DIE REALITÄT KÜNSTLICHER INTELLIGENZ IM FINANZBEREICH
Was ist Künstliche Intelligenz? Von Spekulation zur Wirklichkeit
Der Begriff "Künstliche Intelligenz" (KI) ist weit gefasst und wurde von Forschern unterschiedlich definiert. Laut dem US National Institute of Standards and Technology ist Künstliche Intelligenz „ein ingenieurtechnisches oder maschinenbasiertes System, das Vorhersagen, Empfehlungen oder Entscheidungen erzeugen kann, die reale oder virtuelle Umgebungen beeinflussen, um eine definierte Reihe von Zielen zu erreichen.“ In einem kürzlich von dem ehemaligen britischen Premierminister Tony Blair und dem Mitglied des britischen Oberhauses William Hague verfassten Bericht zur Bedeutung der KI für die Zukunft des Landes wird die Künstliche Intelligenz als „die wichtigste Technologie unserer Generation“ beschrieben und wird vermutet, dass sie „eine Wirkungsstufe wie der Verbrennungsmotor, Elektrizität und das Internet“ erreicht.
In den letzten Jahren hat die Nutzung und Forschung von KI im Finanzbereich zusammen mit anderen digitalen Transformationen erheblich an Fahrt gewonnen. Die Verwendung von KI im Finanzbereich ist seit langem ein Diskussionsthema und oft herausfordernd für unsere Vorstellungskraft. Wie KI zunehmend Realität wird und welche Form sie in alltäglichen Anwendungen annimmt und annehmen wird, ist für uns alle von Interesse.
Die Dominanz des Maschinenlernens (Machine Learning – ML) im Finanzsektor
Die meisten derzeit im Finanzbereich verwendeten KI-Technologien fallen in die Kategorie des Maschinenlernens (Machine Learning – ML).
Laut einer Umfrage, die im Oktober 2022 von der Bank of England und der Financial Conduct Authority veröffentlicht wurde, nutzen oder entwickeln 72% der befragten Unternehmen ML-Anwendungen. ML-Anwendungen entwickeln sich ständig weiter und haben einen Punkt erreicht, an dem sie immer stärker in den täglichen Geschäftsbetrieb integriert werden können. 79% der ML-Anwendungen befinden sich in der letzten Entwicklungsphase, was bedeutet, dass sie in einem wesentlichen Geschäftsbereich eingesetzt werden und/oder für bestimmte Geschäftsbereiche von kritischer Bedeutung sind.
Die oben genannte Umfrage prognostiziert, dass die Tendenz zur Nutzung und Entwicklung von ML im Finanzsektor weiterhin bestehen bleibt und dass die mittlere Anzahl der ML-Anwendungen der Unternehmen in den nächsten drei Jahren voraussichtlich um das 3,5-fache steigen wird.
Typen des Maschinenlernens (ML);
Überwachtes Lernen: Bei diesem Prozess werden etikettierte Eingabedaten von einem Algorithmus verarbeitet, der eine Reihe von Regeln erzeugt, die auf neue (nicht etikettierte) Eingabedaten angewendet werden können, um korrekte Etiketten vorherzusagen.
Unüberwachtes Lernen: In diesem Prozess werden nicht etikettierte Eingabedaten einem Algorithmus zugeführt, der versucht, grundlegende Muster wie ähnliche Verhaltensgruppen oder Beziehungen zu erkennen.
Verstärkendes Lernen: In diesem Ansatz wird ein Algorithmus, der nicht etikettierte Eingabedaten erhält, in einer dynamischen Umgebung betrieben und versucht, eine Strategie zu entwickeln, die durch ein System von Belohnungen und Strafen unterstützt wird, um positive Ergebnisse zu maximieren.
Die Beziehung zwischen Maschinen Lernen und automatisierter Entscheidungsfindung
Künstliche Intelligenz bedeutet nicht immer autonome Maschinen, die ohne menschliche Überwachung operieren, wie oft behauptet wird.
Supervidiertes und unsupervidiertes Lernen sind Methoden, die nicht speziell entworfen wurden, um direkt Aktionen zu beeinflussen, können aber in Automatisierungs-Schnittstellen eingesetzt werden, die direkte reale Ergebnisse auslösen können. Ebenso können Verstärkungslernalgorithmen, die von Natur aus in einer dynamischen Umgebung Ergebnisse produzieren, entweder direkte reale Effekte haben oder Prozesse auslösen, die menschliches Eingreifen erfordern, abhängig von den Anforderungen der Anwendung.
