Kreditentscheidung durch intelligente Maschinen besser

Künstliche Intelligenz gilt als eine der Schlüsseltechnologien für die Finanzbranche.

Kreditentscheidung durch intelligente Maschinen besser

Ursprünglich erschienen in der Sparkassenzeitung

Künstliche Intelligenz gilt als eine der Schlüsseltechnologien für die Finanzbranche. Ein Ziel sind selbstlernende Systeme, die komplexe Muster und Gesetzmäßigkeiten in Daten erkennen, um auf dieser Basis fundiertere und effizientere Entscheidungen zu treffen. Eine wichtige Grundlage dafür ist maschinelles Lernen, weil die Technik dadurch ähnlich funktioniert wie das menschliche Gehirn.

Viele Institute treiben aktuell die Digitalisierung voran, um ihre Prozesse zu optimieren und sich vertrieblich in einer Omnikanal-Welt neu aufzustellen. Aber reicht das aus, um gut durch die nächste Krise zu kommen? Fakt ist, dass bereits heute (theoretisch) ein Großteil der manuellen Prozesse bei Kreditinstituten durch Automatisierung und Digitalisierung auf ein neues Level gehoben werden könnte. Der Kunde honoriert deutlich verkürzte End-to-End-Durchlaufzeiten und schätzt auch die digitalisierten Nebenprozesse (zum Beispiel digitaler Finanzbericht).

Bereits heute sind erste automatisierte Systeme für Kreditentschei­dungen erfolgreich im Einsatz. In der Sparkassen-Finanzgruppe wird kanalübergreifend von zahlreichen Instituten die sogenannte Aktivlinie im privaten und gewerblichen Bereich genutzt – und das sehr erfolg­reich. Um die Prozesse zu verschlanken und schneller Kreditent­schei­dun­gen zu treffen, wird Kunden teilnehmender Institute automatisiert diese Aktivlinie eingeräumt.

In der Praxis können Kredite bis zu einer festgelegten Höhe (derzeit maximal 100 000 Euro) damit in einem vereinfachten Verfahren unmit­telbar auf allen Kanälen zugesagt werden. Die Höhe der kundenindivi­duellen Aktivlinie ist dabei von verschiedenen Parametern abhängig: Ausgangspunkt der Berechnung ist etwa der approximierte Geschäfts­umsatz der vergangenen Monate.

Während die Berechnungslogik initial definiert wurde und nur bedingt anpassbar ist, werden für ausgewählte Berechnungsparameter lediglich Verbandsempfehlungen ausgesprochen. Diese können anschließend durch die Institute individuell modifiziert werden. Systeme wie die Aktiv­linie nutzen dabei größtenteils Parameter, die auf historischen Werten basieren, Expertenschätzungen umfassen und nur stichtags­bezogen ermittelt werden. Es handelt sich somit um ein nicht-lernendes System, das regelmäßig durch manuelle Anpassungen von Parametern weiter­entwickelt werden muss.

Neue Chancen durch künstliche Intelligenz

Obwohl die Aktivlinie im Mengengeschäft gute Ergebnisse erzielt, lässt sich die Qualität der Kreditentscheidung durch den Einsatz künstlicher Intelligenz deutlich verbessern. Heute werden für Kreditentscheidungen im Wesentlichen noch stark vereinfachende, statische Modelle genutzt, die mit vergleichsweise wenigen Daten beziehungsweise Parametern (zum Beispiel Haus­halts­einkommen) „gefüttert“ werden. Solche Systeme arbeiten meist unter der Annahme, dass es einen simplen, linearen Zusammenhang zwischen den betrachteten Parametern und der Kreditwürdigkeit des Kunden gibt. Daraus resultiert zwar ein einfach zu interpretierendes Modell, das mitunter jedoch die komplexe Lebenswirklichkeit vernach­lässigt, die die Kreditwürdigkeit aber unmittelbar beeinflusst.

Weiter vertraut man bei diesen Modellen darauf, dass die Parameter, auf deren Basis die automatisierten Entscheidungen getroffen werden, vom Menschen bei der Modellentwicklung richtig definiert worden sind. So nutzen automatisierte Kreditvergabesysteme oft den approximierten Geschäftsumsatz als Entscheidungsfaktor. Was jedoch, wenn etwa der Geschäftsgewinn in Wirklichkeit der weitaus effektivere Entscheidungs­faktor sein sollte? Das entwickelte System würde ständig unzureichende Entscheidungen fällen, da ihm bereits beim Start die „falschen“ Entschei­dungsfaktoren an die Hand gegeben worden sind.

