Machine Learning im Finanz­wesen: Die menschliche Komponente nicht unterschätzen

Machine Learning ist eines der Top-Themen im Zusammenhang mit der digitalen Transformation der Finanzbranche. Auch wenn es insbesondere in der deutschen Wirtschaft immer noch wenige Unternehmen gibt, die Machine-Learning-Strategien nutzen, die mehr sind als nur eine multivariate Automatisierung, bleibt das Thema aktuell. Thomas Cotic, CEO des Lösungsanbieters Actico betreut Kunden in der Finanzwirtschaft, die derartige Services anbieten wollen. In diesem Beitrag für IT-Finanzmagazin vermittelt er drei wichtige Erkenntnisse zum Status Quo von Machine Learning im Finanzwesen.

Die digitale Transformation hat die Finanzbranche endgültig erfasst. Bedingt durch schwindende Renditen, der Bedrohung durch FinTech-Unternehmen und den wandelnden Erwartungen der Kunden befindet sich jedes Finanzinstitut im Prozess der Digitalisierung, um effizienter zu arbeiten und den Kunden besseren Service bieten zu können. Machine Learning (ML) hat sich dabei in der gesamten Branche etabliert, um Prozesse zu automatisieren und die zahlreichen Nutzerdaten für eine effizientere Entscheidungsfindung nutzbar zu machen. Dabei sind die verschiedenen Institute unterschiedlich weit fortgeschritten und blicken auf unterschiedliche Erfahrungen zurück, so eine zentrale Erkenntnis des Risk & RegTech Summit von Actico, kürzlich in Frankfurt. Grundlegende Parallelen lassen sich dennoch erkennen.

1. These: Es gibt keine Blaupause für erfolgreiche ML-Projekte

Auch wenn sich Finanzinstitute einig darüber sind, ihr Geschäftsmodell mittels Machine Learning auf die nächste Stufe zu heben, so hat sich noch kein Erfolgsmodell herauskristallisiert. Neben klassischen Fällen wie z.B. Kreditanträge automatisiert zu beurteilen oder die False Positive Rate bei Compliance-Treffern zu reduzieren, bieten sich zwar zahlreiche Use Cases, um Machine Learning nutzbar zu machen und Prozesse automatisiert abzuwickeln. Die Frage, welche dies sein sollen, welche Daten dabei zum Einsatz kommen und welche Ziele dadurch erreicht werden sollen, finden in den Instituten unterschiedliche Antworten. Daher vollzieht sich die Durchführung vergleichsweise langsam, da sie sich nicht am Erfolgsmodell anderer orientieren können, sondern per explorativer Vorgehensweise ihre eigene Umsetzung entwickeln müssen.

2. These: Digitalisierung ist Teamarbeit

Es gibt also keinen Königsweg zu einer erfolgreichen Implementierung von Machine Learning. Gleichzeitig ist es jedoch auch keine Option, die Digitalisierung auszusetzen, bis sich erfolgreiche Use Cases entwickelt haben, an denen sich Banken orientieren können. Institute kommen daher nicht umhin, ihre eigene Erfolgsgeschichte zu schreiben. Dieses Vorhaben lässt sich allerdings nicht alleine durch die IT bewerkstelligen. Vielmehr braucht es ein gemeinsames Vorgehen mit den Fachabteilungen. Diese wissen am besten, welche Daten sie haben und welche sich am besten für eine Automatisierung nutzbar machen lassen.

3. These: Menschen bleiben ein wichtiger Bestandteil

Die Angst, entbehrlich und von Maschinen abgelöst zu werden, bestimmt häufig die Diskussion um die Digitalisierung. Die Praxis zeigt jedoch, dass eine erfolgreiche Automatisierung nur durch ein gemeinsames Vorgehen von Machine Learning und menschlichen Spezialisten erfolgen kann. Letztere sind dafür verantwortlich, den Algorithmus sowie die zugrundeliegenden Regeln zu orchestrieren und die dafür notwendigen Daten gemäß den eigenen Zielen aufzubereiten. Somit wird der Mensch mitnichten obsolet, sondern nimmt vielmehr eine steuernde Funktion ein. Banken können somit effiziente Prozesse gewährleisten, da die vorgegebenen Schritte zwar maschinell umgesetzt werden, dahinter jedoch menschliche Entscheidung steht.

Unabhängig davon, welche Prozesse Machine Learning automatisieren soll und mit welchen Daten der Algorithmus angereichert wird, ist Transparenz das oberste Gebot. Jede Entscheidung, die durch Machine Learning getroffen wird, muss erklärbar sein. Dies ist nicht nur durch die Finanzaufsicht gefordert, sondern schafft zudem gegenüber den Kunden Transparenz und sichert zudem Qualität und Vertrauen. tw