Markt Magazin

iStock.com/cjp

KI-Projekte: Der Einsatz von Data Science in der Bank

Die Digitalisierung ist in aller Munde. Doch digitalisiert wird schon lange – auch und gerade bei Banken. Die ersten Computer hielten bei Kreditinstituten schon in den 1950ern Einzug. So wurde z. B. bei der Bank of America im Jahr 1955 die Software ERMA (Electronic Recording Method of Accounting) live genommen. Diese verarbeitete Schecks und automatisierte die Kontoführung. Was damals langsam anfing, ist inzwischen selbstverständlich. Wer kann sich heute noch eine Bank ohne IT vorstellen? In der Zwischenzeit haben alle Banken IT eingeführt – und sollte es solche geben, die sich dem Fortschritt verschlossen haben, so sind sie vom marktwirtschaftlichen Wettstreit hinweggefegt worden.

So wie heute – gerade in Zeiten von Corona – schlanke digitale Prozesse, kosteneffiziente IT-Plattformen und ein leistungsfähiges Online Banking entscheidende Wettbewerbsfaktoren sind, so gehört die Zukunft der Künstlichen Intelligenz. Amazon und Google haben es vorgemacht: Der Wettbewerb um den Kunden wird heute nicht mit schicken Schalterhallen oder extra-sicheren Bankschließfächern gewonnen, sondern mit intelligenten Produkten, Mobile Apps, personalisierten Services und schnellen und automatischen Prozessen rund um die Uhr.

Dieser Beitrag soll einen Überblick dazu geben, wie die Deutsche Kreditbank AG (DKB) Künstliche Intelligenz konkret einsetzt, wie Produkte entwickelt und betrieben wurden, welche Erfolgsfaktoren das Institut identifizierte und welche konkreten Projekte bereits realisieren werden konnten.

Beim Begriff Künstliche Intelligenz denkt ein Großteil der Bevölkerung entweder an Science-Fiction-Filme oder an spektakuläre Erfolge wie den Sieg einer KI über den weltstärksten Spieler von Go, Lee Sedol. Doch die Praxis ist deutlich profaner – und gerade darum vielleicht auch vielfältiger und spannender. Denn erfolgsversprechende Einsatzzwecke von KI in Banken sind nicht so sehr futuristische potenzielle Anwendungen (wie z. B. die Bonitätseinschätzung auf Basis einer Stimm­analyse des Antragstellers), sondern sie schlummern in den bereits vorhandenen Prozessen, die teils träge, kompliziert und erst recht nicht personalisiert sind. Das gilt sowohl für Prozesse im Backend als auch für solche an der Schnittstelle zum Kunden. Das soll anhand von zwei Beispielen für erfolgreiche KI-Entwicklungen in der DKB illustriert werden.


KI beim Kundenservice
Neben der Hotline nehmen E-Mails mit vielen Tausend Anfragen pro Tag einen sehr hohen Stellenwert ein. Kunden und Interessenten können sich jederzeit per Mail an die Bank oder per Kontaktformular an das Kontaktcenter wenden. Damit den Anfragenden bei der Vielzahl an möglichen Themen (von der PIN-Sperre über eine Anfrage zur Erhöhung des Kartenlimits bis zu einer Rückfrage zur Bürgerfinanzierung) schnell und zielgerichtet geholfen werden kann, muss die Mail zuerst einmal an einen passenden Agenten im Kontaktcenter zugestellt werden. Traditionell hat die DKB hierbei auf Schlagwortregeln gesetzt. Doch diese können die Intention einer Mail nicht im Kontext erfassen und müssen zudem aufwändig manuell gepflegt werden.

Daher wurde beschlossen, mit Deep Learning eine leistungsfähige KI zu entwickeln, die auf Basis des Verständnisses von natürlicher Sprache eigenständig eine Kategorisierung der Mail vornimmt. Da das Kreditinstitut über eine Historie von vielen Millionen Mails verfügt, wurde das Modell komplett von Grund auf entwickelt. Das hat den Vorteil, dass die KI neben Deutsch auch DKB-Sprech versteht, also spezielle Vokabeln wie DKB Cash, Tan2Go, Miles&More und weitere Termini aus unserem Produktportfolio nativ erfasst.

Die KI wurde im Laufe des letzten Jahres entwickelt und ist nun seit einigen Monaten produktiv im Einsatz. Im Vergleich zu den Schlagwortregeln konnte die Genauigkeit der Zustellung an die Agenten erheblich erhöht werden, was sich u. a. in schnelleren Antwortzeiten für die Kunden und geringeren internen Bearbeitungszeiten bemerkbar macht.


KI in der Antragsstrecke
Ein weiteres Produkt ist das Privatdarlehen, also ein unbesicherter Konsumentenkredit. Auch dank der wachsenden Plattformökonomie und insbesondere der vielen Vergleichsportale erreichen die Bank Hunderttausende Anfragen im Monat. Jeder Antrag zieht potenziell Kosten nach sich – sowohl für die interne Bearbeitung und Prüfung als auch für die Anfrage von externen Datenquellen wie der Schufa. Dabei kann eine KI bei vielen Krediten schon auf Basis der Antragsdaten erkennen, dass der Antrag (fast) keine Chance auf Erfolg hat, weil z. B. bestimmte Risikomerkmale vorliegen. Auch bei der Ausfilterung von Dubletten kann eine KI noch erhebliche Kosten einsparen, weil sie z. B. Zahlendreher und Tippfehler erkennt, die mit starren Regeln unentdeckt bleiben.