Das automatische Lernen und Aktualisieren dieser Faktoren – basierend auf Daten von Tausenden zuvor getroffenen Kreditentscheidungen – und deren Ausgang findet in einem statischen System zudem nicht statt. Um es anzupassen, wäre eine manuelle Aktualisierung des Systems von außen erforderlich.

Erste Einsatzgebiete von KI

Dabei sind Kreditinstitute durch die Möglichkeiten künstlicher Intelligenz (KI) heute bereits in der Lage, selbstlernende Systeme zu entwickeln, die komplexe Muster und Gesetzmäßigkeiten in Daten erkennen und auf dieser Basis fundierte Entscheidungen treffen. Ein künstlich geschaffe­nes System gilt dann als intelligent, wenn es kognitive Funktionen eines Menschen beziehungsweise Lebewesens hat (zum Beispiel die Fähigkeit zu lernen oder das Lösen von Problemen).

Machine Learning

Vor allem das Lernen wird über das breite Feld des Machine Learnings (maschinelles Lernen) adressiert. Ein Teilgebiet, das sogenannte Deep Learning, hat in der Vergangenheit besonders viel Aufmerksamkeit er­regt, weil es in den Bereichen maschinelles Sehen (Computer Vision) und Sprachverarbeitung (Natural Language Processing) besonders erfolgreich eingesetzt worden ist. Teilweise konnten KI-Systeme bereits das Leistungsniveau des Menschen nicht nur erreichen, sondern sogar übertreffen (zum Beispiel im Brettspiel Go). Wie die Technologie arbeitet, zeigt exemplarisch Abbildung 1. Daten werden bei diesem Verfahren von Experten manuell gesichtet, zusammengefasst und ausgewählt, um sie für spezifische Machine-Learning-Modelle (im Beispiel: Ent­scheidungs­bäume) aufzubereiten. Die Modelle sind weniger rechenintensiv und können selbst mit kleineren Datenmengen gute Ergebnisse liefern.

Methoden des maschinellen Lernens sind deshalb statistische Verfah­ren, die auf (meist tabellenförmigen) Daten basieren. Sie bestehen aus teilweise Hunderten oder mehr Attributen, die das Problem beschreiben. Dabei wird stets anhand einer hinreichend großen Daten­basis versucht, generelle Gesetzmäßigkeiten aus den Daten automatisiert zu erkennen und zu lernen.

Vor dem eigentlichen Lernprozess erfordern klassische Machine-Lear­ning-Algorithmen in der Regel eine sehr aufwendige Vor- und Aufberei­tung der Daten. Die Parameter (Features) müssen im ersten Schritt meist aus mehreren Datenquellen konsolidiert und extrahiert, um im zweiten Schritt gesäubert, sinnvoll umgewandelt und normalisiert werden zu können. Beide Schritte sind nicht nur sehr zeitintensiv – de facto die aufwendigste Phase im gesamten Prozess –, sondern erfor­dern auch viel Erfahrung und ein tiefes, fachliches Verständnis.

Bezogen auf Systeme, die über Kreditbewilligung entscheiden sollen, bedeutet dies, dass Daten früherer Kreditentscheidungen parametrisiert und sämtliche Entscheidungsgründe maschinell lesbar dargestellt wer­den müssen.

Mit derart trainierten Modellen sind dann für künftige Daten fundiertere Aussagen zur Kreditwürdigkeit anhand der Merkmale der Anfrage (der sogenannte Inferenzschritt) möglich. Da das System die Entscheidungen automa­tisch auf der Basis historischer Daten getroffen hat, sind sie er­wie­senermaßen statistisch optimal. Darüber hinaus können die Parame­ter dieser Modelle mit neuen Daten kontinuierlich aktualisiert und somit dynamisch sich ändernden Umständen angepasst werden.

Deep Learning

Finanzwirtschaft setzt Deep Learning ein

Abbildung 2 zeigt an einem Beispiel die Funktionweise von Deep Lear­ning (tiefgehendes Lernen). Das tiefe neuronale Netz lernt automatisch hochkomplexe Zusammenhänge in den Daten. Das Training ist äußerst rechenintensiv und erfordert meist große Datenmengen.

