KI im Bankwesen

Die weiteren Entwicklungen im Bereich KI und Machine Learning (ML) im Bankwesen werden zweifellos zu Verbesserungen im Kundenservice und in der operativen Effizienz führen. KI-gestützte Kundenservice- und Beratungsleistungen werden zunehmend anspruchsvoller und können auch komplexere Szenarien abdecken.

Auf operativer Ebene unterstützt KI die Prävention von Finanzbetrug, indem sie die Kreditvergabe und die Erkennung illegaler Aktivitäten mithilfe fortschrittlicher Modellierung verbessert. Zusätzlich wird KI Routineaufgaben, wie beispielsweise die Dateneingabe, weiter automatisieren und so zu optimierten Backoffice-Prozessen beitragen.

Ressourcen von Red Hat für das Bankwesen ansehen

Es gibt jedoch viele Herausforderungen bei einer großflächigen Einführung von KI im Bankwesen. Dazu zählen unter anderem Hürden im Zusammenhang mit Produkten, Daten, Compliance, Abläufen sowie Talentsuche und Training.

In diesem Artikel zeigen wir auf, wie eine KI- und ML-gestützte Zukunft des Bankwesens aussehen könnte, welche Herausforderungen sich auf dem Weg dorthin stellen und welche wichtigen Kompetenzbereiche Sie meistern müssen, um diese Herausforderungen zu bewältigen.

Wie sieht KI im Unternehmen aus?

KI hat das Potenzial, die Abläufe im Bankwesen von Grund auf radikal zu verändern. Im Folgenden werden 4 wichtige Bereiche einer Bank aufgeführt und erläutert, wie diese möglicherweise durch aktuelle und sich entwickelnde KI-Technologien beeinflusst werden können.

KI für Marketing und Vertrieb

• Kundenakquise: Eine effektivere Zielausrichtung und prädiktive Analysen unterstützen die Kundenakquise, wodurch potenzielle Kunden und Kundinnen effizienter identifiziert werden können.
• Kunden-Onboarding: Der Onboarding-Prozess für Verbraucher, Unternehmen und Konzerne könnte in schwierigeren Szenarien vollständig automatisiert und so für neue Bankkunden schneller und benutzerfreundlicher werden.
• Kundentreue: Die Kundentreue kann durch personalisierte Produkte und Services verbessert werden, sodass Kundenzufriedenheit und -bindung steigen.

KI für Abläufe und Services

• Beratung: Finanzberatung könnte intelligenter werden und sich besser an veränderte Bedingungen anpassen.
• Verarbeitung: Die Behandlung von Ausnahmen im Bankwesen könnte beschleunigt werden, was zu kürzeren Wartezeiten und einer verbesserten operativen Effizienz beiträgt.
• Support: KI-gestützte Assistenten könnten sich effizienter und effektiver um komplexe Kundenanfragen und Probleme kümmern.

Mehr über die Operationalisierung von KI erfahren

KI für die Risikobeurteilung

• Modellierung: Bei der Analyse großer Datensets kann die Risikomodellierung im Bankwesen robuster und dynamischer werden, um finanzielle Risiken genauer vorherzusagen und zu mindern.
• Inkassodienstleistungen: Die Strategien beim Inkasso könnten durch verbesserte Analysen und der Bestimmung des effektivsten Ansatzes für die Tilgung optimiert werden.
• Prävention von Finanzbetrug: KI könnte dabei helfen, Finanzbetrug mithilfe von Mustererkennung besser zu erkennen, verdächtige Transaktionen zu identifizieren und falsch positive Ergebnisse zu reduzieren.

KI für das Finanz- und Rechnungswesen

• Berichterstellung: Finanzberichte im Bankwesen könnten durch die automatisierte Datenerfassung und -analyse optimiert werden, sodass akkurate und zeitnahe Berichte entstehen. Zusätzlich sorgt die Verarbeitung von Berichten mithilfe von KI-Agenten dafür, dass weniger Personen Zugriff auf sensible Daten haben.

Bei der Umstellung auf KI-Technologien werden nicht nur technische Anpassungen erforderlich, auch Kundenerwartungen und Organisationspraktiken müssen sich verändern. Banken, die eine tiefgreifende Integration innerhalb der Organisation in Betracht ziehen, sollten auch die damit einhergehenden Herausforderungen kennen und sich darauf vorbereiten, diese zu überwinden.

