In meinem jüngsten Gespräch über die Fusion von künstliche Intelligenz (AI) und maschinelles Lernen im Finanzen Sektor hatte ich das Privileg, den Dialog mit gezielten Fragen zu steuern. Geleitet wurde unser Deep Dive von Sebastian Niehaus, einem Machine Learning Ingenieur spezialisiert auf Quantitative Finance und die CTO unter SEKASA Technologien . Sebastians umfassendes Fachwissen vermittelte aufschlussreiche Einblicke in die wachsende Symbiose von KI und fintech .

Während unseres CTO-Chats tauchten Sebastian und ich in die Welt der KI und der Finanzen ein. Obwohl wir meilenweit voneinander entfernt sind, verlief das Gespräch mühelos!

us warum sollte ein Finanzunternehmen die Integration von KI in sein Tagesgeschäft in Betracht ziehen?

Sebastian: Ganz einfach, sie ermöglicht die Analyse großer Datenmengen, die auf andere Weise nicht analysiert werden können, und schafft damit bedeutende Markt Vorteile.

Bei Finance dreht sich alles um die Analyse und Verarbeitung von Daten. Unabhängig davon, ob es sich um Zahlungsdienstleister oder Wertpapierfirmen handelt, Banken oder Marktmacher. Jeder Marktteilnehmer, und sei er noch so klein, führt Analysen mit vorhandenen Daten durch, vielleicht nicht mit ausgefallenen Algorithmen, aber mit anderen Formen der Analyse.

Das Problem mit den Daten ist jedoch, dass unabhängige Datenpunkte in der Regel nutzlos sind, sie werden erst interessant, wenn ein Kontext hinzugefügt wird. Dieser Kontext kann hinzugefügt werden, indem die Daten des aktuellen Falles mit ähnlichen Fällen verglichen oder weitere verwandte und nicht verwandte Daten hinzugefügt werden. Dies könnte zum Beispiel die Einbeziehung anderer Märkte oder Umweltdaten in Investitionsentscheidungen oder eine breitere Palette von Transaktionen bei der Betrugserkennung sein.

Jakub: Was sind KI und maschinelles Lernen unter diesem Gesichtspunkt überhaupt?

Sebastian: Künstliche Intelligenz (KI) ist die Entwicklung von Computersystemen, die in der Lage sind, Aufgaben auszuführen, für die normalerweise menschliche Intelligenz erforderlich ist, z. B. Lernen, logisches Denken, Problemlösung und Entscheidungsfindung.

Machine Learning ist ein Teilbereich der KI, der sich auf das Training von Algorithmen konzentriert, um Muster zu lernen und Vorhersagen aus retrospektiven Daten zu treffen, um eine bestimmte Aufgabe zu erfüllen. Auf diese Weise werden Muster und Mechanismen aufgedeckt, um Aufgaben zu automatisieren oder neues Wissen über sie zu generieren.

Methoden der künstlichen Intelligenz oder des maschinellen Lernens sind in den letzten Jahren so populär geworden, weil sie in der Lage sind, eine große Menge verschiedener Datenmerkmale zu verarbeiten. Das ist ein großer Unterschied zu den klassischen statistischen Modellen, die wir seit den 80er Jahren im Finanzwesen verwenden.

Jakub: Das ist eine interessante Erkenntnis! Was sind die Vorteile des maschinellen Lernens für FinTech Unternehmen?

Sebastian: In einem Satz: Sie nutzen ihr volles Potenzial!

FinTechs sind reine Datenproduzenten und müssen mit großen Mengen an Finanz- und Alternativdaten umgehen. Aus diesen Daten können sie neue Geschäftspotenziale entdecken, aktuelle Prozesse sichern, ihre Entscheidungen transparenter machen und die Qualität ihrer Entscheidungen verbessern.

Selbst wenn Prozesse oder insbesondere Entscheidungsprozesse klar definiert sind und gut funktionieren, ist es oft sinnvoll, Algorithmen des maschinellen Lernens hinzuzufügen, um eine zweite Sichtweise zu ermöglichen und den subjektiven Fehler des Menschen zu reduzieren. Dies könnte z. B. verhindern, dass Investmentgesellschaften FOMO-Investitionen tätigen.

Jakub: Was ist die Motivation und der Business Case für die Integration von KI?

Sebastian: Oft geht es um die Sicherung von Wettbewerbsvorteilen, um Prozessoptimierung oder einfach um die Beantwortung konkreter Fragen. Hinzu kommen Themen wie die Zukunftsfähigkeit, die zum Beispiel für sehr etablierte Finanzunternehmen ein Thema ist. Diese Unternehmen wissen oft gar nicht, welches Potenzial in ihren Daten steckt und kommen mit einer einfachen Anfrage: "Wir würden gerne ausprobieren, was sich mit Machine Learning in unserem Unternehmen verbessern lässt".

Lassen Sie mich die Antwort mit einigen Beispielen greifbarer machen:

• Bei Investmentfonds besteht oft die Motivation, den Anlegern mehr Sicherheit zu geben und damit natürlich auch einen Wettbewerbsvorteil zu erarbeiten. Bei einem Value-Investing-Ansatz kann dies zum Beispiel das Hinzufügen eines Machine-Learning-Modells als zusätzliche Kontrollinstanz sein
• Bei Analysen in der M&A-Beratung beispielsweise können Prognosen deutlich mehr Einflussfaktoren berücksichtigen und damit dem Käufer mehr Informationen über das potenzielle Zielobjekt liefern.