Im Finanzsektor ist häufig menschliches Eingreifen erforderlich, um angemessene Regulierungsstandards zu gewährleisten. Es gibt verschiedene Methoden für menschliches Eingreifen, zum Beispiel:
Mensch im Loop: Jede Entscheidung erfordert eine menschliche Bestätigung.
Mensch über dem Loop: Ermöglicht menschliches Eingreifen während des Designprozesses und der Überwachung des Systembetriebs.
Mensch im Kommando: Stellt sich einen Menschen vor, der die allgemeine Funktionsweise des Systems überwacht und bestimmte Entscheidungen über die Nutzung des Systems trifft.
Aktuelle Einsatzbereiche
Im Bereich der Finanzdienstleistungen wird über eine breite Palette von KI-Aktivitäten berichtet, die zwischen Institutionen, Subsektoren und Jurisdiktionen variieren. Beispiele hierfür sind:
Risikomanagement: Diese frühe Adoptionskategorie umfasst Werkzeuge zum Überwachen, Erkennen und Verwalten von operationellen, Marktrisiken, Kreditrisiken und regulatorischen Risiken.
Kundenauthentifizierung und -interaktion: Künstliche Intelligenz wird für die Überprüfung von Kundenidentitätsinformationen und für die Kundenkommunikation eingesetzt, insbesondere über „Chatbots“.
Versicherung: KI wird für den Verkaufssupport (zum Beispiel zur Steigerung der Risikosensibilität bei der Preisgestaltung) und das Management von Ansprüchen (zum Beispiel zur Regulierung von Zahlungen basierend auf realen Ereignissen) verwendet.
Vermögensverwaltung: KI-Techniken werden zur Unterstützung des Portfoliomanagements eingesetzt. Die Analyse historischer Leistungsdaten ist zwar seit Langem üblich, aber heutzutage werden zunehmend unterschiedliche Datenquellen und Techniken eingesetzt.
Algorithmischer Handel: Obwohl regelbasierte Algorithmen lange Zeit auf dem Handelsmarkt eingesetzt wurden, werden heute KI-Techniken verwendet, einschließlich „Algo-Rädern“, die zwischen alternativen Handelsstrategien wählen können.
Beratung: Viele Robo-Berater verwenden regelbasierte Algorithmen. Wenn KI-Techniken verwendet werden, können sie Ausgaben produzieren, die dazu dienen, von Menschen getroffene Entscheidungen zu unterstützen.
Die Verringerung praktischer Hindernisse bei der Adoption – Kommodifizierung
Während umfangreiche Diskussionen über die theoretischen Grenzen der Künstlichen Intelligenz (KI) andauern, verringern sich die praktischen Hindernisse für die Integration von KI-Tools zunehmend. Ursprünglich erforderte die Entwicklung von KI spezielle Hardware und von Experten programmierte Codes, aber heute ist diese Technologie durch die Verfügbarkeit von Open-Source-KI-Software, Cloud-basiertem Hosting und Verarbeitungsmöglichkeiten sowie die Entwicklung neuer Werkzeuge und Einrichtungen viel zugänglicher geworden.
In den letzten Jahren haben Dienstleistungen wie AWS SageMaker und Google Cloud AutoML Engine, angeboten von großen Cloud-Anbietern, es Organisationen ermöglicht, ihre Daten hochzuladen und zu verwalten und sie dabei zu unterstützen, verschiedene beliebte Maschinenlernalgorithmen zu trainieren. Die neueste Entwicklung sind KI-Dienste, die über eine Reihe von "Plug-and-Play" Werkzeugen angeboten werden. Diese sind in der Regel über eine Anwendungsprogrammierschnittstelle (API) zugänglich und können allgemeine Maschinenlernaufgaben wie Bilderkennung, Spracherkennung, Übersetzung und virtuelle Assistenten ausführen. Diese Tools können schnell integriert werden, um KI-Lösungen ohne jegliche Erfahrung mit maschinellem Lernen schnell einzusetzen.
Die Auswirkungen von generativer Künstlicher Intelligenz auf die Finanzwelt
Generative Künstliche Intelligenz bezieht sich auf Maschinenlernwerkzeuge (ML), die originelle Inhalte wie Texte, Bilder, Töne, Videos oder Code basierend auf den für das Training verwendeten Eingabedaten erstellen können.
