{"id":952665,"date":"2025-09-11T13:26:07","date_gmt":"2025-09-11T12:26:07","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&p=952665"},"modified":"2025-09-29T11:01:58","modified_gmt":"2025-09-29T10:01:58","slug":"artefact-publishes-its-research-on-ai-applied-to-the-identification-of-atypical-customer-profiles-developed-and-tested-with-a-leading-french-bank","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/de\/blog\/artefact-publishes-its-research-on-ai-applied-to-the-identification-of-atypical-customer-profiles-developed-and-tested-with-a-leading-french-bank\/","title":{"rendered":"Artefact ver\u00f6ffentlicht seine Forschung \u00fcber KI zur Identifizierung atypischer Kundenprofile, die in Zusammenarbeit mit einer f\u00fchrenden franz\u00f6sischen Bank entwickelt und getestet wurde"},"content":{"rendered":"

Ein Algorithmus zur Erzeugung synthetischer seltener Ereignisse aller Art<\/b><\/h2>\n

Eine h\u00e4ufige Anwendung von artificial intelligence ist die Zuweisung einer Wahrscheinlichkeit oder eines Scores f\u00fcr Personen oder Ereignisse von Interesse. Dieses Scoring-Problem findet in vielen Bereichen Anwendung, z.B. bei der Erkennung von Krankheiten, der vorausschauenden Wartung in Fabriken, der Neigung von Online-Besuchern, K\u00e4ufe zu t\u00e4tigen, oder dem Risiko, Abonnenten zu verlieren. In diesen Situationen ist die Zahl der interessanten Ereignisse im Vergleich zur Gesamtzahl der verf\u00fcgbaren data weitaus gr\u00f6\u00dfer. Dieses Ungleichgewicht macht das Training von maschinellen Lernmodellen besonders komplex, da sie dazu neigen, sich auf die Mehrheit der F\u00e4lle zu konzentrieren und seltene F\u00e4lle zu ignorieren oder zu untersch\u00e4tzen, was beim Einsatz von KI zahlreiche operative Probleme aufwirft. Es gibt zwar einige Algorithmen, aber sie eignen sich nicht f\u00fcr kategorische data und k\u00f6nnen die Genauigkeit des endg\u00fcltigen Modells im Allgemeinen nicht verbessern.<\/span><\/p>\n

Um diese Herausforderung zu meistern, <\/span>Das Forschungszentrum von Artefact<\/b> eine neue Ausgleichsmethode f\u00fcr tabellarische data vorgeschlagen<\/b>, wobei sowohl numerische als auch kategorische Variablen ber\u00fccksichtigt werden. Getestet auf Open Source data<\/span>, Dieser Ansatz zeigt signifikante Verbesserungen in Bezug auf die Leistung, w\u00e4hrend die Konsistenz, Plausibilit\u00e4t und Interpretierbarkeit der data erhalten bleibt, ein Aspekt, der bei bestehenden Methoden oft \u00fcbersehen wird. Das Data Rebalancing erfordert die Erstellung von Dummy-Beispielen, bei denen das Risiko besteht, dass sie unplausibel sind, wie z.B. Kundenprofile, die nicht existieren. Dieses Risiko wirkt sich direkt auf die Akzeptanz von artificial intelligence in F\u00e4llen aus, in denen Analysten die vom Modell vorausgew\u00e4hlten wahrscheinlichsten Beispiele manuell validieren m\u00fcssen. Artefact l\u00f6st dieses Problem, indem es nur plausible data w\u00e4hrend des Rebalancierens erstellt, was seine Annahme durch die Unternehmen erleichtert.<\/span><\/p>\n

 <\/p>\n

\"\"<\/p>\n

Eine schl\u00fcsselfertige Forschungspartnerschaft mit Anwendungen f\u00fcr Societe Generale-Anwendungsf\u00e4lle<\/b><\/h2>\n

