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.

Beratung durch Roboter stößt an Grenzen

Sehr gut klappt mittlerweile die Spracherkennung (übrigens auch von Emotionen) mit Hilfe neuronaler Netze. Konkret erkennen die Systeme Geräusche als Sprache und wandeln sie in Text um. Diese Umwandlung bedeutet aber noch lange nicht, dass aus den Inhalten der Texte z.B. der eigentliche Informationswunsch oder ein Befehl abgeleitet werden kann. Einige kennen das vielleicht aus der Nutzung von Amazons „intelligentem Lautsprecher“ Alexa. Der kann mittlerweile sehr gut Sprache erkennen und in Text umwandeln. Häufig kann er aber mit Befehlen oder Fragen nichts anfangen. Fragt man Alexa z.B. was künstliche Intelligenz ist, erhält man darauf eine passende Kurzantwort. Fragt man aber, warum Alexa eine künstliche Intelligenz ist, gibt das System keine sinnvolle Antwort.

Ein freier Dialog, in dem z.B. ein KI-System ein Beratungsgespräch ersetzen soll, endet relativ schnell im Frust. Nur auf relativ einfache Standardfragen können etwa sogenannte Chatbots (Textroboter, die einfach Dialoge führen können) mehr oder weniger sinnvolle Antworten geben, die aber meist aus einer Wissensdatenbank stammen. Wenn es etwas anspruchsvoller wird kommen Chatbots meist an ihre Grenzen.  Das gilt auch für die mit großen finanziellen Ressourcen entwickelten Systeme von Google, Amazon und Co.

Anwendungsfälle, bei denen aus einer Wissensdatenbank bzw. einem Expertensystem oder nach einer Formel Antworten ermittelt werden, zählen nicht zur künstlichen Intelligenz. Zu den formel- oder regelbasierten Anwendungen gehören etwa die meisten Robo-Advisor, also digital automatisierte Anlageberatungen. Sie erstellen auf Basis bestimmter Fragen Vorschläge für die Vermögenszusammensetzung, kaufen und verkaufen die entsprechenden Wertpapiere. Robo-Adivsor sorgen für relativ gute, jedoch selten für überdurchschnittliche Anlageergebnisse.

Auswertung von Dokumenten und Verträgen

Zu den klar umrissenen Problemen gehört auch die Auswertung von Dokumenten, Verträgen und anderen unstrukturierten Daten. So will etwa das Schweizer Legaltech Start-up Legartis auf Basis künstlicher Intelligenz die Erfassung und den Abgleich juristischer Dokumente wie Verträge und Rechtsvorschriften ermöglichen, um so etwa Vertragsprüfungen zu erleichtern. Die US-Großbank JP Morgan Chase hat nach Darstellung der Fachwebseite Emerj eine „Contract Intelligence-Plattform“ (= COiN) eingeführt, die „die Analyse juristischer Dokumente und die Extraktion wichtiger Datenpunkte und Klauseln“ zum Ziel hat. Die manuelle Überprüfung von 12.000 jährlichen Warenkreditverträgen erfordere in der Regel circa 360.000 Stunden.

Die Ergebnisse einer ersten Implementierung dieser maschinellen Lerntechnologie sollen zeigen, dass die gleiche Anzahl von Vereinbarungen in Sekundenschnelle überprüft werden könne. Die Analyse unstrukturierter Rechtsdokumente soll helfen die darin enthaltenen Daten zu strukturieren und in auswertbare Informationen umzuwandeln, um schnelle gezielte Informationen aus Verträgen herauszufiltern. Auch auf die Compliance-Überwachung in Finanzhäusern spezialisieren sich immer mehr Unternehmen, die heute unter der Bezeichnung Regulierungstechnologie (Regtech) laufen, wie z.B. das Frankfurter Start-up Compendor.

Vereinfachtes Modell menschlichen Verhaltens

Wer sich heute mit moderner Hirnforschung beschäftigt, muss zu dem Schluss kommen, dass Maschinen Menschen in ihrer evolutionären Vielfalt selbst mit der 1000-fachen Rechenleistung niemals werden nachbilden können. Die Neurowissenschaft hat zwar in den letzten Jahren große Fortschritte gemacht, übt sich aber weiterhin in Bescheidenheit, was das Verstehen des menschlichen Gehirns ausmacht. Das durch das Gehirn gesteuerte menschliche Verhalten wird u.a. durch verschiedenste Funktionen, Gehirnzellen und chemische Substanzen, die die Arbeitsweise des Nervensystems beschleunigen oder bremsen, sowie dem (epi-)genetischen System und kulturellen Außeneinflüsse bzw. Lebensbedingungen beeinflusst. Selbst wenn die Wissenschaft die komplexe Arbeitsweise des menschlichen Gehirns entschlüsselt hätte, ließe sich das kaum nachbauen. Das ist freilich auch nicht nötig.

Künstliche Intelligenz muss nicht das menschliche Denken ersetzen. Sie kann aber als mächtiges Werkzeug bei klar umrissenen Probleme unterstützen, wie Auto fahren, Sprache erkennen, Menschen im Schach schlagen, medizinische Diagnosen erstellen, das Klima simulieren oder Risiken aus Millionen von Datensätzen extrahieren. Diese Fortschritte sind aber nicht einem besseren Verständnis der Mechanismen menschlicher Intelligenz zu verdanken, sondern technischen Verbesserungen bei der Rechenpower und der Vernetzung großer Datenmengen.

Mit den verschiedensten Technologien der künstlichen Intelligenz kann man heute schon Bewerber für einen bestimmten Job vorselektieren, Straftaten vorhersehen und Tumore erkennen oder, wie in den Anwendungsbeispielen oben gezeigt, das Finanzwesen unterstützen. Wenn man von der irrigen Annahme absieht, eine „Artificial General Intelligence“ klopfe irgendwann mit einem Bewusstsein an unsere Tür, können wir uns auf die realistischen Anwendungsfälle konzentrieren, die sich für abgegrenzte und standardisierbare Aufgaben eignen.