Künstliche Intelligenz im Risikomanagement im Bankwesen
Was ist KI?
Künstliche Intelligenz (KI) ermöglicht es Maschinen, selbständig zu denken. So können Computer beispielsweise Daten – wie Videoaufnahmen, Informationen zu Markttrends oder Wettermuster – erfassen und sie über komplexe Algorithmen analysieren, um Trends zu erkennen und Vorhersagen zu treffen. KI kann Erkenntnisse enthüllen, die durch traditionelle statistische Analysen nicht bemerkt werden.
KI im Bankwesen
Die Fähigkeit der KI, Muster zu erkennen und Ergebnisse vorhersagen, macht sie zu einem unverzichtbaren Werkzeug für das Risikomanagement im Bankwesen. KI Risikomanagement ermöglicht es Banken, Risiken besser zu verstehen und effektiver zu reduzieren.
Mit den KI Technologien können Banken eine große Anzahl von Datenpunkten aufrufen und schnell Einblicke erhalten, die ihnen helfen sich vor Verlusten zu schützen und den ROI für ihre Kunden zu steigern. Unter Nutzung von großen, komplexen Datensätzen können Banken Risikomodelle entwickeln, die genauer als jene sind, die auf traditioneller statistischer Analyse basieren.
Echtzeit-Risikomanagement für das Bankwesen
Neue Prioritäten wie Risikomanagement von Gegenparteien, Stresstests und intelligente Betrugserkennung erfordern schnelle Antworten. Um dagegen gewappnet zu sein, nutzen Banken Echtzeit-Risikomanagement von ihren KI-Plattformen aus – was optimierte Frameworks, Bibliotheken und Hardwarebeschleuniger für KI-Workloads erfordert.
Technologie im Risikomanagement für Banken
Zu den üblicherweise von Banken zum KI-Risikomanagement eingesetzten Technologien gehören:
Maschinelles Lernen
Das maschinelle Lernen verwendet Parameter aus bekannten, bestehenden Daten, um den Ergebnisse eines ähnlichen Datensatzes vorhersagen. Dazu stützt es sich auf einen vorgeschriebenen Satz von Kriterien, die im Datensatz als wichtig angesehen werden. So verwendet Proportunity beispielsweise ML, um Immobilienpreise genau vorhersagen und Objekte mit wachsendem Wert anhand von Kriterien wie Preisverlauf, Objektlayout, Postleitzahl, Geschäfte in der Umgebung und Verbrechensraten zu identifizieren. Das Unternehmen nutzt diese Erkenntnisse, um Hypothekendarlehen auf den zukünftigen Preis anzubieten und erstmaligen Käufern zu helfen, in Immobilien zu investieren.
Deep Learning
Deep Learning ist eine Art von maschinellem Lernen, das im Bankwesen zunehmend im Brennpunkt steht. Im Gegensatz zum maschinellen Lernen müssen Deep Learning Algorithmen nicht über wichtige Kriterien innerhalb der Datensätze informiert werden. Stattdessen entdecken sie selbständig Funktionen in den Daten, indem sie ein neuronales Netzwerk verwenden. Banken nutzen Deep Learning zur Lösung extrem komplexer Probleme, die durch maschinelles Lernen nur schwer lösbar wären.
Natürliche Sprachverarbeitung
Die natürliche Sprachverarbeitung bietet Banken Risikomanagement-Tools mit der Möglichkeit, sowohl mündliche als auch schriftliche menschliche Kommunikation zu verstehen – einschließlich der Absicht und der Gefühle. Deep Learning und maschinelles Lernen werden oft zur Verbesserung der natürlichen Verarbeitungsfunktionen eingesetzt.
Analyse und Big Data
Während die Big Data Analyse nicht unbedingt künstliche Intelligenz erfordert, wird sie jedoch auf ähnliche Weise verwendet, um Banken zu helfen, Erkenntnisse zu finden und ihre Risiken besser zu verstehen. Tools wie Hadoop ermöglichen es den IT-Abteilungen der Banken, die Analysefähigkeiten nahe an den Datenquellen zu platzieren, was schnellere Erkenntnisse ermöglicht.
Risikotypen im Bankwesen
Im gesamten Bankwesen werden KI-Technologien bei einer immer steigenden Anzahl von Risiken eingesetzt.
Kreditrisiko
Das Kreditrisiko basiert auf dem möglichen Verlust, wenn der Kreditnehmer oder Gegenparteien die Zahlungen für die Forderungen nicht tätigen. Hierbei nutzen Banken maschinelles Lernen und natürliche Sprachverarbeitung, um eine erweiterte und gründlichere Analyse des Ausfallrisikos durchzuführen, sowie die Erkennung von frühen Warnsignalen zu verbessern.
Marktrisiko
Wenn die Kapitalmärkte fluktuieren, bedeutet das für Banken eine beträchtliche Bedrohung des Gewinns. Um mit sich schnell entwickelnden Marktfaktoren mitzuhalten, verwenden Banken KI-Tools wie maschinelles Lernen, Deep Learning und natürliche Sprachverarbeitung, um Trends zu prognostizieren und die Entscheidungsfindung zu verbessern. Eine Bank kann beispielsweise ein KI-Tool zur Analyse massiver Mengen an Aktivitäten in sozialen Medien verwenden und die momentane Verbraucherstimmung bezüglich eines börsennotierten Unternehmens festzustellen. Dies kann dann dazu dienen, die entsprechende Marktaktivität oder Investitionsstrategie vorhersagen.
