KI in der Finanzindustrie: Wachsamer Oberkellner

[Dima_Tsaripa]

Kunden interagieren auf vielfältige Weise mit ihrer Bank: am Schalter, Geld- oder Überweisungsautomaten, per Website, Telefon- und Mobile Banking oder Online-Payment-Service. Die Bandbreite der Kontaktpunkte erschwert es erheblich, den Überblick über die Kundenzufriedenheit zu wahren und Abwanderungswillige rechtzeitig aufzuspüren. Das wachsame Auge der künstlichen Intelligenz (KI) kann Finanzinstituten diese Aufgabe erleichtern – und viele weitere ebenso: Die Einsatzfälle reichen von der Risikoanalyse bis zum Compliance-Management.

Was tun, wenn man ein Haar in der Suppe findet? Im Restaurant beschwert man sich beim Servicepersonal. Zunehmend aber lassen sich Konsumenten online bestellte Mahlzeiten nach Hause liefern. Vom Haar in der Suppe erfährt der Gastwirt dann oft erst, wenn es zu spät ist und der verärgerte Kunde nichts mehr bei ihm ordert. Vor einer ähnlichen Hürde stehen Finanzinstitute: Wie erfährt eine Bank, ob ein Kunde unzufrieden, verärgert oder gar abwanderungswillig ist? Schließlich nimmt der persönliche Austausch am Schalter stetig ab – bei Online-Banken ist er gar nicht vorgesehen. Doch nur ein Teil der Kundschaft greift zum Telefon, um ihrem Ärger Luft zu machen, ist doch der Anbieterwechsel für manchen der einfachere, konfliktfreie Weg. Wie also können Finanzinstitute rechtzeitig proaktiv auf unzufriedene Kunden zugehen?

Mit KI Herausforderungen der Finanzbranche angehen

Hier kommt künstliche Intelligenz ins Spiel. KI tritt in diversen Varianten auf, die derzeit meistdiskutierte Form ist generative KI wie bei ChatGPT oder Google Bard. Sie erlaubt es z.B., eine Unternehmenswebsite um einen Chatbot zu erweitern, der Fragen anhand hauseigener Wissensbestände beantwortet. Nicht minder wichtig aber ist die selbstlernende statistische Analyse (maschinelles Lernen, ML). Zahlreiche Finanzinstitute nutzen längst ML, etwa für die Betrugserkennung: Die Algorithmen schlagen Alarm, wenn das Bezahlverhalten auffällig von der Historie abweicht oder Transaktionen kurz nacheinander von zwei Orten aus erfolgen, deren Distanz ein Mensch nicht in dieser Zeitspanne überwinden könnte.

Dies sind aber relativ einfache Einsatzfälle. ML und generative KI erlauben es heute jeweils einzeln oder im Zusammenspiel, viele arbeitsintensive Prozesse im Finanzwesen zu beschleunigen und neue, einfachere Abläufe zu etablieren. So könnten KI-Algorithmen z.B. warnen, wenn ein Kunde zunehmend häufig Online-Transaktionen abbricht oder Assets auf seine Konten bei anderen Instituten transferiert. Die Analyse solcher Indizien erlaubt es nach Art eines aufmerksamen Oberkellners, unzufriedene Kunden schnell aufzuspüren. Eine KI-gestützte Stimmungsanalyse beim Telefonbanking wiederum erkennt gestresste oder aggressive Anrufer. In solchen Fällen könnte ein Chat- oder Voicebot anbieten, direkt mit einem Kundenberater zu sprechen. So kann das Kundenberatungsteam frühzeitig auf diese Kunden zugehen – bevor die Milch verschüttet ist.

Hausinterne Prozesse optimieren

KI hilft nicht nur dabei, Kundenbeziehungen zu verbessern, sondern kann auch hausinterne Prozesse beschleunigen. Ein Beispiel: Neue Angestellte verbringen oft Tage und Wochen damit, sich im Haus zurechtzufinden, benötigte Wissensquellen aufzuspüren und Abläufe zu erlernen. Hier kann ein unternehmensinterner Chatbot Hilfestellung bieten. Für solche KI-Assistenten wird ein KI-Basismodell (Large Language Model, LLM) individuell angepasst: Während ChatGPT mit Wissen aus dem Internet trainiert ist, bereichert ein Finanzinstitut Schlussfolgerungen der KI mit vorgegebenen, in der Regel unternehmenseigenen Datenquellen.