Deep Learning steht deshalb für eine bestimmte Methodenfamilie des maschinellen Lernens. Basierend auf sogenannten künstlichen neurona­len Netzen, die der Funktionsweise des menschlichen Gehirns nach­empfunden sind, verfügen sie über eine enorm hohe Abstraktions­fähig­keit. Dieser Ansatz eignet sich daher vor allem bei komplexen Datenty­pen wie Bildern oder Tönen, deren semantische Aussa­gekraft implizit enthalten ist. Sie können Gesichter in einem Pixel-Bild unterscheiden oder Sprachkonstrukte in einer Audiodatei erkennen. Schlüssel für eine solch starke Abstraktionsfähigkeit ist, dass Daten nicht wie im klassi­schen maschinellen Lernen mühsam per Hand aufbereitet werden müssen, sondern die beste Datenrepräsentation automatisch gelernt wird. Das macht Deep Learning zu einem Univer­salwerkzeug, das beliebig komplexe Zusammen­hänge lernen kann, sofern hinreichende Datenmengen und Rechen­kapazitäten vorhanden sind.

Aktuell ist jedoch nur ein Bruchteil der Kundeninformationen digital verfügbar, um sie in statistischen Modellen berücksichtigen zu können. Grund dafür ist, dass trotz verstärkter Standardisierung im Vertriebs­prozess (zum Beispiel Finanzkonzept der Sparkassen-Finanzgruppe) Kreditent­scheidungen immer noch stark von Kundengesprächen oder anderen, teilweise schwierig zu quantifizierbaren Faktoren abhängig sind. Eine Lösung zur Erfassung der Informationen könnte die automatisierte Spracherfassung sein. Moderne Sprache-zu-Text-Systeme sind heute schon in der Lage, Gesprächen in Echtzeit zu folgen. Beispiel für eine solche Technologie ist der Google-Übersetzungsdienst, der nicht nur Text erfasst, während jemand spricht, sondern diesen gleichzeitig in eine andere Sprache übersetzt.

Die durch ein solches System generierten Daten beziehungsweise Informationen können bereits heute mithilfe künstlicher Intelligenz automatisiert in Themen unterteilt und nach Schlüsselwörtern sortiert werden. Daraus ableiten lässt sich sogar die generelle Grund­stimmung des Kommunizierenden. Diese Daten könnten eine weitere Datenquelle für ein Kreditrankingsystem sein, das schon aus unzähligen vorausgegangenen Kundengesprächen gelernt hat, welche Teile und Nuancen der Unterhaltung wichtig für eine finale Entscheidung der Kreditwürdigkeit sind.

Neben den während eines Beratungsgesprächs erhobenen Daten benö­tigen KI-Systeme jedoch auch „Erfahrungswerte“ beziehungsweise Daten, auf deren Basis sie „lernen“ können. Für Kreditinstitute sind solche Daten je­doch eine große Herausforderung: Durch die 2018 europaweit einge­führte Datenschutzgrundverordnung (DSGVO) gelten für das Speichern personenbezogener Daten nämlich strikte Auflagen. Die daraus resul­tierende geringere Datendichte führt zu einem klaren Wettbewerbs­nach­teil gegenüber US-amerikanischen beziehungsweise asiatischen Instituten.

Fazit und Ausblick

Künstliche Intelligenz ist heute schon in der Finanzwirtschaft einsetzbar und verspricht bei entsprechender Vorbereitung deutliche Effizienz- und Zeitge­winne. Zu einem Engpass in den Kreditinstituten könnte das benö­tigte KI-Fachwissen werden. Der Hauptgrund: Bei großen US-amerikani­schen Tech-Konzernen wie Google oder Amazon sind frühzeitig große Budgets bereitgestellt worden, um Absolventen und KI-Experten anheu­ern zu können. Dadurch sind Jahres­gehälter von mehreren Hundert­tausend US-Dollar möglich, was den Tech-Firmen ein deutliches Wissensmonopol verschafft.


Autoren

Dr. Georg Eder ist Partner und Chief Innovation & Technologie Officer bei Kampmann Management Consultants (KMC).

Frederik Mattwich und Keesiu Wong sind Mitgründer von Design AI in Garching bei München, die innovative Software-Lösungen durch die Kombination von künstlicher Intelligenz und Design Thinking entwickelt.

KMC und Design AI kooperieren bei innovativen Ideen für den Einsatz von künstlicher Intelligenz in der Finanzwirtschaft.