In den beiden vorangegangenen Artikeln haben wir die Bedeutung der Rechenschaftspflicht gegenüber Verbrauchern und Aufsichtsbehörden bei der Entwicklung von GenAI-basierten Tools untersucht. Außerdem haben wir kurz die Herausforderungen des kommenden EU-KI-Gesetzes und die Rolle der Transparenz beim Umgang mit den oft zu ehrgeizigen Erwartungen der Kunden an KI-gestützte Lösungen beschrieben.
Im dritten Teil unserer Serie nehmen wir einen eher unerwarteten Blickwinkel ein und zeigen auf, dass GenAI trotz des ganzen Hypes nicht das ganze Bild ist. Wir beleuchten Anwendungen, die noch nicht so bekannt sind, und besinnen uns auf die Stärken des traditionellen maschinellen Lernens, um zu zeigen, dass das breitere KI- und ML-Toolkit immer noch einen hohen praktischen Wert hat.
Inhaltsübersicht
- GenAI-Anwendungsfälle im Bankwesen, die über die Texterstellung hinausgehen
- Nicht offensichtliche Anwendungen und die Rolle der traditionellen ML
- Traditionelle ML als immer noch effektives und kosteneffizienteres Werkzeug
- Promptes Engineering, Feinabstimmung und Retrieval-Augmented Generation (RAG)
- Auswahl der richtigen technologischen Lösung für einen bestimmten Geschäftsfall
Generative KI hat vor allem aufgrund ihrer bemerkenswerten Fähigkeit, menschenähnlichen Text sowie Bilder und Videos zu produzieren, die durch Eingabeaufforderungen entstehen, die jeder eingeben kann, auch ohne professionelle Erfahrung in Werbung oder Design, große Aufmerksamkeit erlangt.
GenAI-Anwendungsfälle im Bankwesen, die über die Texterstellung hinausgehen
Die Anwendungen von GenAI im Finanzsektor gehen jedoch weit über die Erstellung von Inhalten hinaus. Sie reichen von der Code-Automatisierung und Datenanalyse bis hin zur Optimierung ganzer Geschäftsprozesse. So kann diese Technologie beispielsweise dazu genutzt werden, die gesamte Customer Journey zu optimieren, indem jeder Schritt der Interaktion eines Kunden mit der Bank vorhergesagt und gezielt gestaltet wird.
Generative KI kann auch die Art und Weise revolutionieren, wie Finanzinstitute das Risikomanagement angehen, indem sie die Effizienz, Geschwindigkeit und Effektivität von Compliance- und Risikoüberwachungsprozessen verbessert. Herkömmliche Risikomanagementsysteme stützten sich in erster Linie auf vordefinierte Regeln und strukturierte Daten wie Transaktionsdatensätze, was ihre Flexibilität und Wirksamkeit bei der Erkennung neuer oder unkonventioneller Bedrohungen einschränkte.
Einer der Hauptvorteile von GenAI ist die Fähigkeit, unstrukturierte Daten zu interpretieren und zu analysieren, darunter Interaktionen zwischen Kunden und Bankberatern, Inhalte sozialer Medien, Bilder und Dokumente. Durch die Kombination von Erkenntnissen aus einer Vielzahl von Datenquellen kann GenAI Frühindikatoren für Risiken oder Betrug erkennen, die herkömmliche Systeme oft übersehen. Dank seiner Stärken bei der Mustererkennung, der kontextbezogenen Analyse und der Anpassungsfähigkeit können Finanzinstitute Bedrohungen schneller erkennen und präzise reagieren.
Bei der Bonitätsprüfung können GenAI-Modelle nicht-traditionelle Datenquellen auswerten, um umfassendere und genauere Kreditentscheidungen zu unterstützen.
Im operativen Bereich hilft generative KI bei der Automatisierung komplexer Back-Office-Aufgaben, wie z. B. der Dokumentenverarbeitung, der Überprüfung der Einhaltung gesetzlicher Vorschriften oder der Vertragsprüfung, wodurch Arbeitsaufwand und Durchlaufzeiten erheblich reduziert werden.