Ich könnte diese Liste ewig fortsetzen:

• KI-gesteuerte Automatisierung kann darüber hinaus zu geringeren Arbeitskosten und höherer Produktivität führen, was für Unternehmen erhebliche Kosteneinsparungen bedeutet.
• Die Integration von ML in Ihre Arbeitsabläufe führt zu einer höheren Effizienz. ML-Tools können sich wiederholende und zeitaufwändige Aufgaben automatisieren, so dass sich die Mitarbeiter mehr auf wichtige und wertschöpfende Aufgaben konzentrieren können.
• Verbessert Produktentwicklung / Verbesserte Portfolio-Strukturierung
• Skalierbarkeit (KI-gestützte Tools können große Datenmengen und Aufgaben ohne menschliches Eingreifen bewältigen)
• Wettbewerbsvorteil (KI-Tools können zu innovativen Produkten führen)
  Risikomanagement
• Personalisierte Kundenerfahrung / Verbesserter Kundensupport
  Prädiktive Analytik

Jakub: Lassen Sie uns dieses Thema näher erläutern - was sind einige beliebte Anwendungsfälle?

Sebastian: Einige der am häufigsten verwendeten sind:

• Identifizierung neuer Kunden
• Personalisierte Kundenerfahrung
• Kundenbetreuung Automatisierung: Identifizierung von Kreditausfallrisiken / Kreditrisikobewertung
• Aufdeckung von Betrug
• Einhaltung von Vorschriften
• Signalidentifizierung für Börsenkurse, Devisen und Rohstoffe
• Preisprognosen
• Identifizierung von Marktrisiken
• Stresstests
• Portfolio-Optimierung

Jakub: Wie kann maschinelles Lernen in FinTechs integriert werden?

Sebastian: Es ist wichtig, mit dem Geschäftsfall und den aktuellen Prozessen zu beginnen. Dies scheint offensichtlich zu sein, aber es ist üblich, dass dieser Punkt völlig unterschätzt und oft übersehen wird.

• Anwendungsfall/Business Case definieren
• Überprüfung der aktuellen Prozesse und Festlegung entsprechender Ziele
• Definition der relevanten, verfügbaren und benötigten Daten
• Datenerhebung und Vorverarbeitung
• Modell und Aufbau der Infrastruktur
• Auswahl des Modells
• Technische Merkmale
• Modell Ausbildung
• Bewertung des Modells
• Einsatz
• Bericht / Ausgabegestaltung
• Erstellung von Berichten
• Auswertung der Ergebnisse
• Kontinuierliche Überwachung und Wartung

Jakub: Wie schwierig ist es Ihrer Erfahrung nach, maschinelles Lernen in die Prozesse von FinTech-Unternehmen zu integrieren?

Sebastian:

• Alles hängt von der Verfügbarkeit und Qualität der Daten ab.
• Es werden eine robuste IT-Infrastruktur und Rechenleistung benötigt.
• Humanressourcen mit dem richtigen Fachgebiet und Wissen
• Datenschutz und Datensicherheit müssen jederzeit berücksichtigt werden.
• Die Integration von ML in bestehende Prozesse kann zu notwendigen Aktualisierungen des aktuellen Prozesses führen.
• Das Verständnis der Ergebnisse und die richtige Interpretation können schwierig sein.
• Die Modelle müssen ständig getestet und überprüft werden.
• Kontinuierliche Überwachung und Wartung.

Das mag nach viel klingen, aber viele dieser Aufgaben können standardisiert und automatisiert werden. Und einmal integriert, überwiegen die Vorteile schnell den Aufwand.

Jakub: Was Sie vorhin erwähnt haben, wirft eine Frage auf: Wie anpassungsfähig sind Modelle des maschinellen Lernens an sich verändernde Umgebungen?

Sebastian: Modelle des maschinellen Lernens sind sehr anpassungsfähig und müssen in der Lage sein, schnell auf sich verändernde Umgebungen zu reagieren. Sie können durch Techniken wie Umschulung auf aktualisierte Daten, Transferlernen und kontinuierliche Überwachung an veränderte Umgebungen angepasst werden. Dadurch wird sichergestellt, dass die Leistung von Modellen für maschinelles Lernen im Laufe der Zeit relevant und genau bleibt.

Beispiel: Für Handelsunternehmen.

Handelssignale für Devisen oder Rohstoffe können sich zum Beispiel durch Änderungen im Verhalten anderer Marktteilnehmer ändern. Wir können dies zum Beispiel durch das Aufkommen von Handels-Apps sehen, aber auch durch fortgeschrittenere Ereignisse.

Aus diesem Grund sollten Unternehmen, die bereits mit quantitativen Methoden arbeiten, stets darauf achten, ihre Algorithmen zu aktualisieren und neue Ideen einzubeziehen.

Jakub: Sebastian Danke für das aufschlussreiche Gespräch. Wir freuen uns auf mehr Wachstum und Innovation in diesem Bereich!

Sebastian: Es war mir ein Vergnügen, Jakub. Ich schätze diese Plattform, da sie es uns ermöglicht, die spannenden Fortschritte in unserem Bereich und seine Bedeutung in der sich ständig verändernden digitalen Landschaft zu diskutieren.