Produkt

• Kundenakzeptanz: Es kann schwierig sein, Bankkunden davon zu überzeugen, KI-basierte Services zu verwenden. Manche Kunden sind vielleicht zögerlich, wenn es darum geht, KI bei ihren Bankgeschäften zu verwenden. Daher sind Transparenz und Erklärbarkeit wichtig.

Daten

• Qualität: Qualitativ hochwertige Daten sind eine Grundvoraussetzung für KI im Bankwesen. Banken haben oft mit Daten zu tun, die verteilt, nicht vollständig oder von geringer Qualität sind, weshalb die Entwicklung effektiver KI-Modelle komplex sein kann.
• Veraltete Systeme: Viele Banken arbeiten mit veralteten Systemen, die keine gute Kompatibilität mit modernen KI-Technologien bieten. Die Integration von KI in diese Systeme kann teuer, zeitaufwendig und komplex sein.

Compliance

• Erklärbarkeit: Angesichts der Komplexität von KI-Algorithmen, die Deep Learning nutzen, lässt sich oft nur schwer nachvollziehen, wie eine KI-Entscheidung getroffen wurde. Dies ist für Regulierungsbehörden, die Transparenz fordern, ein Problem.
• Datenschutz: Bankinstitute arbeiten mit sensiblen Kundendaten, weshalb KI-Systeme den Schutz und die Sicherheit dieser Daten sicherstellen müssen. Dazu zählen der Schutz von Daten vor dem sogenannten Data Poisoning, das eine ständige Bedrohung für das Finanzwesen darstellt.
• Verantwortungsbewusste Nutzung: Die Verwendung von KI, beispielsweise bei der Erstellung von Kundenprofilen oder der Kreditvergabe, kann zu ethischen Bedenken in Bezug auf Fairness, Diskriminierung und Datenschutz führen. Für eine erfolgreiche Einführung ist es unerlässlich, diese Bedenken anzusprechen.

Infrastruktur und Abläufe

• Skalierbarkeit: Die Ausweitung der KI-Einführung in eine Bankorganisation, einschließlich Geschäftsanwendungen und Betriebsabläufe, stellt angesichts zunehmender Veränderungen eine große Herausforderung dar.
• Kosten: Die anfänglichen Investitions- und Wartungskosten für KI im Bankwesen können hoch sein und zu Unschlüssigkeit bei der Einführung führen, ohne eindeutige Beweise für eine positive Auswirkung auf den ROI.

Menschen

• Talentsuche: Banken mangelt es an KI-Profis, die sowohl im Bereich Data Science als auch im Bankgeschäft ausgebildet sind.
• Einführung bei Mitarbeitenden: In Banken kann Widerstand gegen KI aufgrund von Bedenken hinsichtlich Arbeitsplatzverlust, Arbeitsplatzsicherheit oder mangelndem Verständnis für die Vorteile von KI entstehen.

Ein erfolgreiches Deployment Ihrer KI-Workloads in großem Umfang hängt davon ab, wie effizient und effektiv die verschiedenen Komponenten zusammenarbeiten. Insbesondere Inferenzserver, die größere KI-Modelle (wie LLMs) und ihre komplexeren Inferenzfunktionen unterstützen, sind für die Skalierung von KI-Workloads für Unternehmen unerlässlich.

Diese KI-Tools nutzen Ressourcen effizienter, um schneller zu skalieren: 

• llm-d: LLM-Prompts können komplex und uneinheitlich sein. Sie benötigen in der Regel umfangreiche Rechenressourcen und Storage, um große Datenmengen zu verarbeiten. Mit einem Open Source-KI-Framework wie llm-d können Entwicklungsteams Techniken wie verteilte Inferenz nutzen, um die steigenden Anforderungen von anspruchsvollen und größeren Reasoning-Modellen wie LLMs zu unterstützen.
• Verteilte Inferenz: Verteilte Inferenz sorgt dafür, dass KI-Modelle Workloads effizienter verarbeiten können, indem die Inferenzarbeit innerhalb einer Gruppe miteinander verbundener Geräte verteilt wird. Stellen Sie sich dies als Äquivalent zum Sprichwort „Viele Hände machen ein schnelles Ende“ für den Softwarebereich vor.  
• vLLM: vLLM steht für Virtual Large Language Model und ist eine Library von Open Source-Code, die von der vLLM Community verwaltet wird. Das Modell unterstützt Large Language Models (LLMs) dabei, Berechnungen effizienter und in großem Umfang durchzuführen.

