Expertenbasierte KI hat sich als Erfolgsrezept erwiesen, um KI-Modelle in die betriebliche Praxis von Finanzdienstleistern zu integrieren. Schon heute existieren bewährte Methoden, bei denen Experten seitens der Banken bestimmte Fälle identifizieren, von denen ein Algorithmus lernen kann. Er „versteht“ dabei die Beziehung zwischen den Eingabevariablen und dem gewünschten Ergebnis. Die Praxis zeigt, dass derartige Modelle oft bessere Entscheidungen treffen als Mitarbeiter und sich unter anderem für Kreditvergabe, Portfolioüberwachung oder Kundenqualifizierung eignen. Dabei erweist es sich sogar als Vorteil, dass vermeintliches Erfahrungswissen außen vor bleibt. Zudem sind die Modellergebnisse für die Mitarbeiter nachvollziehbar, was deren Motivation ebenso erhöht wie die Akzeptanz des KI-Modells.
Warum traditionelle Ansätzen versagen...
Zukunftsorientierte Anbieter von Finanzdienstleistungen profitieren, wenn sie ihre Experten vom Zwang befreien, Entscheidungen zu treffen, die sich ebenso gut automatisieren lassen. Dazu gehören beispielsweise die Genehmigung von Versicherungen und Krediten sowie die Prüfung von Kreditrisiken und Kreditverlängerungen. Diese traditionell beziehungsorientierten Bereiche stehen in der Regel vor folgenden Herausforderungen:
Mangelnde oder verspätete Technologieinvestitionen [1]
Geringe Datenverfügbarkeit
Erhöhte Komplexität
Dominanz – und gleichzeitig Knappheit – menschlicher Expertise
Business-Analysten und Data Scientists sehen in der Regel nur zwei Möglichkeiten zur Entwicklung eines automatisierten Entscheidungsmodells: a) die Erstellung von Geschäftsregeln durch Experten oder b) die Anwendung von maschinellem Lernen (KI) auf historische Daten.
Beide Methoden leiden jedoch unter den oben erwähnten Problemen – insbesondere unter hoher Produkt- und Prozesskomplexität sowie Defiziten im Datenmanagement.
Setzt man auf Geschäftsregeln, so führen komplexere Sachverhalte unweigerlich zu einer exponentiell steigenden Zahl von Regeln. Zudem ist die Definition der Details pro Regel ebenso wie deren Pflege arbeitsintensiv.
Ein KI-Modell, das allein auf historische Daten setzt, ist dagegen nicht sehr leistungsfähig, wenn die historischen Daten begrenzt oder von schlechter Qualität sind. Darüber hinaus passen sich solche Modelle prinzipbedingt nur langsam an neue Bedingungen und Strategien an – jede Fixierung auf die Historie hemmt die Innovation.
...und die Alternative zum Erfolg führt
Expertenbasiertes Lernen überwindet diese Nachteile – und hat sich in unserer Praxis bestens bewährt. Dabei entwickeln wir ein Entscheidungsmodell, indem wir einen KI-Algorithmus auf der Grundlage von Experteneingaben trainieren. Bei dieser Methode definieren Experten das gewünschte Ergebnis sogenannter Trainingsfällen, woraufhin der Algorithmus die Beziehung zwischen den Eingabevariablen und dem gewünschten Ergebnis daraus ableitet.
Dieser Ansatz leidet nicht unter einem Mangel an historischen Daten (Qualität) und führt zu Modellen, die von den Fachleuten, die mit ihnen arbeiten, leicht verstanden und akzeptiert werden. Außerdem sind die Modelle in der Praxis leicht zu kontrollieren und können sehr schnell an sich ändernde Marktbedingungen oder Vorgaben angepasst werden. Wir veranschaulichen diese Vorgehensweise anhand eines Falls aus unserer Praxis.
Kunde X als leuchtendes Beispiel
Unser Kunde ist ein Marktführer im Bereich Unternehmenskredite. Viele manuelle Prozesse führten zu erheblichen Effizienzverlusten und standen optimalem Risikomanagement, Skalierbarkeit und Konzentration aufs Neugeschäft entgegen.
Der erste Prozess, den IG&H gemeinsam mit dem Kunden automatisiert hat, ist die jährliche Kreditrisikoprüfung. In ihrem Rahmen wird einmal pro Jahr das Risiko des Kunden bewertet. Dieser Prozess war vollständig manuell und sehr spezialisiert. Jetzt überprüft ein KI-Modell 75 % der Fälle automatisch, wodurch erhebliche Kapazitäten für den produktiven Einsatz frei werden und die Qualität und Skalierbarkeit deutlich steigen.
Als Ausgangspunkt haben wir gemeinsam mit den Experten eine regelbasierte Prüfmaschine entwickelt. Dieses System konnte viele risikoreiche Elemente identifizieren. Allerdings gab es auch zahlreiche falsch positive Ergebnisse (Warnungen trotz objektiv geringen Risikos), die den Effizienzgewinn stark einschränkten. Außerdem war die ständige Anpassung der Regeln an die aktuelle Risikoeinschätzung sehr arbeitsintensiv. Aus diesem Grund haben wir eine KI-Anwendung gewählt und auch wegen des Mangels an validen historischen Daten auf expertenbasiertes Lernen gesetzt.