Ein Assistenz-Bot kann Neuzugängen schnell Auskünfte zu allerlei Fragen geben: An wen muss ich mich bei Fragen zur Compliance wenden, an wen, wenn mein Kind krank ist und ich kurzfristig Betreuungstage beantragen muss? Welche Drucker darf mein Team benutzen, und wo stehen diese? Und wo finde ich im Intranet Hilfestellung zur mir unbekannten Fachanwendung? Einiges werden Neulinge sicher weiterhin lieber persönlich erfragen, schon um die neuen Kolleg*innen kennenzulernen. Müssen sie jedoch für banale – oder gar, was vielen unangenehm ist, wiederholte – Rückfragen nicht jedesmal jemanden aus ihrem Team behelligen, können sie sich im Unternehmen viel einfacher orientieren. Dies erleichtert die Eingliederung neuer Beschäftigter und die Mitarbeiterzufriedenheit wächst.

Sich angesichts immenser Datenfülle zügig zurechtzufinden ist längst nicht nur für neue Angestellte eine Herausforderung. Als regulierte Branche ist die Finanzindustrie immer wieder mit Gesetzesänderungen und aktualisierten Vorschriften konfrontiert – Stichwort Basel III/Basel IV. Hier kann der Einsatz eines KI-Assistenten, der auf die bankspezifische Regulierung trainiert ist, der Compliance-Abteilung eines Finanzinstituts viel Zeit und Rechercheaufwand ersparen. Das Training des Bots mittels eines klar umrissenen Wissenskorpus erlaubt schnelle, verlässliche Auskünfte z.B. zur Eigenkapitalquote – inklusive Angabe der Datenquellen, um die wichtige Nachvollziehbarkeit der Angaben sicherzustellen. Das automatisierte Durchforsten großer Datenmengen per KI erleichtert Risikoanalysen ebenso wie Grundstücksbewertungen für Hypothekendarlehen oder die Echtzeit-Erkennung von Versuchen der Geldwäsche – kaum eine Abteilung, die nicht von speziell trainierter KI profitiert.

KI-Einsatz auch ohne Cloud

Die Diskussion um Public-Cloud-Services wie ChatGPT oder Bard kann den Eindruck erwecken, KI-Einsatz sei gleich Cloud-Nutzung – doch dieser Eindruck täuscht: Die Einführung von KI im Unternehmen setzt in keiner Weise die Verwendung von Cloud-Services voraus. Vielmehr kann ein Finanzunternehmen für die wichtige Aufbereitung der Daten (Data Engineering), das Modelltraining und -Finetuning sowie den Betrieb seiner KI-Applikationen einen Hybrid-Cloud-Ansatz mit Open-Source Werkzeuge nutzen. Mit einem auf den KI-Einsatz ausgelegten Komplettsystem wie dem HPE Machine Learning Development System (MLDS) von HPE stellt es dabei das performante Modelltraining und den reibungslosen KI-Betrieb sicher, ob für ML oder generative KI. Zum Einsatz kommen hier bewährte HPE-Server wie Cray XD 2000 und 6500 mit Nvidias KI-Prozessoren (H100 Tensor-Core-GPUs), die den Referenzwert im KI-Bereich darstellen, ergänzt um die HPE ML Software und Nvidia Lösungen.

Durch HPEs Kooperation mit dem Heidelberger KI-Spezialisten Aleph Alpha steht zudem ein Basismodell aus dem deutschen Rechtsraum zur Verfügung. Aleph Alphas LLM ist mehrsprachig sowie multimodal, verarbeitet also Text- wie auch Bilddaten. Dies erlaubt es z.B., Auskünfte zu den Änderungen durch Basel IV als Text oder Tabellen auszugeben. Mittels HPE GreenLake kann ein Unternehmen Hard- und Software für den KI-Alltag auf Abruf beziehen und nach Nutzung abrechnen – ganz so, wie dies bei Public-Cloud-Nutzung der Fall wäre, aber eben vor Ort im hauseigenen Rechenzentrum und unter der Kontrolle der eigenen IT-Abteilung. GreenLake vermeidet damit hohe Anfangsinvestitionen und garantiert zugleich die Compliance. Zusammen mit der Integration von Nvidias High-End-Technologie macht dies den KI-Einsatz selbst mittelständischen Unternehmen zugänglich. Erfahrene KI-Berater helfen bei Konzeption und Implementierung.

Das stets wache Auge der KI eröffnet Finanzinstituten ganz neue Möglichkeiten, um zahlreiche Prozesse zu beschleunigen, finanzielle wie auch rechtliche Risiken zu mindern und Kundenbeziehungen zu verbessern. Training und Betrieb der KI-Algorithmen im eigenen RZ mit Lizenzierung der KI-Infrastruktur rein nach Nutzung sorgen dafür, dass weder die Compliance-Abteilung noch das Finanzcontrolling ein Haar in der Suppe finden. Nicht einmal mithilfe von KI.

Weitere Informationen finden Sie hier. Oder nehmen Sie einfach Kontakt zu mir auf.