KI: Bitte stabile Datengrundlage – statt kurzfristiger Optimierung!

Folgt man der aktuellen Wirtschaftspresse, entsteht derzeit der Eindruck, Generative KI sei das Allheilmittel für alle Probleme. Die Realität sieht jedoch anders aus. Der Einsatz von Künstlicher Intelligenz im Bankwesen wird erst mit einer durchgängigen und auf einer stabilen Datengrundlage basierenden Implementierung der Technologie wirkungsvoll – nicht durch punktuelle Effizienzprojekte aufgrund kurzlebiger Hypes.

von Hans-Christian Boos, Geschäftsführer Almato AI, Datagroup

In vielen Bereichen der Banken-IT wird KI bisher aber so eingesetzt. Diese Ansätze führen nur zu kleinen Optimierungen. Wesentliche Hemmnisse für wirkungsvolle Projekte sind fehlende Grundlagen sowie die aufwändigen Implementierungen von Compliance-Maßnahmen. So erschwert die Regulatorik in der Finanzwirtschaft beispielsweise die Auslagerung von Kerngeschäftsdaten, die externe KI-Betreiber für die vollständige Anwendung von KI bräuchten. Auch die Lünendonk-Studie 2024 zeigt:

69 Prozent der befragten IT-Verantwortlichen sehen Data Governance und regulatorische Aspekte als Hindernisse für den Einsatz von Generativer KI.”

Banken brauchen einerseits den Mut, ihre Geschäftsprozesse grundlegend neu zu denken und müssen andererseits eine durchgängige Datengrundlage für KI Projekte schaffen, da ansonsten die Gefahr droht, dass der KI-Einsatz über eine kosmetische Korrektur nicht hinauskommt.

Unrealistische Erwartungen an Generative KI

Generative KI ist aktuell das Hype-Thema und lockt mit der Verheißung, sämtliche Probleme zu lösen, ähnlich wie zuvor Deep Learning. Doch solche Versprechungen sind unrealistisch. Bei Deep Learning scheiterte der breite Einsatz zum Beispiel an einem enormen Datenbedarf, der oft nicht gedeckt werden konnte.

Über 70% der Geschäftsprozesse ließen sich nicht erfassen oder automatisieren, weil die Daten fehlten, nicht gesammelt werden konnten oder Zeit ein kritischer Faktor war.”

Die entscheidende Frage bleibt deshalb: Wie lässt sich KI mit begrenzter Datenmenge effektiv nutzen? Erfolgversprechend ist dazu der Wissenstransfer direkt von Menschen.

Momentan wird oft vernachlässigt, dass Generative KI bzw. die zugrundeliegenden Transformer-Algorithmen das Feature der Wissensrepräsentation nicht beinhalten.”

Ohne dieses Feature erzeugen die Modelle jedoch lediglich statistisch korrekte, aber möglicherweise auch „halluzinierte“, d.h. nicht der Realität entsprechende Ergebnisse.

Als Lösung für dieses Problem wird häufig Prompt Engineering genannt, was in der Berichterstattung als eine Art Wissenschaft dargestellt wird. Es handelt sich dabei jedoch lediglich um Erfahrungswerte, die immer an ein bestimmtes Modell und dessen Trainingsstand gekoppelt sind. Prompting ist deshalb eher als Kunst zu betrachten. Es werden damit die sehr großen Parameterräume eines Generativen KI-Modells auf einen bestimmten Kontext gefiltert, da man unmöglich selbst 80 Mrd. Parameter einstellen kann. Durch ungenaue Sprache und deren statistischer Umsetzung werden die Ergebnisse unvorhersehbar.

Insbesondere im Bankwesen, wo der European AI Act Erklärbarkeit fordert, stellt die Intransparenz und die fehlende Wissensrepräsentation von Generativer KI ein untragbares Risiko oder sogar eine Nichtnutzbarkeit dar.”

Die Nutzung von Kerndaten für das Training oder auch nur für den Einsatz zur Konfiguration von Filtern ist aufgrund des Datenschutzes und der Regulatorik in allen großen Finanzmärkten quasi unmöglich. Unabhängig davon, welche vertraglichen Vereinbarungen über Datensegregation getroffen werden, fließen die Daten bei diesen Prozeduren immer in die Parametrisierung ein, die dann selbst wieder zum Training der Modelle verwendet wird. Damit werden diese Daten auf eine unvorhersehbare Weise in den Modellen repräsentiert.

Einsatz einer Reasoning Engine für nutzbare Ergebnisse

Auch wenn sich Generative KI nicht zur freien Erzeugung verlässlicher Inhalte eignet, erleichtert sie die Zusammenarbeit von Mensch und Maschine.

