LBBW – 45 KI-Anwendungsfälle: “Ohne gut aufbereitete Daten bringt die beste AI keine Erfolge”
Die Verwendung von künstlicher Intelligenz zur Auswertung von Daten wird immer praxisnäher. Bei der LBBW gibt es bereits 45 verschiedene KI-Anwendungsfälle in verschiedenen Stadien. Kilian Retter, Leiter Data Analytics bei der LBBW, erklärte auf dem AI-Circle in Stuttgart, wie die Entwicklung der künstlichen Intelligenz bei der LBBW von Beginn bis heute aussieht – im Interview mit Dr. Hannah Abelein (mm1).
mm1
Herr Retter, wann macht KI Sinn und wann sollten Banken und Versicherer lieber auf herkömmliche regelbasierte Systeme setzen?
Die Entscheidung, welche Herangehensweise für einen Use-Case gewählt wird, hängt immer davon ab, wie die Zielsetzung formuliert wird. Den Scope im Vorfeld genau zu erarbeiten, ist dabei die wichtigste Aufgabe. Daraus lässt sich dann ableiten, ob ein regelbasiertes Modell, ein datengetriebenes KI-Modell oder eine Kombination aus beidem der richtige Weg ist.Voraussetzung für einen datengetriebenen Ansatz ist immer, dass für die Fragestellung, die mit einer KI-Methode bearbeitet werden soll, die notwendigen Daten mit ausreichender Historie und Menge zur Verfügung stehen.”
Die LBBW hat eine eigene AI Plattform mit Open-Source-Technologie umgesetzt. Warum haben Sie sich entschieden, die AI Plattform selbst zu bauen und zu betreiben (Make), anstatt eine fertige Lösung zu kaufen (Buy)?
Die LBBW will vor allem die Daten im eigenen Haus halten.”
Außerdem ist es aus regulatorischer Sicht wichtig, dass wir die Modelle erklären können. Zudem möchten wir aus strategischer Sicht diese Kompetenz im Haus behalten und finden es auch für die Außenwirkung ganz wichtig, u.a. für das Recruiting von Mitarbeitern.
Kilian Retter, Diplom-Wirtschaftsingenieur von der Technischen Hochschule Esslingen, beschäftigt sich seit über 20 Jahren mit Business Intelligence und Data Analytics in der LBBW. Er hat aus dem Retail-Banking Geschäft kommend, eine komplette Plattform zur Anwendung von AI Lösungen bei der LBBW (Website) aufgebaut, sowie den dazugehörigen Governance-Prozess zur Auswahl der aktuell 45 Anwendungsfälle. Intern ist er bestrebt, mit zahlreichen Informationsveranstaltungen Vorurteile abzubauen und Halbwissen zu reduzieren.Das Thema Regulierung ist mit der BaFIn besonders in der Bankenbranche sehr relevant. Die Regulierung fordert, dass KI-Systeme transparent sind und Entscheidungen im Nachhinein nachvollziehbar sein müssen. Wie kann das erreicht werden?
Um diese Anforderungen erfüllen zu können, werden bei uns Verfahren eingesetzt, die dies tatsächlich möglich machen. Derzeit ist unklar, wie man mit neuronalen Netzen umgehen soll. Für einige Fragestellungen sehen wir darin durchaus die Methode, die das beste Ergebnis liefern könnte. Es gibt auch bereits erste Ansätze, wie die Entscheidungswege solcher Modelle sichtbar und nachvollziehbar gemacht werden können. In wie weit diese Ansätze auch regulatorisch Akzeptanz finden, wird sich sicher in der nahen Zukunft zeigen.
Wie hoch ist die Gefahr, dass überproportional viel Data Engineering im Vergleich zum Data Science betrieben wird?
Also der Aufwand des Data Management liegt bei ca. 60 %. Insgesamt ist der Daten-Lieferant vor allem wegen seines fachlichen Inputs sehr wichtig. Die Fachseite ist auch der einzige Bereich, der Fehler der AI erkennen und erklären kann.
