AI als Wettbewerbs­ vorteil

Ein Interview über Hintergründe, Prinzipien und konkrete Use Cases für künstliche Intelligenz bei Contovista.

Mit fortgeschrittenen Technologien zur Datenanalyse und nutzerzentrierten Lösungen realisiert Contovista das Potenzial künstlicher Intelligenz und liefert so einen attraktiven Wertbeitrag für Finanzinstitute. Das Thema ist allerdings reichlich komplex. Wie hilft AI den Banken und ihren Kund:innen dabei konkret? Welche Grundsätze sind zu beachten, damit der AI-Einsatz nicht nur produktiv und innovativ ist, sondern auch robust, ethisch und sicher? Und was hat es mit den neuen Contovista AI Principles  auf sich?

Über diese Fragen haben wir uns mit zwei Contovista-Experten für AI unterhalten, Martin Biehler (Senior Data Scientist) und Ilario Giordanelli (Data Scientist).

Der Begriff „künstliche Intelligenz“ umfasst ein grosses Spektrum. Was versteht Ihr als Experten bei Contovista darunter, was sind die Vorteile?

Ilario: Bei Contovista verstehen wir unter AI die Fähigkeit von Maschinen und Software, Aufgaben zu erledigen, die normalerweise menschliche Intelligenz erfordern. Dazu gehören unter anderem das Lernen aus Daten, die Mustererkennung, das Verstehen natürlicher Sprache und die Entscheidungsfindung. Wir nutzen AI beispielsweise konkret, um auf Basis der Transaktionsdaten Händler und Kategorien präzise zu identifizieren. Dann verwandeln wir diese Daten dank AI in aussagekräftige, datengetriebene Einblicke für Endkund:innen, die dadurch eine bessere Übersicht und Kontrolle über ihre Finanzen erhalten. Banken stehen mit unseren aktuell fünf AI-basierten Client-Analytics-Modulen rund 15 Analytics-Features zur Verfügung.

Martin: Im AI-Kontext sollte man auch auf den Begriff „maschinelles Lernen“ (ML) eingehen, eine Unterform von AI, die schon lange genutzt wird. Während ML sich bei der Mustererkennung in Datensätzen bewährt hat, liefern Ansätze wie Generative Artificial Intelligence (GenAI) darüber hinaus Kontext-sensitive Ergebnisse auch in Bereichen, auf die sie nicht eigens trainiert wurden. Ausserdem muss noch die sogenannte “allgemeine künstliche Intelligenz” unterschieden werden, General AI (GAI), die heute allerdings noch Zukunftsmusik ist.

ML-Ansätze leiden manchmal unter Problemen wie dem Generalization Gap, bei dem ein Modell an einer Verallgemeinerung scheitert. Weitere typische Schwächen sind Overfitting (Überanpassung an Trainingsdaten), Bias (Vorurteile in den Trainingsdaten) und Probleme bei der Datenqualität. ML hat beeindruckende Fortschritte gemacht und viele praktische Anwendungen ermöglicht, doch mit einem innovativen AI-Einsatz sind noch einmal ganz andere Ergebnisse möglich, was Kontextualisierung und Flexibilität angeht.

Warum ist es notwendig, AI-Grundsätze für Unternehmen zu definieren? Contovista hat beispielsweise gerade explizite, verbindliche AI Principles für die eigenen Lösungen verabschiedet.

Martin: Diese Grundsätze helfen uns dabei, AI-Technologien in unserem Unternehmen ethisch, transparent und verantwortungsvoll zu entwickeln und anzuwenden. Für Contovista hat es höchste Priorität, Vertrauen bei den Kund:innen zu schaffen, Datenschutz und Datensicherheit zu gewährleisten sowie sicherzustellen, dass unsere AI-Systeme fair und ohne Bias arbeiten. Damit Banken und Kund:innen sich davon ein Bild machen können, haben wir die Grundsätze gebündelt und transparent veröffentlicht.
Die AI Principles geben uns klare Richtlinien und ermöglichen die Entwicklung langfristig nachhaltiger, vertrauenswürdiger AI-Lösungen. Durch die Definition und Einhaltung dieser Prinzipien stellen wir sicher, dass unsere technologisch fortschrittlichen Produkte stets ethisch, sicher und kundenorientiert sind.

Ilario: Zu unseren AI Principles gehören acht wichtige Grundsätze: Sicherheit, Kundenzentrierung, Compliance, Datenschutz, Transparenz, Robustheit und Verantwortung, Ethik sowie Nachhaltigkeit.

Und wo kommt diese zukunftsweisende Technologie bei Contovista genau zum Einsatz? Könnt Ihr konkrete Use Cases beschreiben? Ihr habt vorhin die Analyse von Transaktionsdaten genannt, gibt es weitere Beispiele?