Diese Arbeit ist das Ergebnis einer dreifachen Partnerschaft zwischen der <\/span>Artefact Research Center, das Labor f\u00fcr Wahrscheinlichkeit, Statistik und Modellierung der Universit\u00e4t Sorbonne (LPSM) und die Societe Generale<\/b>. Die Zusammenarbeit erm\u00f6glichte es, ein dreij\u00e4hriges Forschungsthema zu definieren, das ein Gleichgewicht zwischen statistischen und IT-Herausforderungen und den konkreten Problemen von Gesch\u00e4ftsteams herstellt, f\u00fcr die es keine modernen L\u00f6sungen gibt. Im Falle dieser Anwendung berichteten verschiedene Vertriebsexperten \u00fcber das Problem der Inkonsistenz in den Bankprofilen, die von den bestehenden Ans\u00e4tzen generiert wurden, was die Annahme eines KI-basierten Tools einschr\u00e4nkte und somit die Herausforderung <\/span>die Beibehaltung plausibler Vorschl\u00e4ge w\u00e4hrend des Rebalancing-Algorithmus.<\/b><\/p>\n

Durch diese Partnerschaft konnten die Forscher von Artefact und der Universit\u00e4t Sorbonne ihre Ans\u00e4tze an der realen Bank data testen, was die statistische Genauigkeit des vorgeschlagenen Algorithmus best\u00e4tigte. Ein einzigartiges Element beim Testen der Leistung der vorgeschlagenen Methode war au\u00dferdem die Skalierung auf bis zu Millionen von data-Punkten<\/b> in einer angemessenen Zeitspanne zu verarbeiten und \u00fcbertrifft damit die Gr\u00f6\u00dfe entsprechender Open-Source-data-Sets. Der Code ist quelloffen und die Methodik wird in dem wissenschaftlichen Artikel ausf\u00fchrlich erl\u00e4utert<\/b>, Damit k\u00f6nnen so viele Menschen wie m\u00f6glich den Ansatz f\u00fcr andere Scoring-Anwendungsf\u00e4lle nutzen.<\/p>\n

Etienne GUIBOUT, Group Chief AI Officer bei der Societe Generale, erkl\u00e4rt:<\/p>\n

\u201c<\/i><\/strong>Diese Zusammenarbeit verschafft Societe Generale Zugang zu erg\u00e4nzendem Fachwissen aus der akademischen Welt. Sie f\u00f6rdert die Innovation durch die Einbeziehung einer Vielzahl von Perspektiven, die darauf abzielen, L\u00f6sungen zu finden, die zunehmend auf unsere Probleme zugeschnitten sind. Die Aufnahme in eine A-Level-Konferenz ist ein Qualit\u00e4tsmerkmal f\u00fcr die Teams von Societe Generale. Sie zeigt, dass der Einfluss der von Kollegen und Branchenexperten geleisteten Arbeit anerkannt wird. Die Teilnahme an solchen Veranstaltungen erm\u00f6glicht es uns, unsere Forschungsergebnisse zu teilen und gleichzeitig Teil des \u00d6kosystems zu bleiben. Die Gesch\u00e4ftsteams der Societe Generale, insbesondere im Bereich Compliance, waren an der Entwicklung dieses Artikels beteiligt. Ihre Branchenkenntnis und ihr Feedback best\u00e4tigten die Relevanz und Anwendbarkeit der dargestellten Inhalte. Diese interdisziplin\u00e4re Zusammenarbeit gew\u00e4hrleistet, dass der Artikel die Marktrealit\u00e4ten widerspiegelt und in erster Linie unseren Bed\u00fcrfnissen und denen unserer Kunden dient.\u201d<\/i><\/p>\n

Emmanuel Malherbe, Direktor des Artefact Research Center:<\/p>\n

\u201cDies ist eine ideale Partnerschaft f\u00fcr unser Forschungszentrum, die unsere Vision von angewandter, n\u00fctzlicher und gemeinsamer Forschung perfekt illustriert. Maschinelles Lernen ist ein Bereich, der immer mit data und einem echten Problem beginnt. Durch diese Zusammenarbeit konnten wir uns auf das schlecht gel\u00f6ste Problem der Auswertung von unausgewogenen tabellarischen data konzentrieren, das jedoch ein immer wiederkehrendes Problem in der Wirtschaft ist und viele statistische Fragen aufwirft. Die M\u00f6glichkeit, den Ansatz an echten data zu testen und zu validieren, war ebenfalls der Schl\u00fcssel zu einem schnellen, effizienten und genauen Algorithmus.\u201d<\/i><\/p><\/blockquote>\n

Link zum wissenschaftlichen Artikel und zum Code des Algorithmus:<\/b><\/h2>\n