Jakub Porzycki, PhD, Teamleiter Maschinelles Lernen

Lesezeit: 5 Minuten

Warum ist es notwendig, hochwertige ML-Modelle zu erstellen? 

In den letzten Jahren hat die Zahl der Banken, die das Potenzial der Modelle des maschinellen Lernens (ML-Modelle) hat spürbar zugenommen. Nach Angaben der Bericht von Evident Insights, Die amerikanischen Finanzinstitute sind führend bei der Einführung von Lösungen, die auf dieser Technologie basieren. Zu den häufigsten Anwendungsfällen gehört die Anlageberatung, Chatbots Unterstützung des Kundendienstes und Mechanismen zur Betrugserkennung. 

Als Anbieter von IT-Lösungen für den Finanzsektor beobachten wir ein wachsendes Interesse an der Nutzung von maschinellen Lernfunktionen, um Daten aus verschiedenen Quellen für die Personalisierung von Dienstleistungen zusammenzuführen. Im Privatkundengeschäft ist die Anpassung von Angeboten, die auf die individuellen Bedürfnisse jedes einzelnen Kunden zugeschnitten sind, von entscheidender Bedeutung für das moderne Banking. Um dies zu erreichen, ist ein tieferes Verständnis der Kundenpräferenzen, die Vorhersage ihrer Bedürfnisse und eine frühzeitige Risikominderung erforderlich. 

Nach Angaben der PwC-Bericht, 61% der Bankmanager halten die Personalisierung von Dienstleistungen für wichtig, aber nur 17% bestätigen, dass ihr Unternehmen über die richtigen Instrumente zur Individualisierung der Marketingkommunikation verfügt. Insbesondere die Situation auf dem polnischen Markt zeigt, dass dieser Geschäftsbedarf nicht angemessen berücksichtigt wird und den Banken umfassende Lösungen fehlen. 

Unser Angebot zielt darauf ab, diese Marktlücke zu schließen. Wir haben erkannt, dass wir zur Förderung des Vertrauens in personalisierte Bankdienstleistungen hochwertige Modelle benötigen, die präzise Vorschläge und die richtigen Produktempfehlungen liefern. Um qualitativ hochwertige ML-Modelle zu erhalten, ist es wiederum unerlässlich, die vollständigsten Kundendaten der Bank zu verwenden und die Verbindungen zwischen diesen Informationen zu identifizieren. 

Graphische neuronale Netze - was sind sie, und welche Möglichkeiten bieten sie? 

Durch die Analyse verfügbarer Quellen und die Durchführung erster Forschungs- und Entwicklungsarbeiten haben wir festgestellt, dass der optimale Ansatz in der Verwendung einer grafischen Darstellung von Kundendaten zusammen mit Graph Neural Networks (GNNs) besteht. Diese Technik des maschinellen Lernens eignet sich hervorragend zur Darstellung komplexer Beziehungen zwischen Datenpunkten. Graphen sind Strukturen, die aus Knoten (auch Scheitelpunkte genannt) und Kanten bestehen, die diese Knoten verbinden, und GNNs konzentrieren sich auf die effiziente Modellierung der Beziehungen zwischen Knoten und Kanten in solchen Strukturen. 

Finanzinstitute nutzen zahlreiche IT-Systeme, um Bankkonten zu verwalten, Kreditprozesse zu unterstützen, Karten zu bearbeiten, Betrug zu erkennen, Finanzbuchhaltung, Online- und Mobile-Banking zu verwalten, Marketingkampagnen durchzuführen und Kundenbeziehungen zu pflegen. Das Übermaß an verstreuten Quellen erschwert die Datenexploration, weshalb Data Warehouses für Analysezwecke eingesetzt werden. In diesen Data Warehouses werden zwar Ressourcen gebündelt und Daten teilweise gefiltert, doch dieser Prozess beeinträchtigt häufig die Qualität von ML-Modellen, die auf diesen Datensätzen trainiert wurden. 

Graphen bieten eine präzise Darstellung der "Kundenumgebung", d. h. der Kundendaten, die aus verschiedenen Banksystemen abgerufen werden können. Im Gegensatz zu den derzeit auf dem Markt erhältlichen Lösungen wurde der Wissensgraph speziell für die Erstellung von ML-Modellen und nicht für die Geschäftsanalyse entwickelt. Das bedeutet, dass die Daten, die zum Trainieren von ML-Modellen benötigt werden, erhalten bleiben (z. B. verlieren wir bei der Datenaggregation nicht die Merkmale einzelner Transaktionen). 

Verwendung von Graphstrukturen im Privatkundengeschäft 

Herkömmliche Verfahren des maschinellen Lernens können keine effektiven Empfehlungen generieren oder Verhaltensweisen für Kundentypen vorhersagen, die in den Trainingsdaten unterrepräsentiert sind. Im Gegensatz zu ML-Standardmodellen, die auf einfachen Vektordarstellungen von Kundenmerkmalen basieren, betont GNN die räumliche Struktur der Daten. Es ermöglicht ein tieferes Verständnis der Fakten und Ereignisfolgen, die das Kundenverhalten charakterisieren, und erlaubt so eine genauere Vorhersage zukünftiger Handlungen. 

Die Flexibilität heterogener Graphen (d. h. Graphen, die verschiedene Arten von Knoten enthalten) ermöglicht dies: 

  • Definition eines universellen Graphen, der umfassendes Wissen über einen Bankkunden darstellt,  
  • detaillierte Analyse der Beziehungen zwischen den Daten,  
  • Erweiterung der Kundeneinblicke durch Integration zusätzlicher Datenquellen und zusätzlicher ML-Modelle. 