Gemeinsam mit Kreditrisikoexperten haben wir ein Entscheidungsmodell entwickelt, das die folgenden vier Schritte umfasst:
1) Auswahl relevanter Merkmale für die Vorhersage der Notwendigkeit einer manuellen Prüfung
2) Zusammenstellung eines Datensatzes mit mehreren Hundert Kundenfällen und relevanten Merkmalen
3) Zuweisung von Ergebniskennzeichnungen zu den Trainingsfällen durch die Experten
4) Training des KI-Modells auf Basis des zusammengestellten Trainingsdatensatzes mit anschließender Integration in ein Entscheidungsmodell
Es hat sich gezeigt, dass dieses Modell in der Lage ist, neue Fälle sehr genau zu bewerten. Die Notwendigkeit einer manuellen Überprüfung entfällt, und die Zahl der Fehlalarme sinkt verglichen mit der regelbasierten Lösung. Das Modell schätzt das Risiko sogar besser ein als ein menschlicher Experte und reduziert gleichzeitig die Arbeitsbelastung durch manuelle Überprüfungen um 75%.
Als die Welt von der COVID-19-Krise überrascht wurde, musste das Modell die revidierte Risikoeinschätzung so schnell wie möglich wiedergeben. Mit der Methode des expertenbasierten Lernens ließ sich das leicht und schnell umsetzen.
Was macht den Unterschied?
Der Entwicklung und Anwendung von expertenbasiertem Lernen geht mit einer Reihe von Herausforderungen einher. Deshalb hat IG&H verschiedene Methoden entwickelt, die in diesem Prozess den Unterschied ausmachen. Dadurch stellen wir sicher, dass sich unser Ansatz schnell und erfolgreich in die Praxis umsetzen lässt. Vier unserer Best Practices sind:
1) Minimierung des Arbeitsaufwands für die Experten
Die Anzahl der Fälle im Trainingsdatensatz muss überschaubar bleiben, um die Auswahl und Kennzeichnung der Fälle für die Experten praktikabel zu halten. Aufgrund des geringeren Volumens ist eine konsistente Auswahl wichtig, denn der Algorithmus sollte beim Lernen der Muster nicht verwirrt werden. Wir arbeiten mit einer schnellen, iterativen Methode, um Konsistenz und Konsens zwischen verschiedenen Experten mit einem effizienten 4-Augen-Prinzip zu erreichen.
2) Berücksichtigung menschlicher Kapazitäten
Die die Menge der Informationen, die in das Modell einfließen, muss optimiert werden. Stellen Sie sicher, dass möglichst viele relevante Informationen genutzt werden – aber nur so viele, wie die Experten bei der Kennzeichnung der Trainingsdaten überblicken können. Um die richtigen Datenattribute auszuwählen, verwenden wir eine Kombination aus Datenanalyse und Interviewtechniken.
3) Vertrauen und Einsicht schaffen
Das Modell und die Ergebnisse sollten für den Kunden, den Prüfer und die Fachleute verständlich bleiben. Wir stellen sicher, dass ein KI-Modell auf dreierlei Weise erklärt werden kann: erstens durch einen Einblick in die allgemeine Funktionsweise des Modells, zweitens durch eine Erklärung pro Ergebnis oder Fall, und drittens durch ein interaktives Indikatorensystem zur Überwachung und Analyse von Input und Output des Modells.
4) Akzeptanz während des gesamten Prozesses fördern
Die Motivation sowohl der Experten, die das Modell trainieren, als auch der Spezialisten, die mit den Ergebnissen arbeiten, ist ein wesentlicher Erfolgsfaktor. Ihre enge Einbindung in die Schulung sowie eine „Gamification“ während des Prozesses fördert in hohem Maße die Akzeptanz des entstehenden Modells.
Potenziale ausschöpfen
Data Science und KI machen die Anwendung von Fachwissen skalierbar, konsistent und effizient. So können sich Fachleute auf die Kunden und Situationen konzentrieren, in denen ihre Fähigkeiten wirklich wichtig sind. Gerade der Bereich der B2B-Finanzdienstleistungen kann von einem Ansatz profitieren, der mit weniger Daten auskommt. Gerade dieser Ansatz stellt Modelle bereit, die von den Fachleuten gerne angenommen werden und sich schnell an veränderte Gegebenheiten anpassen lassen. Das dazu notwendige Zusammenspiel von Business und Data Science ist die Expertise von IG&H.
Sind Sie neugierig, wie unsere Erfahrung und Technologie für Sie von Nutzen sein können?
Wir freuen uns auf ein Gespräch mit Ihnen.
Nehmen Sie Kontakt auf mit:
Simone Mensink
Director Banking
[1] https://www.consultancy.nl/nieuws/30011/data-science-biedt-kansen-aan-de-zakelijke-verzekeringsma
Comments