In Summe ist nach unserer Erfahrung eher die Gefahr groß, dass zu viel Data Science anstatt Data Engineering betrieben wird, denn ohne gut aufbereitete Daten bringt die beste AI keine Erfolge.”
Gerade das Thema Daten ist in Zeiten der neuen DSGVO ein sensibles Thema. Welche Daten sind im Retail Banking überhaupt zugriffsberechtigt, bspw. Kontobewegungen?
Eine Bank hat natürlich prinzipiell einen Datenschatz an Zahlungs- und Transaktionsdaten. Selbstverständlich müssen die Datenschutz-Vorgaben berücksichtigt werden. Wir setzen unsere Modelle nur für Kunden ein, von denen eine Einwilligungserklärung zur Datennutzung nach DSGVO vorliegt. Darüber hinaus sind für die Kundenansprache weiterhin die Vorgaben des UWG zu beachten. Bisher werden keine individuellen Transaktionsdaten in den Modellen verwendet.
Zur praktischen Umsetzung innerhalb der LBBW: Wie viele von den 45 Anwendungsfällen bei der LBBW sind in Betrieb?
Aktuell sind 8 Anwendungsfälle in Betrieb mit regelmäßiger Anwendung, 5 weitere sind bereits für den Regelbetrieb vorbereitet. Insgesamt haben wir ca. 25 Anwendungsfälle in Bearbeitung, der Rest steht noch im Backlog.”
Wie wird entschieden, ob ein Vorschlag als Anwendungsfall umgesetzt wird?
Zuerst wird der Anwendungsfall in einem Workshop mit dem KI-Kernteam und dem Einreicher diskutiert. Bewertungskriterien sind zum Beispiel Einsparung von Mitarbeitern oder Sachkosten, Ausweitung des Gewinns, Reduzierung des Risikos. Anschließend erfolgt dann eine Entscheidung über eine Priorisierung.
Das bedeutet, Sie entscheiden auf Basis des Geschäftserfolges. Wie stark ist der Einfluss der KI-Lösung auf den Vertriebserfolg?
In einem Anwendungsfall konnten wir die Terminvereinbarungsquote von 10 auf 30 Prozent anheben. In einem anderen stieg die Abschlussquote von 1-1,5 auf 2-7 Prozent.”
Innerhalb der Anwendungsfälle gibt es KI-Systeme bzw. -Methoden, die sich besonders für bestimmte Aufgaben eignen?
Es gibt Methoden, die für bestimmte Fragestellungen besser oder weniger gut geeignet sind. Aber wie oben schon erwähnt, hängt das immer von der Fragestellung und den verfügbaren Daten ab. Für die Bilderkennung wird man eher zu Modellen auf Basis neuronaler Netze neigen. Für Prognosemodelle reicht aber oftmals schon ein einfacher Entscheidungsbaum aus, um bereits sehr gute Ergebnisse zu erzielen.
Das Thema neuronale Netze hört man aktuell ständig im Zusammenhang mit KI – wie tief sind die neuronalen Netze, die heute im Einsatz sind? Und welche Entwicklungen und Leistungen erwarten Sie in den nächsten zwei bis drei Jahren?
Wie gesagt, wir setzen derzeit keine neuronalen Netze ein. In zwei bis drei Jahren werden wir aber sicher diese Modellvariante der KI auch im Einsatz haben – vorausgesetzt die regulatorischen Anforderungen werden erfüllt.
Auch wenn die Einsatzmöglichkeiten der neuronalen Netze in Zukunft zunehmen werden, bin ich davon überzeugt, dass auch regelbasierte Methoden und die Modelle der sogenannten „schwachen KI“ – mit denen wir hauptsächlich arbeiten – ihren Platz in der Datenanalyse behaupten werden.”
Herr Retter, herzlichen Dank für das Gespräch.Dr. Hannah Abelein, mm1
Sie finden diesen Artikel im Internet auf der Website:
https://itfm.link/98782
Schreiben Sie einen Kommentar