Darstellung von Wissensgraphen und GNNs im Bankwesen 

Bei Ailleron arbeiten wir an einer Methode zur Erstellung einer graphenbasierten Darstellung von Daten über Bankkunden, d. h. zur Aggregation von Daten aus verschiedenen Quellen in einem heterogenen Wissensgraphen. Diese Graphen ermöglichen die Verwendung der gesammelten Daten zur Erstellung verschiedener Modelle (z. B. für Produktempfehlungen, Verhaltensvorhersagen usw.) durch Anwendung herkömmlicher neuronaler Netze und GNNs.

Laut der Analyse des Geschäftsumfelds werden GNN-Modelle in Polen nicht kommerziell für die oben beschriebenen Anwendungen genutzt. Mit dem Ziel, die Wettbewerbsfähigkeit von Ailleron zu verbessern, unser KI- und ML-Dienstleistungsportfolio zu erweitern und diesen innovativen Ansatz sowohl auf inländischen als auch auf ausländischen Märkten zu fördern, werden wir die Forschung und Entwicklung in diesem Bereich fortsetzen.

Verbesserung der digitalen Dienstleistungen für das individuelle Banking, haben wir uns mit Nethone zusammengetan. Nethone ist ein Unternehmen, das sich auf die Analyse des Verhaltens von Nutzern von Online-Diensten spezialisiert hat, um Betrugsversuche und die Nachahmung von echten Kunden zu erkennen. Nethone verfügt über Daten zum Kundenverhalten, die für fortgeschrittene Analysen wie Segmentierung, Produktempfehlungen und Verhaltensvorhersagen genutzt werden können. Die Zusammenarbeit umfasst den gegenseitigen Wissensaustausch und den Beitrag von Nethone zu einer Datenspeicherstruktur, um den Kunden-Wissensgraphen mit verhaltensbiometrischen Informationen anzureichern. 

GNN-Anwendung im Bankwesen 

Bisher ist die oben erwähnte Darstellung von Kundendaten im Bankwesen noch nicht weit verbreitet. Technologieriesen wie Google (Alphabet), Microsoft und AWS konzentrieren sich hauptsächlich auf universelle Modelle und Plattformen. 

Bei der Erstellung graphenbasierter Darstellungen des Kundenwissens und von GNN-Netzen zur Verhaltensvorhersage ist die Anpassung der Methodik an die Besonderheiten der Branche von entscheidender Bedeutung. Andernfalls könnten wir eine geringere Effektivität erreichen, weil universelle Lösungen mit allgemeinen Daten arbeiten, wie z. B. eigene Produkte oder Kundenattribute wie Alter, Geschlecht, Bildung, Einkommen, Beruf usw., ohne die für Finanzinstitute wichtigen Informationen zu berücksichtigen. Insbesondere Transaktionsdaten sind eine Quelle wertvollen Wissens, da sie Aufschluss darüber geben, für welche Waren und Dienstleistungen Kunden ihr Geld ausgeben und wo sie einkaufen. 

Zusammenfassung 

Wir erkennen die Innovationskraft und das erhebliche Potenzial für die Umgestaltung des bestehenden Zielmarktes durch die Anwendung von GNN-Netzwerken. Fortgeschrittene ML-Modelle ermöglichen die Entwicklung effektiverer Instrumente zur Analyse des Kundenverhaltens und zur Anpassung der Bankangebote an die Erwartungen der Kunden. Customer Data Platforms mit tiefgreifender Datenbeziehungsanalyse. Nach unseren Annahmen werden GNNs es ermöglichen, Informationen mit Wissen aus anderen Modellen anzureichern.  

Wir haben immer ein offenes Ohr für die Bedürfnisse unseres Publikums und planen, weitere Möglichkeiten zur Kombination von grafikbasierter Datendarstellung und generative KI fortschrittliche Lösungen zu entwickeln, wie z. B. Chatbots, Videobots, dialogorientierte Bankschnittstellen und Datenextraktion.  

Nach Abschluss unserer Forschungs- und Entwicklungsarbeiten und dem Erhalt der Ergebnisse für die Modellparameter werden wir bereit sein, unsere entwickelte Lösung weit zu verbreiten. Das Angebot von Ailleron wird den echten Bedürfnissen der Banken- und Finanzbranche gerecht, die sich auf die digitale Transformation, die Verbesserung des Kundenerlebnisses und die Rationalisierung von Transaktionsanalyseprozessen konzentriert. 

Quellen:
[1] Bericht: Digitales Banking und mehr: Der Wert der Personalisierung, Strands und PwC, 2023
[2] Bericht: Evident AI Index Hauptergebnisse, 2023

Sie möchten KI/ML-Lösungen in Ihrem Unternehmen implementieren, wissen aber nicht, wo Sie anfangen sollen? 

Mehr erfahren
Ailleron - Anwendung graphischer neuronaler Netze für hyper-personalisierte Bankdienstleistungen

Jakub Porzycki, PhD Teamleiter Maschinelles Lernen

Wissenschaftsenthusiast mit geschäftlichem und akademischem Hintergrund, besonders interessiert an maschinellem Lernen und der Modellierung komplexer Systeme. Erfahrung in der Zusammenarbeit in internationalen Teams sowohl in der wissenschaftlichen Forschung als auch in der kommerziellen Produktentwicklung. Leiter eines Teams, das ML-basierte Lösungen für verschiedene Anwendungen entwickelt und bereitstellt.

abstrakte Linien

Lassen Sie uns gemeinsam finanzielle Erfahrungen im Finanzsektor leicht und angenehm gestalten.

Sagen Sie uns, was Sie brauchen, und wir werden uns umgehend mit Ihnen in Verbindung setzen.

Sagen Sie uns, was Sie brauchen, und wir werden uns umgehend mit Ihnen in Verbindung setzen.