Artifical Intelligence im Banking
Mai 15, 2019
Aus dem Unterricht CAS Digital Finance von Rino Borini, mit Dozent Marcel Blattner zum Thema Artifical Intelligence (AI) berichtet Marco Kohler
Artifical Intelligence (AI) oder zu deutsch künstliche Intelligenz (KI) ist ein Forschungsgebiet im Bereich der Informatik und hat zum Ziel, die vorhandene reale Intelligenz künstlich nachzubilden und selber zu erzeugen. Russell und Norvig unterscheiden dabei zwischen menschlichem (starker künstlicher Intelligenz) sowie rationellem (schwacher künstlicher Intelligenz) Denken und Handeln.
Die meisten Anwendungsfälle der künstlichen Intelligenz sind im rationellen Denken und Handeln. Wie menschliches Denken und Handeln entwickelt werden kann ist heute noch sehr unbekannt, da nur oberflächlich bekannt ist wie das menschliche Hirn genau funktioniert.
Da nach Marcel Blattner so oder so niemand künstliche Intelligenz vollumfänglich begreift (menschliches Denken und Handeln, menschliches Hirn begreiffen), wage ich es auch nicht künstliche Intelligenz zu erklären, sondern tease in diesem Blog zwei Usecases an und möchte versuchen aufzuzeigen, auf welchen groben theoretischen Grundlagen diese Usecases aufbauen.
Deep Learing für z.B für die Immobilienbewertung
Wie funktionierts in der Theorie?
Mit Hilfe von Musteranalysen und Mustererkennung sowie einem gesetzten Usecase kann Deep Learning heute schon auf Basis vorgängig gelernter Daten aus einer Datenbank, Muster in Bilder erkennen und diese bspw. Tieren, Fahrrädern oder Gesichtern inkl. Emotionen zuweisen.
Quelle: Jones, 2014b, the learning Machines, S.148
Das Rechenverfahren Deep Learning, einem weiteren Teilbereich von AI, „orientiert sich grob an der Arbeitsweise des Gehirns und simuliert dazu ein dicht verwobenes Netz aus einfachen Nervenzellen“ (Jones. 2014a). Oder anders gesagt werden einfache mathematische Funktionen ineinander verschachtelt. So ist das Lernen & Trainieren (Überwachung durch den Menschen) resp. Verfeinern (ebenfalls durch den Menschen) der Analyse möglich. Die Aussagegenauigkeit konnte in den letzten Jahren aufgrund von leistungsfähigen Computern resp. der Entwicklung von Deep-Learning-Netzwerken signifikant erhöht werden resp. es können komplexere Usecase bearbeitet werden. Die Maschine kreiert selbständig Regeln und baut selbständig Wissen auf, dies auf Basis von Erfahrungen wo aber der Mensch eingreift und findet dazu bessere/genauere Algorithmen.
Praxisbeispiel im Banking zu Artifical Intelligence:
- Bewertung des Zustandes einer Immobilie. Neben der Nutzung von Big-Data (Datenvergleich der Immobilien in PLZ oder Nachbarschaft) können fotografierte Teile der Wohnung (Badzimmer, Fassade, Heizung usw.) eingereicht werden. Diese werden dann von der künstlicher Intelligenz beurteilt und die Immobilie wird automatisch (mit weiteren Variablen) bewertet.
Praxisbeispiele in anderen Branchen:
- Schadensbegutachtung bei Versicherungen
- Bilderkennung von tutti.ch beim Erstellen einer Auktion
- Kommentarprüfung beim Tagesanzeiger
- Selber ausprobieren http://www.captionbot.ai
Deep Learining für Sound- resp. Voiceprint
Wie funktionierts in der Theorie?
Mit den Erfolgen bezüglich des signifikanten Anstieges der Aussagegenauigkeit im Bereich von Deep Learning lag es nahe, die Technik auch bei der Spracherkennung anzuwenden. Bei der Spracherkennung geht es darum, dass eine Software die Sprache in Daten zur weiteren Verwendung oder Daten in Sprache umwandeln wird. Somit wird eine Kommunikation zwischen Mensch und Computer möglich. In der Schweiz besteht aufgrund der vielen unterschiedlichen Dialekten das Problem, dass klassische Spracherkennungssoftware die in Mundart gesprochenen Texte nicht erkennen kann. Ferner haben die heutigen im Markt vorhandenen Software auch Mühe, der von Schweizern in Schriftsprache gesprochenen Akzent zu erkennen. Einzelne Start-ups haben schon vor einigen Jahren Software entwickelt, welche die Defizite im CH-Sprachraum nicht mehr haben.
Mustererkennung von biometrischen Daten
Die Funktionalität von Deep-Learning (vgl. Abbildung) kann auch zur Erkennung von akustischen Signalen genutzt werden, da Audiofiles schon seit längerem als Bild (Audiovisualisierung oder Voiceprint) verfügbar sind.
Praxisbeispiele im Banking zu Artificial Intelligence
- Voiceprint bei PostFinance für die Identifizierung im Callcenter
- Authentifizierung von Futurae; dazu hat Andrea Bläsi den Case in ihrem Blog schon kurz beschrieben https://www.hwzdigital.ch/einblick-in-die-schweizer-fintech-szene/mit Hintergrundgeräuschen und eingespeisten akustischen Signalen wird eine Muster erkannt.
Verwendete Quellen
Jones N. (2014a). Deep Learning – Wie Maschinen lernen lernen. Abgerufen 30. April 2019, von https://www.spektrum.de/news/maschinenlernen-deep-learning-macht-kuenstliche-intelligenz-praxistauglich/1220451
Jones N. (2014b). The learning Machines. Nature Vol. 505. Abgerufen 30. April 2019, von http://www.nature.com/news/computer-science-the-learning-machines-1.14481
Ähnliche Blogbeiträge
https://www.hwzdigital.ch/artificial-intelligence-was-ist-science-fiction-und-was-realitaet/ von Alex Kloeppel vom 2. September 2018
https://www.hwzdigital.ch/artificial-intelligence-maschine-versus-mensch/von Claudia Bläuenstein vom 23. Oktober 2017
https://www.hwzdigital.ch/artificial-intelligence-science-fiction/von Dominique Heinzler vom 23. Juni 2017