In der Softwareentwicklung beschleunigt es die Bereitstellung durch Generierung und Validierung von Code, das Schreiben von Testfällen und die Verbesserung von Entwicklungsabläufen.
Diese fortschrittlichen Funktionen ermöglichen es den Banken nicht nur, die Effizienz zu steigern und die Kosten zu senken, sondern auch ein neues Maß an Personalisierung und Reaktionsfähigkeit bei ihren Dienstleistungen zu erreichen. Um dieses Potenzial zu erschließen, müssen Banken zunächst lernen, ihre Geschäftsprozesse strukturiert zu beschreiben und die erforderlichen historischen Daten zu sammeln. Mit anderen Worten: Die erfolgreiche Implementierung von GenAI erfordert nicht nur technologisches Know-how, sondern auch ein tiefes Verständnis der Prozesse, die sie verbessern soll.
Nicht offensichtliche Anwendungen und die Rolle der traditionellen ML
Wir dürfen nicht vergessen, dass die generative KI nur eines von vielen auf dem Markt verfügbaren Instrumenten ist. Heute spüren die Finanzinstitute den Druck - und den Wettbewerbsdruck -, Pilotprojekte mit dieser Technologie zu starten. Michał Walerowski, AI & Data Solutions Manager bei Ailleron, weist jedoch darauf hin, dass die Eile, bahnbrechende Innovationen zu übernehmen, oft den Wert des Bewährten überschattet, “traditionell“ Methoden des maschinellen Lernens. Diese etablierten Lösungen sind nach wie vor sehr effektiv für Aufgaben wie Kundensegmentierung, Betrugserkennung und Kreditwürdigkeitsprüfung. Traditionelles maschinelles Lernen bietet Finanzinstituten nach wie vor eine starke Leistung zu geringeren Kosten.
Es gibt einige besonders interessante Anwendungsfälle für GenAI, die weit über die einfache Texterstellung hinausgehen. Mit "Texterstellung" meine ich auch Aufgaben wie das Zusammenfassen mehrerer Dokumente zu einem einzigen kohärenten Text. Bei der zugrunde liegenden Technologie handelt es sich um eine bestimmte Art von neuronalem Netz, das so genannte transformer neural network. Transformatorische neuronale Netze sind gut darin, Ereignisabfolgen zu verstehen und herauszufinden, wie man eine Ereignisabfolge erzeugt, um sie für ein bestimmtes Ziel zu optimieren. Eine Abfolge von Ereignissen kann also eine Abfolge von Wörtern in einem Dokument sein, weshalb der Text ein gutes Beispiel für die Diskussion der Fähigkeiten von GenAI ist. Es kann sich auch um eine Folge von Schlüsselwörtern in einer Programmiersprache, um Variablennamen usw. handeln.
Traditionelle ML als immer noch effektives und kosteneffizienteres Werkzeug
Die meisten Unternehmen setzen GenAI bereits in gewissem Umfang für verschiedene Zwecke ein, nicht nur für die Texterstellung. Diese Technologie ermöglicht eine neue Sichtweise auf Geschäftsprozesse und ermöglicht die Planung von Maßnahmen, die die einzelnen aufeinanderfolgenden Phasen optimieren, um das gewünschte Ziel zu erreichen.
Wie bereits erwähnt, benötigt KI einen Trainingsdatensatz, um effektiv arbeiten zu können. Es ist entscheidend, dass das KI-Modell versteht, welche Maßnahmen es auf der Grundlage historischer Daten ergreifen muss. Das bedeutet, dass die Bank in der Lage sein muss, Daten über alle früheren Kundenreisen zu sammeln. Als Nächstes muss die Bank in Zusammenarbeit mit einem Lösungsanbieter all diese Ereignisse und Zustände kennzeichnen und sie für das Training verwenden.
Es ist nicht notwendig, dass die Banken ein eigenes großes Sprachmodell erstellen, da diese Vorgehensweise sehr kostspielig ist. Eine Alternative ist die Nutzung eines bestehenden großen Sprachmodells und dessen Feinabstimmung anhand ihrer eigenen Daten.