Erfahren Sie, wie Red Hat AI diese Tools und Funktionen integriert, um Kunden beim Einsatz von KI in großem Umfang zu unterstützen.

Mehr über Red Hat AI erfahren

Für eine effektive Nutzung von KI müssen Banken wichtige Kompetenzbereiche meistern.

Diese reichen von technischen Aspekten wie etwa Training und Datenmanagement bis hin zu organisatorischen Faktoren wie Governance und Talentsuche. Dieser Abschnitt stellt Ihnen diese wichtigen Kompetenzbereiche vor und erläutert, was Banken brauchen, um KI-Technologien erfolgreich zu implementieren und von diesen zu profitieren. Wenn Sie diese Kompetenzbereiche verstehen und weiterentwickeln, kann dies einen signifikanten Einfluss darauf haben, wie effektiv und effizient KI innerhalb der Bank skaliert wird.

Training und Abstimmung

Für eine effektive Nutzung von KI im Bankwesen sind robuste Basismodelle erforderlich sowie die Möglichkeit, neue zu entwickeln. Dies erfordert ein Repository mit Basismodellen, die nach Bedarf genutzt und angepasst werden können. Zusätzlich sollte die Betriebsumgebung für das Training dieser Modelle stets verfügbar und leicht zu provisionieren sein. Dies hilft der Organisation dabei, KI-Modelle effizient zu trainieren und Feinabstimmungen an diesen vorzunehmen, sodass sie mit sich wandelnden Daten und Marktbedingungen mithalten können.

Diese Agilität beim Trainieren und Feinabstimmen von KI-Modellen ist für Banken entscheidend, um wettbewerbsfähig zu bleiben und sich an sich verändernde Kundenbedürfnisse und gesetzliche Vorschriften anpassen zu können.

Daten

Bei der Verwendung von KI im Bankwesen ist es wichtig, über Mechanismen zum effektiven Bereinigen, Aufrufen und Speichern von Daten zu verfügen. Der Datastore sollte einen einfachen Zugang sowie angemessene Berechtigungseinstellungen haben, um den Datenschutz sicherzustellen. Der Zugang zu qualitativ hochwertigen, bereinigten Daten ist für das Training von akkuraten und zuverlässigen KI-Modellen essenziell.

In der Vergangenheit war es schwierig, Daten für Data Scientists verfügbar zu machen. Banken müssen die traditionellen Analysefunktionen eines Data Warehouses mit der Flexibilität von Data Lakes in Einklang bringen, um unterschiedliche analytische Bedürfnisse zu erfüllen. Dieser duale Ansatz ermöglicht sowohl strukturierte als auch unstrukturierte Datenanalysen, die für umfassende KI-Anwendungen im Bankwesen unerlässlich sind.

Governance

Beim Thema KI-Governance im Bankwesen ist das Datenmanagement besonders wichtig, und das Festlegen einer eindeutigen Daten- und Modellbeschaffung ist unverzichtbar. Dazu zählt auch eine ständige Transparenz dahingehend, wie Daten gesammelt und für das Training von KI-Modellen verwendet werden. Insbesondere aufgrund der behördlichen Richtlinien im Bankwesen ist es außerdem wichtig, Modellfakten zu dokumentieren, um für Fairness, Erklärbarkeit und Compliance zu sorgen.

Die Überwachung auf Modellverzerrungen und -drift ist ein weiterer wichtiger Kompetenzbereich, der einen Teil des Risikomanagements bei Modellen darstellt. Banken müssen ihre KI-Modelle kontinuierlich bewerten und anpassen, um Ungenauigkeiten und Verzerrungen vorzubeugen. Für die Einhaltung von Compliance und Transparenz bei der Nutzung von KI ist es außerdem notwendig, regelmäßige Audits sowie Berichterstattungen für Regulierungsbehörden durchzuführen.

