dashboard mit relevanten KPIs für Ihre Vertriebsmitarbeiter verfügen und es nutzen, um den Customer Lifetime Value zu verbessern. Sie könnten Ihrem Marketingteam auch data zur Optimierung und Personalisierung zur Verfügung stellen, damit sie ihre Budgets besser einsetzen können.”

Die Möglichkeiten sind endlos, aber im Wesentlichen ermöglicht ein modulares Betriebsmodell Ihren Teams eine bessere Zusammenarbeit und die Arbeit an einem gemeinsamen strategischen Ziel, anstatt in den Silos, die derzeit die Finanzdienstleister trennen - ebenso wie eine Vielzahl von Unternehmen in allen Branchen, in denen Produktteams noch keine Realität sind.

Investition in KI Ethik und Regulierung ist für Finanzinstitute gerade jetzt entscheidend. Bei der Prüfung der von der Europäischen Kommission vorgeschlagenen Gesetz über künstliche Intelligenz, den europäischen Data-Schutzüberwacher (EDSB) ist der Ansicht, dass ein stärkerer Schutz der Grundrechte erforderlich ist, einschließlich eines stärkeren Schutzes der Grundrechte des Einzelnen, einschließlich des Rechts auf Privatsphäre und des Rechts auf Schutz der persönlichen data.

Jeder, der Software im Zusammenhang mit biometrischer Technologie in Finanzinstituten, bei der Verwaltung von Humankapital oder der Bonitätsprüfung von Personen einsetzt, muss mit regulatorischen Einschränkungen rechnen. Nach dem derzeitigen Stand der Dinge wird dies fast alle Finanzinstitute betreffen. Auch wenn das volle Ausmaß der künftigen KI-Regulierung noch nicht klar ist, so ist doch klar, dass die Regulierung auf ethischen Grundsätzen beruhen wird. Aber viele Führungskräfte in der Finanzdienstleistungsbranche haben das Gefühl, dass ihre Unternehmen die ethischen Fragen im Zusammenhang mit KI nicht verstehen.

Artefact schlägt die Entwicklung eines ethischen interner KI-Governance-Rahmen die alle Aspekte der KI-Ethik abdeckt, einschließlich Käufer, einschließlich data-Management, Modellschulung und Umschulung der KI-Erklärbarkeit. Um dies zu erreichen, kann Expertenrat nützlich sein, aber was wirklich benötigt wird, ist ein zweiteiliger Bewusstseinswandel, der alle Aspekte der KI-Ethik abdeckt, einschließlich der Käufer, des data-Managements, der Modellschulung und der Umschulung der KI-Erklärbarkeit.

Die erste Veränderung erfordert eine breite Zustimmung der Stakeholder, indem sie gezwungen werden, sich von der Silo-Mentalität, den Abteilungen und den Betriebsmodellen zu lösen, die Sie daran hindern, KI produktiv zu machen. Der zweite Schritt ist der Übergang von einer risikoscheuen zu einer Pioniermentalität. Dies erfordert einen tiefgreifenden kulturellen Wandel, bei dem das gesamte Unternehmen ein hohes Maß an Wissen über die Auswirkungen von KI, ihre Anwendungen und ihre Ethik erlangt, um innovativ zu sein, ohne unverantwortlich zu handeln.

“Es ist nicht einfach, besonders in einer Branche, in der die Risikoaversion tief verwurzelt ist. Aber letztlich glaube ich nicht, dass Finanzinstitute bei der Einführung von KI viele Optionen haben. Es geht nicht darum, ob oder wie KI einen Mehrwert für Ihr Unternehmen schaffen kann. Es geht darum, wie Sie KI in Ihr Tagesgeschäft einbinden können, um in einem sich schnell verändernden globalen Markt relevant und wettbewerbsfähig zu bleiben.”