Promptes Engineering, Feinabstimmung und Retrieval-Augmented Generation (RAG)
Die Feinabstimmung oder das domänenspezifische Training machen weniger als 2% der Kosten für den Aufbau eines großen Sprachmodells aus. Anstelle der Erstellung eines großen Sprachmodells würde ich ein domänenspezifisches Training oder eine abruferweiterte Generierung (RAG) in Betracht ziehen. Letzteres ermöglicht die Erstellung von Vektoren aus vorhandenen Daten, um Halluzinationen zu verringern und die Modellleistung zu verbessern.
Wie Stephen Brobst unter Bezugnahme auf eine Fallstudie von Ab Initio Software berichtet, hat einer ihrer Kunden Mechanismen implementiert, die eine Hyper-Personalisierung ermöglichen und jedem Kunden aus der Marketing-Perspektive eine ganz eigene Reise bieten. Dieses Beispiel lässt sich auch auf andere Geschäftsprozesse übertragen.
Einem Experten von Ab Initio Software zufolge sind Unternehmen oft bereit, Pilotprojekte im Marketingbereich zu starten, da das Risiko des Scheiterns geringer ist und die Marketingexperten im Allgemeinen offener für diese Art von Innovation sind.
Meine erste Wahl ist Prompt-Engineering - wir wenden Prompt-Engineering an, um das Modell mit einem Verständnis der Daten zu steuern. Prompt-Engineering allein reicht jedoch wahrscheinlich nicht für alle Arten von Anwendungsfällen aus, auf die ich mich beziehe, weshalb es sich auch lohnt, die Möglichkeiten von RAG zu untersuchen. Es gibt auch viele andere Techniken, mit denen sich bei der Arbeit mit großen Sprachmodellen gute Ergebnisse erzielen lassen.
Auswahl der richtigen technologischen Lösung für einen bestimmten Geschäftsfall
Ebenso wichtig ist es, das Bewusstsein dafür zu schärfen, dass GenAI nur eines von vielen Instrumenten ist, die zur Bewältigung einer Vielzahl von Herausforderungen zur Verfügung stehen. Ältere Techniken bleiben oft sehr effektiv, auch wenn sie nicht mehr im Mittelpunkt von Branchenveranstaltungen stehen.
Wenn Sie KI/ML effektiv einsetzen wollen, müssen Sie die Vorteile des gesamten Instrumentariums nutzen, anstatt sich auf eine einzige Technik zu verlassen.
Unsere Kunden wollen sich treffen, um unsere Anwendungsfälle zu erkunden und die Möglichkeiten von GenAI zu besprechen, und oft kommen wir dabei auf Kundensegmentierung oder unternehmensweite Anwendungen zu sprechen. Ich erkläre, dass der betreffende Fall nicht mit GenAI gelöst werden konnte, aber wir können ein ähnliches Problem auch mit herkömmlicher KI effektiv angehen. Ja, herkömmliches maschinelles Lernen wird in bestimmten Fällen immer noch schneller sein. Wenn wir über künstliche Intelligenz sprechen, benötigen wir hochwertige Daten, um robuste, analytische Lösungen zu liefern.
Zum Abschluss unserer Diskussion über die Auswahl der richtigen Technologielösung für ein bestimmtes Geschäftsszenario schließen wir unsere Publikationsreihe mit einem Artikel ab, der sich mit dem viel diskutierten Thema der Monetarisierung des ungenutzten Potenzials von Daten befasst. Wir alle wissen, dass Banken zwar Zugang zu riesigen Datenmengen haben, diese aber nicht in vollem Umfang ausschöpfen. Wir werden untersuchen, warum dies der Fall ist, und Wege zur Überwindung dieses Problems erkunden.
In unserem nächsten Artikel erfahren Sie mehr darüber:
- Was sind die größten Herausforderungen, die Finanzinstitute daran hindern, Daten in großem Umfang zu monetarisieren?
- Ist der organisatorische Wandel wirklich die Grundlage für den Erfolg von KI?
- Agilität, Engagement und die Bereitschaft, ständig zu lernen und sich neuen Herausforderungen anzupassen, als zukünftige Kompetenzen
Suchen Sie Rat bei der Auswahl der besten KI-gesteuerten Lösung für Ihr Unternehmen?
Mehr erfahren