Der Aufschwung der generativen Künstlichen Intelligenz
Generative KI hat schnell Eingang in unsere Welt gefunden, begleitet von der Einführung großer, Open-Source-basierter Modelle. Diese Modelle, die über öffentlich zugängliche APIs bereitgestellt werden und äußerst menschlich wirkende Ausgaben erzeugen, haben durch ihre leichte Zugänglichkeit die Adoption von KI-Technologien erheblich beschleunigt: Während es Twitter (jetzt bekannt als X) fast zwei Jahre dauerte, um eine Million Nutzer zu erreichen, erreichte Instagram diese Zahl in zwei und einem halben Monat im Jahr 2010. Im November 2022 erreichte OpenAI's ChatGPT diese Zahl in nur fünf Tagen, was die schnellste Technologieadoption aller Zeiten darstellt, indem es innerhalb von zwei Monaten 100 Millionen Nutzer erreichte.
Was macht generative Künstliche Intelligenz besonders?
Generative KI ist ein Unterzweig des maschinellen Lernens (ML) und besitzt Fähigkeiten, die traditionelle KI nicht erreichen kann. Sie kann verschiedene Datentypen, einschließlich unstrukturierter Daten, analysieren, große Datensätze schneller verarbeiten und verfügt über ein breiteres Funktionsspektrum. Mit Basis-Modellen können originelle Inhalte wie Text, Bilder, Töne, Videos oder Code erzeugt werden. Generative KI, die für Finanzdienstleistungen von entscheidender Bedeutung ist, kann sofortige und kontinuierliche Trends aufdecken, was Echtzeitüberwachung und -prognose ermöglicht. Dank seiner fortschrittlichen Architektur und der Fähigkeit, sequentielle Daten zu verarbeiten und daraus zu lernen, kann es auch bewusste Stimmungsanalysen durchführen.
Trotz großer Begeisterung über die transformative Kraft der generativen KI ist der Ansatz im Finanzdienstleistungssektor ausgeglichener. Unternehmen mit Erfahrung in traditioneller KI und maschinellem Lernen beginnen, diese neue Technologie zu testen und potenzielle Anwendungsszenarien im Finanzbereich zu erkunden.
Anwendungsbeispiele für generative Künstliche Intelligenz im Finanzsektor:
Im Finanzsektor bevorzugen Unternehmen entweder fertige generative KI-Tools für ihre eigenen Datensätze oder entwickeln spezielle Werkzeuge für ihre Bedürfnisse. Kundenservice und fortgeschrittene Chatbots, Datenanalyse, Programmierung und Unterstützung von Rekrutierungsprozessen sind einige der Anwendungen, die auch in anderen Sektoren umgesetzt werden und im Finanzsektor Anwendung finden.
Speziell für den Finanzsektor können Modelle, die finanzielle Daten verarbeiten, für die folgenden Anwendungsfälle eingesetzt werden:
Kontinuierliche Überwachung zur besseren Erkennung von Betrug und Verbrechen in Finanzsystemen.
Personalisierte finanzielle Empfehlungen und Zahlungswarnungen.
Umfassende finanzielle Analyse und Prognose.
Erstellung und Zusammenfassung von Finanzberichten.
Bereitstellung von Informationen zur Einhaltung finanzieller Vorschriften.
Bereitstellung von Analysen zur Verbesserung des Portfoliomanagements und des Investitionsrisikomanagements.
Einige bedeutende Finanzinstitutionen haben Studien zur Nutzung generativer KI durchgeführt, darunter:
BloombergGPT: Ein speziell für den Finanzsektor entwickeltes großes Sprachmodell mit 50 Milliarden Parametern. Es wurde erfolgreich getestet und kann Emotionsanalyse, Nachrichtenkategorisierung und andere finanzielle Transaktionen durchführen.
Morgan Stanley: Nutzt Chatbots, die von der Leistungsfähigkeit von OpenAI angetrieben werden, um Vermögensverwaltungsberatern effektivere Beratungen zu ermöglichen.
JPMorgan: Arbeitet an einem KI-Investmentberater im Stil von ChatGPT, der Investitionsentscheidungen für Kunden treffen kann, und versucht, ein Programm namens IndexGPT als Marke für die Analyse und Auswahl von Finanzanlagen zu registrieren.
Citadel: Diese in Chicago ansässige Fondsorganisation erwägt den Erwerb einer ChatGPT-Lizenz für die gesamte Unternehmensentwicklung und Datenanalyse.
HERAUSFORDERUNGEN UND RISIKEN DES EINSATZES VON KÜNSTLICHER INTELLIGENZ IM RECHTSBEREICH
Herausforderungen und Risiken im Rechtsbereich
Spezifische Probleme und Herausforderungen der Künstlichen Intelligenz
Die Verwendung von maschinellem Lernen (ML) und dessen Techniken wirft spezifische rechtliche Probleme und Herausforderungen auf, insbesondere bei der Feststellung der Verantwortlichkeiten. Das Scheitern in diesen Bereichen kann zu ernsthaften rechtlichen und regulatorischen Konsequenzen führen, daher ist die Behandlung dieser rechtlichen Fragen und Herausforderungen nicht optional, sondern eine Notwendigkeit.