Um dieses Potenzial zu erschließen, hat die DKB eine KI entwickelt, die sich direkt in bestehende Workflow-Software einklinkt und im laufenden Betrieb nun dazu beiträgt, erhebliche Kosten einzusparen und so die Profitabilität des Geschäfts mit Privatdarlehen weiter zu erhöhen.


KI als Wissenschaft
Der Begriff Data Science, deren Paradedisziplin die KI ist, bedeutet wörtlich die Wissenschaft der Daten. Auch wenn in der Unternehmenspraxis die Aspekte der praktischen Umsetzung dominieren, gehört ein Anteil von Forschung und Entwicklung zu fast jedem Data-Science-Projekt. So ist es oft unklar, welche Daten für die Problemstellung wirklich relevant sind, wie sie am besten verarbeitet werden, wie der Erfolg gemessen wird und, nicht zuletzt, welcher Modellansatz vielversprechend ist.

Um zu guten Ergebnissen zu kommen, benötigt es eine gehörige Portion von Versuch und Irrtum. Experimente können einen unklaren Ausgang haben. Gefragt ist Flexibilität, um auch alternativen Ansätzen nachzugehen. Eine rigide Projektstruktur mit festen Abhängigkeiten, detailliert geplanten Vorgehensschritten und strikten Deadlines steht diesem Entwicklungsmodell im Wege und kann im schlimmsten Fall Innovationen verhindern und Projekte scheitern lassen.

Die DKB hat bei der Umsetzung von KI-Projekten sehr gute Erfahrungen mit einem agilen, iterativen Vorgehen gemacht. Am Anfang eines Projekts werden die benötigten Daten, das Vorgehen und die Modelle nur grob skizziert bzw. als Hypothesen festgehalten. Dann folgt eine rasche Entwicklung in mehreren Zyklen. Im ersten Zyklus geht es darum, möglichst schnell ein einfaches Modell auf die Beine zu stellen, das zumindest etwas besser als der bisherige Stand (die sogenannte Baseline) ist. Wenn das gelingt, wird die KI nun in weiteren Zyklen verfeinert, z. B. durch zusätzliche Daten oder ausgeklügelte Modelle. Ist die erste Iteration hingegen nicht erfolgreich, werden die Gründe analysiert. 

Falls alternative vielversprechende Ansätze identifiziert werden, können diese in einem neuen Zyklus verfolgt werden. Es kann aber auch sein, dass sich herausstellt, dass nicht genügend Daten vorhanden sind oder der aktuelle Stand der Technik nicht ausreicht, um die Entwicklung erfolgreich weiterzuführen. In diesem Fall kann das Projekt abgebrochen werden. So sind nur die vergleichsweise geringen Aufwände des ersten, schnellen Zyklus angefallen – ganz anders als bei einem gescheiterten Großprojekt. 

Selbst mit der Produktivnahme der KI gehen die Entwicklungszyklen weiter. Das Modell hat keine festen Releases, sondern ist ein laufendes, dynamisches Projekt, das kontinuierlich an neue Anforderungen angepasst und weiter verbessert wird – ganz im Sinne des DevOps-Ansatzes (Development Operations) der Softwareentwicklung.


Die Cloud bietet hohe Leistung und große Flexibilität
Ein weiterer entscheidender Faktor für die erfolgreiche Entwicklung von KI ist eine leistungsfähige und flexible Data-­Science-Umgebung, die auch die Arbeit im Team unterstützt. Der Einsatz einer Cloud bietet hier viele Vorteile. So sind sämtliche Daten für die Data Scientists zentral verfügbar und können direkt in der Cloud verarbeitet werden. Bei Datenmengen, die z. T. mehrere Terabyte groß sind, ist das ein wesentlicher Vorteil gegenüber Daten, die lokal oder auf einem Teamlaufwerk gespeichert sind.

Noch wichtiger ist aber die Flexibilität der Cloud in Bezug auf Rechenleistung. Für leistungsfähige Deep-Learning-Verfahren benötigt man hochspezialisierte Hardware-Verbünde. Hier stellen die großen Cloud-Anbieter jeweils die neueste Hardware-Generation zur Verfügung. Durch das Pay-per-Use-Modell der Cloud-Anbieter trägt man keine Investitionskosten und zahlt nur für die Rechenleistung, die man tatsächlich nutzt. Die eingesetzte Cloud-Technologie muss aber zugleich sicher sein (z. B. durch Verschlüsselung) und selbstverständlich auch die Anforderungen des Datenschutzes erfüllen.

Der – gerade für kleine Banken – womöglich größte Vorteil der Cloud ist jedoch deren ausgereiftes Ökosystem. Die Cloud-Anbieter stellen nicht nur Hardware zur Verfügung, sondern auch ausgefeilte Software, die direkt schlüsselfertig nutzbar ist. So kann man mit wenigen Mausklicks eine komplette Data-Science-Umgebung an den Start bringen, inklusive vorinstallierter KI-Bibliotheken, Code-Verwaltung und automatischer Backups.


Fazit
Die Entwicklung der IT hat viele Jahrzehnte gebraucht, bis aus klobigen Rechnern mit Lochkarten die Wunderwerke mobiler Smartphones wurden. Bei KI stehen wir erst am Anfang dieser Reise, und vieles, was Bankgeschäfte besser, schneller und persönlicher macht, muss erst noch erfunden und entwickelt werden. Doch eins ist klar: Die Zukunft gehört der KI und den Banken, die es verstehen, die Technologie im Sinne ihrer Kunden und Prozesse erfolgreich einzusetzen.
 


Autor



  Torsten Nahm ist Head of Data Science bei der Deutschen Kreditbank AG.

Stichworte

Verwandte Artikel

Anzeige

Lexikoneinträge