FinanzevolutionDie Grenzen der Künstlichen Intelligenz

Ein Roboterhand hält Stapel von Münzen
Unbegrenzte Möglichkeiten? Eher nicht, der Einsatz von Künstlicher Intelligenz in der Finanzbranche stößt an GrenzenGetty Images

In der Alltagspraxis haben wir uns daran gewöhnt, Künstliche Intelligenz (KI) in die Nähe menschlicher Intelligenz zu rücken. Dies fördern Berichte darüber, dass viele KI-Systeme inzwischen Leistungen vollbringen, die manche als intelligent und kreativ einstufen. So soll etwa AIVA (das steht für Artificial Intelligence Virtual Artist) Musik komponieren oder andere Anwendungen Fotos von Menschen realistischer darstellen können. Dennoch wachsen mittlerweile die Zweifel an der Leistungsfähigkeit künstlicher Intelligenz. Die Fachzeitschrift Chip machte in der Juni-Ausgabe erste Risse aus. In immer mehr Fachblogs werden Bedenken an der Leistungsfähigkeit der Sprachassistenten von Amazon, Google und Co. laut.

Künstliche Intelligenz soll Maschinen befähigen, Aufgaben „intelligent“ auszuführen. Dabei ist allerdings nicht festgelegt, was „intelligent“ bedeutet und welche Techniken zum Einsatz kommen, erklärt das Fraunhofer-Institut. Diese begriffliche Nähe zur menschlichen Intelligenz führt in der Technologiewelt nach Auffassung zu der unsinnigen Frage, wann eine Maschine die Intelligenz des Menschen nachahmen könne.

Insbesondere Beratungsgesellschaften verbinden künstliche Intelligenz für den Einsatz im Finanzwesen mit großen Versprechungen. So schreibt etwa die Unternehmens- und Technologieberatung Accenture in einer Studie: „Artificial intelligence will enable financial services companies to completely redefine how they work.“ Antoni Munar schreibt im Blog der Beratungsgesellschaft GFT, künstliche Intelligenz entwickele sich „allmählich zu einem Konzept, das die komplette Wertschöpfungskette des Finanzsektors tatsächlich auf den Kopf stellen könnte“.

Typische Anwendungsbereiche im Banking

Die verschiedenen Technologien der künstlichen Intelligenz sind nicht erst mit der modernen Digitalisierung der 2010er-Jahre im Finanzsektor aufgetaucht. Bereits in den 90er-Jahren des letzten Jahrhunderts wurde über den Einsatz künstlicher neuronaler Netze  auf dem Aktienmarkt nachgedacht. Künstliche neuronale Netze sind an die Arbeitsweise  von Gehirnen angelehnte Verfahren, die Informationen aufnehmen, auf Basis früherer Informationen gewichten und z.B. dazu dienen Bilder, Sprache und Muster zu erkennen. Mit der Anwendung des bereits in den 40er-Jahren des letzten Jahrhunderts angedachten Konzeptes will man z.B. den Verlauf von Aktienkursen besser vorhersagen.

Konkrete Anwendungsfälle im Finanzwesen sind etwa die Früherkennung von Cyberangriffen, die Betrugserkennung oder das Erkennen von Geldwäscheaktivitäten. Dazu wird ein System z.B. mit den Transaktionsdaten vergangener Fälle trainiert. Anschließend hofft man, beispielsweise betrügerische Transaktionen mit ähnlichen Mustern zu selektieren, damit ein menschlicher Bearbeiter dies nachprüfen kann. Erkennt die Maschine falsch, lernt sie durch das Feedback des menschlichen Bearbeiters dazu. Das System kann dabei immer nur so gut sein, wie das als Trainingsdaten verwendete Material. Neue Betrugsvarianten lassen sich so nicht erkennen, wenn das System diese Varianten früher als harmlos klassifiziert hat.

Das so etwas fehleranfällig sein kann, zeigen die Risikoeinschätzungen von Krediten des Hamburger Start-ups Kreditech. Kreditech arbeitete nach eigenen Angaben mit Machine Learning-Algorithmen, die aus sehr vielen Daten das Ausfallrisiko für Kredite bestimmen kann. Arbeiten die Algorithmen gut, dann sollten in der Summe die Kosten für ausgefallene Kredite niedriger sein als die an die jeweiligen Ausfallrisiken angepassten Zinserlöse. Das scheint in der Vergangenheit nicht immer der Fall gewesen zu sein, wie Finanz-Szene und Gründerszene berichteten. Die Autoren stellten die Frage, ob die hauseigenen Algorithmen, mit denen Kreditech das globale Kreditgeschäft revolutionieren wollte, womöglich gar nicht richtig funktionieren.