Die Probleme und Herausforderungen variieren je nach spezifischer Anwendung, aber viele ergeben sich aus folgenden Eigenschaften von ML-Techniken:
Vertrauen in Trainingsdaten: Im Gegensatz zu regelbasierten Algorithmen sind ML-Algorithmen dynamisch und ihre Ergebnisse hängen von der Qualität der Trainingsdaten ab. Diese Daten können aus verschiedenen Quellen gesammelt und über einen bestimmten Zeitraum verwendet werden, was die Schaffung neuer Prozesse und Kontrollen zur Aufrechterhaltung eines akzeptablen Qualitätsniveaus der Daten erfordert.
Vorhersehbarkeit: Während die Ergebnisse von regelbasierten Algorithmen vorherbestimmt sind, sind ML-Algorithmen so konzipiert, dass sie eine bestimmte Genauigkeitsstufe erreichen und im Laufe der Zeit mit neuen Daten trainiert werden können, um mit denselben Eingaben unterschiedliche Ergebnisse zu produzieren. Diese Eigenschaften können mit Vorschriften, die konstante Ergebnisse oder strenge Compliance-Standards erfordern, in Konflikt stehen.
Erklärbarkeit: Insbesondere bei einigen fortgeschrittenen Modellen können die Ausgaben möglicherweise nicht als Funktion der Eingaben erklärt werden. Einige Experten haben eine Balance zwischen Effizienz und Erklärbarkeit festgestellt. Obwohl manchmal Reverse-Engineering-Methoden verwendet werden, um die Eigenschaften von als "Black Boxes" bezeichneten Algorithmen zu verstehen, bieten diese Methoden keine vollständige Transparenz.
Spezifische Risiken der Künstlichen Intelligenz
Es gibt spezifische Risiken, die mit dem Einsatz von KI verbunden sind, die mit der Zunahme des Einsatzes generativer KI zu finanziellen Verlusten, Reputationsschäden und rechtlichen Sanktionen führen können.
Experimente der Mitarbeiter: Da generative KI jetzt weit verbreitet verfügbar ist, können Experimente der Mitarbeiter mit diesen Tools bestehende Risiken weiter erhöhen.
Unzuverlässige Ausgaben: Wie von OpenAI anerkannt, kann ChatGPT syntaktisch korrekte, aber semantisch falsche Sätze erzeugen oder fiktive Informationen erstellen. Dies kann das Risiko von anscheinend korrekten, aber falschen Aussagen und das Potenzial für den böswilligen Gebrauch falscher Informationen erhöhen, z. B. bei Belästigung, Verleumdung oder der Verbreitung von Falschinformationen und Fake News, was erhebliche Auswirkungen auf das Marktvertrauen haben kann.
Wissensbeschränkungen: Zum Zeitpunkt der Veröffentlichung war die Wissensdatenbank von ChatGPT im September 2021 aktualisiert, was bedeutet, dass sie nicht über neuere Entwicklungen informiert ist und das Risiko besteht, dass sie veraltete Informationen produziert.
Voreingenommenheit und Diskriminierung: Angesichts der Größe und Vielfalt der Datensätze, mit denen generative KI trainiert werden kann, und der Tatsache, dass sie Inhalte unabhängig erstellt, kann das Potenzial für Voreingenommenheit und Diskriminierung in den Ausgaben von generativer KI schwieriger zu managen sein als bei traditioneller KI.
Urheberrechtsverletzung: Die Verwendung von urheberrechtlich geschützten Trainingsdaten, das illegale Kopieren urheberrechtlich geschützter Werke für das Training und die Reproduktion wesentlicher Teile urheberrechtlich geschützter Werke in den Ausgaben können ein Potenzial für Urheberrechtsverletzungen darstellen.
Missbrauch persönlicher Daten: Es gibt schwierige Fragen, ob die Verwendung öffentlich zugänglicher Daten für die Ausbildung dieser Modelle legal ist und ob die von Large Language Models (LLM) generierten fiktiven Ausgaben mit dem Genauigkeitsprinzip der GDPR übereinstimmen. Ebenso kann die Erfüllung von Anfragen zur Blockierung oder Löschung von Daten durch Einzelpersonen technisch schwierig sein, wenn diese persönlichen Daten bereits in das Modell integriert sind.