Ilario: Allerdings, davon gibt es eine ganze Menge. Die Analyse der Transaktionsdaten ist da nur der Anfang. Wir nutzen auch GenAI, beispielsweise bei der präzisen Identifikation und Verifikation von Händlernamen, Beschreibungen, URLs und Kontakt-Informationen. Ausserdem hilft uns GenAI bei der Adress-Extraktion. Daneben verwenden wir auch Embedding-Techniken, etwa für die Bestimmung der Counterparty Category.

Martin: Dazu kommen Supervised-ML-Methoden und Gradient-Boosting-Modelle. Diese werden eingesetzt, um beispielsweise den nächsten Urlaub von Kund:innen vorauszusagen oder um Kund:innen nach Kaufwahrscheinlichkeiten zu ranken. Entscheidungsbäume machen die genutzten Modelle dabei stets transparent und erklärbar. Unsupervised-ML-Ansätze unterstützen zudem bei der Kundensegmentierung (Spectral Clustering, K-Means). Probabilistische Methoden wiederum werden beispielsweise für die Abo-Erkennung verwendet (Kernel Density Estimation).

Das ist eine breite Palette von Anwendungen, die schon heute funktionieren. Welche Hürden gibt es bei der Implementierung und Anwendung von AI-Lösungen in Banken? Und wie spielt der Cloud-Aspekt hier herein?

Martin: Eine der grössten Herausforderungen bei der Implementierung von AI-Lösungen in Banken ist tatsächlich die Entscheidung zwischen On-Premise-Systemen und Cloud-Umgebungen. On-Premise-Lösungen bieten zwar mehr Kontrolle, ausserdem können sie strenge Datenschutzanforderungen besser erfüllen. Gleichzeitig sind sie jedoch oft teurer und weniger flexibel skalierbar. Oftmals würden sie von der Bank zusätzliche Investitionen in Infrastruktur wie neue Server und GPUs erfordern, die darüber hinaus noch gewartet werden muss.

Cloud-Lösungen bieten demgegenüber Kosteneffizienz und Skalierbarkeit, bringen jedoch auch Herausforderungen im Bereich der Datensicherheit und -souveränität. Dazu kommen Anforderungen wie Regulatorik, IT-Infrastrukturen und Skills. Als bewährte Technologiepartnerin für Finanzinstitute sorgen wir dafür, dass diese Aspekte bei unseren Produkten immer berücksichtigt werden – beispielsweise eben durch die erwähnten AI Principles.

Und wie ist Euer Ausblick für die Zukunft? Welche Use Cases seht Ihr voraus?

Ilario: Aktuell nutzen unsere Kund:innen AI vor allem in Bereichen wie personalisierte Finanzberatung, Risikomanagement, Betrugserkennung und Kundenservice-Automatisierung. Zukünftig erwarten wir aber auch einen einen verstärkten Einsatz von AI für vorausschauende Analysen, um das Kundenverhalten noch besser zu verstehen und dann massgeschneiderte Produkte und Dienstleistungen anzubieten.

Darin liegt ein grosses Potenzial für dynamische Finanzinstitute: Wenn sie die nötigen Fähigkeiten durch unsere Lösungen schnell, flexibel und sicher aufbauen, können sie einen langfristigen Wettbewerbsvorteil erzielen.

Mit den Grundsätzen zur Entwicklung und Anwendung innovativer AI-Lösungen stellen wir sicher, dass diese zukunftsweisende Technologie mit maximalem Kundenfokus und höchsten Sicherheitsstandards zum Einsatz kommt. Die Grundsätze berücksichtigen alle wichtigen Gesichtspunkte, die in der weltweiten Debatte rund um AI diskutiert werden, beispielsweise auch in den vielfältigen geplanten Regulationen verschiedener Staaten und Institutionen.

1. Höchste Sicherheit: Strenge Sicherheitsvorkehrungen und verschlüsselte, anonymisierte Daten schützen Kundendaten vor Zugriff und Missbrauch.
2. Kundenzentrierung: Massgeschneiderte AI-Anwendungen, um die User Experience der Nutzer:innen zu verbessern.
3. Durchgängige Compliance: Sicherstellung der Einhaltung aller gesetzlichen und regulatorischen Anforderungen in allen Märkten, in denen Contovista tätig ist.
4. Transparenz: Transparente und offene Kommunikation darüber, wie unsere Software Daten analysiert und verarbeitet, einschliesslich der Verwendung von AI-Komponenten.
5. Zuverlässigkeit und Verantwortung: Unsere AI-basierten Lösungen und nachvollziehbare Prozesse stärken das Vertrauen in unsere automatisierten Finanzlösungen.
6. Ethik: Unsere Lösung ist integer und garantiert eine faire Behandlung der Kund:innen.
7. Nachhaltigkeit: Umweltauswirkungen, wie CO2-Emissionen, werden bei der Bewertung der zu entwickelnden AI-Modelle berücksichtigt.