Nutzer bleiben in ihrer natürlichen Kommunikationsumgebung – der Sprache – und können ihre Wünsche intuitiv an die Maschine übermitteln, wodurch die Technologie für viel mehr Menschen zugänglich wird.”

Für eine wissensbasierte Ausführung bedarf es jedoch deutlich mehr. Denn um korrekte und erklärbare Ergebnisse zu erzielen, ist zusätzlich der Einsatz einer Reasoning Engine erforderlich. Auch Satya Nadella, CEO von Microsoft und einer der weltweit größten Investoren in Generative KI, betont ständig die Notwendigkeit dieser Kombination.

Reasoning Engines sind in der Lage, Argumenten zu folgen und Abwägungen auch anhand von Kausalitäten und nicht nur mithilfe von Korrelationen vorzunehmen.”

Durch Kompartmentalisierung wird der Datenaustausch mit LLMs und damit der Energiebedarf – sowohl für das Training als auch für das Generieren einer Entscheidung – verringert. In einer solchen Architektur können Informationen nicht nur aus Datenbanken, sondern auch direkt von Nutzern für die KI zugänglich gemacht werden. So kann die KI auch in “Little Data”-Umgebungen effektiv eingesetzt werden. Zudem bietet sie die geforderte Erklärbarkeit und kann damit auch in regulierten Bereichen wie dem Finanzwesen genutzt werden.

Generative KI, Deep Learning und eine Reasoning Engine ermöglichen erst durch ihre Kombination eine effiziente Mensch-Maschine-Interaktion mit fundiertem Wissenstransfer, der Fähigkeit aus Erfahrungen zu lernen sowie erklärbar logischen, nicht statistischen Antworten.”

Die KI-Algorithmen sind damit fähig zur Entscheidungsfindung und dem Abarbeiten auch von ungenau definierten Prozessen. Deshalb ist dies die sinnvollste Lösung für den strategischen Einsatz (nicht nur) in regulierten Umgebungen.

Der Datenhaushalt wird hierfür in einem semantischen Graphen abgebildet, der die Welt einer Finanzinstitution für eine Maschine lesbar macht und damit eine zentrale Anwendung erlaubt.

So können auch ressourcenintensive Kernprozesse wie Compliance-Maßnahmen, die sich negativ auf die Flexibilität und Geschwindigkeit des eigentlichen Geschäfts auswirken, als Einstiegspunkt für den Einsatz von KI genutzt werden.”

Die KI wird dadurch nicht nur zur Lösung einzelner punktueller Probleme, sondern zum strategischen Treiber für umfassende Veränderungen im Unternehmen.

Fundament für KI durch semantische Datenstrukturen

Die Basis für eine solche Vorgehensweise bildet die richtige Datenerfassung und -haltung.

Statt an veralteten Datawarehouse- oder Datalake-Strategien festzuhalten, sollten Banken auf Knowledge Graphen setzen, wie es die Big Techs bereits tun.”

Diese Graphen bilden die Grundlage für eine konsistente Datenwiederverwendung und sind entscheidend für den Einsatz von KI. Wichtig dabei ist, die Evolution der Datenstruktur im Banking dynamisch zum Prozess zu machen, statt starre Ontologien vorab zu definieren. Nur so wird die Entdeckung von tatsächlichen Datenbeziehungen möglich.

Die Vorstellung, dass IT-Experten in den Banken durch große vorgedachte Datenmodelle eine perfekte Datenwelt erschaffen, ist so veraltet wie das Sparbuch.”

Es muss eine lebendige, sich selbst verfeinernde Datenbasis geschaffen werden, die zuverlässig und schnell erweiterbar ist – ein Nervensystem der digitalen Bank. Denn auf einem soliden, flexiblen Datenfundament, das selbst mit schlechter Datenqualität und unvorhersehbaren Ereignissen umgehen kann, lässt sich eine lückenlose Digitalisierung und effektive Nutzung von KI realisieren.

Datengrundlage-Fazit

Generative KI ist kein Wundermittel, sondern ein mächtiges Werkzeug, das richtig eingesetzt werden muss. Banken, die weiterhin auf kurzfristige Effizienzprojekte setzen und dem Hype um KI unkritisch folgen, werden langfristig keinen Erfolg haben.

Die Finanzinstitute müssen den Mut haben, ihr Geschäftsmodell und -prozesse zu überdenken, semantische Datenstrukturen zu nutzen und KI in einer Kombination aus Generativem Modell und Reasoning Engine als zentralen Innovationstreiber zu etablieren.”

Hans-Christian Boos, Geschäftsführer Almato AI