Abläufe

Die Anwendung von MLOps (Machine Learning Operations) ist für den operativen Aspekt von KI im Bankwesen äußerst wichtig. MLOps beinhaltet die Verwaltung und konstante Verbesserung von KI-Modellen und sorgt dafür, dass diese im Laufe der Zeit effektiv und präzise bleiben. Dazu zählen das Bereitstellen, Überwachen und Warten von KI-Modellen auf eine skalierbare und effiziente Art und Weise.

MLOps unterstützt außerdem die Zusammenarbeit bei der KI-Entwicklung und bezieht verschiedene Teams von Data Scientists bis hin zu IT-Profis mit ein. Durch diese Zusammenarbeit kann sichergestellt werden, dass KI-Modelle nicht nur technisch in Ordnung, sondern auch auf die Geschäftsziele und Compliance-Standards der Bank abgestimmt sind.

Bereitstellung

Die Integration von KI mit Anwendungen, um KI-gestützte Services bereitzustellen, ist für das Bankwesen elementar. Dafür werden KI-Modelle mit bestehenden Banking-Anwendungen kombiniert, wodurch das Kundenerlebnis und die operative Effizienz verbessert werden. Die Integration von KI in Kundenservice-Anwendungen kann beispielsweise zu genauer personalisierten und effizienteren Dienstleistungen führen.

Das Verwenden einer Microservice-Architektur führt zu mehr Geschwindigkeit, schnelleren Markteinführungszeiten und niedrigeren Kosten. Microservices ermöglichen die modulare Entwicklung von Anwendungen. Dadurch wird die schnelle Integration von KI sowie das Aktualisieren von Services in Reaktion auf sich ändernde Marktbedingungen oder neue gesetzliche Vorschriften vereinfacht.

Erweiterbarkeit

Die KI-Technologie im Bankwesen muss adaptiv sein und mit schnellen Fortschritten mithalten können, die oftmals von Open Source Communities vorangebracht werden. Um einen Wettbewerbsvorteil zu erlangen, ist es wichtig, schnell neue Technologien, Partner und Pakete einbinden zu können.

Diese Erweiterbarkeit setzt außerdem voraus, dass bei der Entwicklung von KI-Systemen im Bankwesen zukünftige Integrationen berücksichtigt werden. Die KI entwickelt sich immer weiter. Daher müssen Banken in der Lage sein, neue Methoden und Technologien einzuführen, um ihre Services und Abläufe kontinuierlich zu verbessern. Dafür benötigen sie eine flexible Plattform und eine organisatorische Kultur, die das kontinuierliche Lernen und Anpassen an Veränderungen fördert.

Für eine erfolgreiche Integration von KI im Bankwesen müssen sie nicht nur die nötigen Voraussetzungen kennen, sondern auch die richtigen Partner und Tools finden, die diesen Prozess ermöglichen. Red Hat ist dabei ein Hauptakteur in der Branche und bietet Lösungen an, die auf die besonderen Anforderungen der KI im Bankwesen zugeschnitten sind.

Red Hat AI ist eine Plattform mit Produkten und Services, die Ihr Unternehmen bei den einzelnen Phasen der KI-Einführung unterstützen kann – unabhängig davon, ob Sie gerade erst beginnen oder schon skalierungsbereit sind. Die Lösungen können sowohl generative als auch prädiktive KI-Initiativen für die spezifischen Use Cases Ihres Unternehmens unterstützen.

Mit Red Hat AI erhalten Sie Zugriff auf Red Hat® AI Inference Server, mit dem Sie die Modellinferenz in der gesamten Hybrid Cloud optimieren und so schnellere und kosteneffiziente Deployments erzielen können. Der auf vLLM basierende Inferenzserver maximiert die GPU-Nutzung und ermöglicht schnellere Reaktionszeiten.

Mehr über Red Hat AI Inference Server erfahren

Red Hat AI Inference Server umfasst das Repository von Red Hat AI, eine Kollektion validierter und optimierter Drittanbietermodelle, die mehr Modellflexibilität und teamübergreifende Konsistenz ermöglicht. Durch den Zugriff auf das Repository von Drittanbietermodellen können Unternehmen die Markteinführungszeit verkürzen und finanzielle Hindernisse für eine erfolgreiche KI-Implementierung abbauen. 

Mehr über validierte Modelle von Red Hat AI erfahren