Operatives Risiko
Das operative Risiko bezieht sich auf das Risiko des Verlusts durch unzureichende interne Systeme oder Prozesse sowie den Verlust durch Sicherheitsbrüche oder unterbrochene Services. Um dieses Risiko anzugehen, können Algorithmen des maschinellen Lernens große Datenmengen absorbieren – einschließlich unstrukturierter Daten wie schriftliche Risikoberichte – damit Banken zu verbessernde Bereiche erkennen und feststellen, wo externe Faktoren das höchste Risiko darstellen.
Modellrisiko
Banken verwenden eine Vielzahl von Modellen, um Vorhersagen zu treffen und ihre Aktivitäten zu planen. Aber was passiert, wenn eines dieser Leitmodelle falsch ist? Das wird als Modellrisiko bezeichnet. Um dieses Risiko zu reduzieren, verwenden Banken KI zur Überwachung anderer ML- und KI-Systeme und identifizieren Voreingenommenheit, Fairness, Unschärfe und Missbrauch in Algorithmen.
Cybersicherheitsrisiken
In unserer zunehmend vernetzten Welt sind Banken Cybersicherheitsbedrohungen mit mehr Angriffsvektoren als je zuvor ausgesetzt. Zum Erkennen bösartige Aktivitäten und der Reduzierung von Risiken verwenden sie maschinelles Lernen und Deep Learning Technologien, um Anomalien auf IT-Systemen zu identifizieren und das Verhalten von Angreifern wie die Zielwahl oder Infiltrationsmethoden vorherzusagen.
Ansteckungsrisiko
Banken riskieren auch, dass andere wirtschaftliche Effekte ihr Unternehmen schädigen – wie ein Börsencrash in einem Auslandsmarkt, der einen bestehenden Kredit beeinflusst, oder die durch die COVID-19-Pandemie verursachten weltweiten Marktauswirkungen. Deep Learning und maschinelle Technologien werden hier eingesetzt, damit Banken die potenziellen Auswirkungen verstehen, Warnzeichen von anderen Banken erkennen und die entsprechenden Minderungsmaßnahmen bestimmen.
Compliance-Risiko
Die Einhaltung gesetzlicher Bestimmungen ist für Banken ein strenger und komplexer Prozess. Sie gehen ständig das Risiko von rechtlichen Sanktionen, finanziellen Verlusten oder negativen Auswirkungen auf ihren Ruf ein, wenn sie Gesetze und Normen nicht erfüllen. Um dieses Risiko abzumildern, suchen viele Banken nach Confidential-Computing-Technologien, die helfen, die Compliance zu optimieren und gleichzeitig die Sicherheit vertraulicher Workloads und Daten dramatisch zu verbessern. Banken verwenden auch KI-Technologien zum Erkennen von Compliance-Lücken, und um die Einhaltung von Richtlinien zu gewährleisten.
Intel Banking-Technologie
Intel arbeitet mit einem umfassenden Technologieumfeld von Partnern – einschließlich OEMs, ISV und OSVs – zusammen, um Banken zu helfen, den geschäftlichen Nutzen ihrer KI-Investitionen freizusetzen und KI-Workloads für die Ausführung auf der Intel® Architektur zu optimieren.
Wir arbeiten ständig daran, zusammen mit unseren Partnern in der Branche weitere Möglichkeiten zu bieten. Beispielsweise haben wir zusammen mit unserem Software-Partner Matlogica eine mehr als tausendfache Beschleunigung für xVA-Preisberechnungen auf skalierbaren Intel® Xeon® Prozessoren ermöglicht. Außerdem haben wir auch zusammen mit Quantifi derivative Bewertungen 700x beschleunigt, indem wir KI auf Intel® Prozessoren eingesetzt haben.
Wir bieten eine Reihe von Tools, die dabei helfen, die Entwicklung von KI-Software zu optimieren und zu beschleunigen, einschließlich erheblicher Investitionen in KI-Frameworks wie PyTorch und TensorFlow.
Skalierbare Intel® Xeon® Prozessoren bieten integrierte KI-Funktionen wie Intel® Deep Learning Boost – ein KI-Beschleuniger, der Banken hilft, schnell Erkenntnisse aus ihren Daten zu extrahieren. Außerdem bieten wir auch den Intel® Advanced Vector Extensions 512 (Intel® AVX-512) Befehlssatz, der die Leistung komplexer rechnerischer Workloads, wie xVA-Preisanwendungen, steigert. Unsere kommenden Sapphire Rapids Prozessoren werden noch mehr KI-Verbesserungen bieten, darunter Support für Advanced Matrix Extensions, um matrixbetonte Workloads wie maschinelles Lernen zu beschleunigen.
Schließlich bieten wir ein Portfolio von Intel® Optane™ Daten- und Arbeitsspeichertechnologien, welche den höheren Durchsatz und die niedrige Latenz, bieten, die für KI-Workloads erforderlich ist. Dadurch können wichtige Partner wie KX und Hazelcast die Anforderungen ihrer Kunden für ein Risikomanagement in Echtzeit erfüllen.