Demokratisierung von KI, NLP und Text Analytics: eine Chance für kleine und mittelgroße Finanzinstitute

Demokratisierung von KI, NLP und Text Analytics: eine Chance für kleine und mittelgroße Finanzinstitute
Beitrag von IT Finanzmagazin - Link hier.

Die Demokratisierung der Künstlichen Intelligenz hat gezeigt, dass die Herausforderung für Finanzdienstleister nicht in der technologischen Fähigkeit liegt, sondern vielmehr in der Identifizierung von wertschöpfenden Anwendungsfällen.


NLP-Bibliotheken wie Spacy, Hugging Face und Modelle wie der Googles Switch Transformer oder GPT-3 von Open AI er­mög­li­chen es tech­no­lo­gisch ver­sier­ten Teams in Ban­ken, die­se In­no­va­ti­on zu nut­zen. Die An­wen­dung von Trans­fer Learning senkt die Ein­stiegs­hür­den wie Da­ten­ver­füg­bar­keit und Re­chen­leis­tung für das Trai­ning er­heb­lich, und so­mit wird klei­ne­ren Fi­nanz­in­sti­tu­ten die Im­ple­men­tie­rung an­spruchs­vol­ler An­wen­dungs­fäl­le er­mög­licht. Auf der an­de­ren Sei­te bringt die Ver­brei­tung von No-Code- oder Low-Code-Platt­for­men für Ma­chi­ne Learning & KI die Tech­no­lo­gie zu den Fach­be­rei­chen. Klei­ne und mit­tel­gro­ße Fi­nanz­in­sti­tu­te kön­nen so­mit ei­nen Wett­be­werbs­vor­teil ge­ne­rie­ren, an­statt dem Markt zu fol­gen. Mit die­sem Ar­ti­kel zei­ge ich meh­re­re An­wen­dungs­fäl­le aus der Bran­che auf, die für klei­ne und mit­tel­gro­ße Fi­nanz­dienst­leis­ter als Idee für die­sen Mind­set-Wech­sel die­nen können.Folgende Techniken können bei den Finanzinstituten benutzt werden, um unstrukturierte Textdaten zu verarbeiten:

a) Schlüsselsätze: 
Extrahieren von Schlüsselsätzen aus einem umfangreichen Text, um einen effizienten Überblick zu generieren

b) Sentiment Analyse: 
Analyse der einem Text zugrundeliegenden Stimmung auf Basis von Themen, Einheiten oder zeitlicher Richtung von Aussagen, um granulare Erkenntnisse zu generieren

c) Identifizierung der temporalen Richtung: 
Identifizierung der temporalen Richtung der Aussagen zwecks Relevanzbewertung

d) Topic Extraction: 
Extrahierung von Aussagen in Bezug auf relevante Themen für Ihre Analyse

e) Q&A – semantische Suche: 
Suche basierend auf der semantischen Ähnlichkeit, um die relevantesten Aussagen zu den Suchbegriffen anzeigen zu können, anstatt nach exakten Stich­wort­über­ein­stimmungen zu suchen

Anwendungsfälle in der Due Diligence

Ob Fusionen, Übernahmen oder Private-Equity-Transaktionen, die Due Diligence ist ein komplexer Prozess, der stundenlange professionelle Arbeit von verschiedenen Parteien erfordert. Eine der Tätigkeiten dabei ist die Schwärzung vertraulicher Informationen aus bestimmten Dokumenten, was mitunter eine kostenintensive, aufwändige Handarbeit sein kann. NLP- und Text-Analytics-Techniken wie Named Entity Recognition, semantische Ähnlichkeit und Bildverarbeitung bieten in diesem Zusammenhang nun eine Vielzahl von Anwendungsmöglichkeiten. Vertrauliche Informationen, Begriffe und Themen wie kommerziell sensible Informationen und personenbezogene Daten (GDPR) können intelligent maskiert und demaskiert werden, abhängig von der Zielgruppe, die die Daten nutzt. Nachfolgend finden Sie eine Illustration zu den möglichen Schritten für die Entwicklung eines ähnlichen Modells.

Vektor-Darstellungen der Sätze mit Modellen, wie BERT, GPT und anderen, erleichtern die Suche innerhalb von Dokumenten auf Basis von Ähnlichkeit. Das bedeutet, dass auch Funktionalitäten wie das Auffinden ähnlicher Wörter oder Ausdrücke innerhalb eines Dokuments zum Schwärzen möglich sind.

Vertragsanalysen sind eine weitere Gruppe von Anwendungsfällen, die mit Text Analytics und NLP in Due-Diligence-Prozessen eingesetzt werden. Sei es für einen Käufer, der bestehende Verträge eines potenziellen Zielunternehmens überprüft, oder für das Zielunternehmen, das eine erste diagnostische Analyse durchführt – ein rationalisierter und automatisierter Prozess kann erhebliche Ersparnisse an manueller Arbeit bringen. Verträge halten Informationen unstrukturiert fest, enthalten aber wichtige Klauseln, die während des Due-Diligence-Prozesses untergehen können. Die gründliche Analyse der Verträge ist häufig mit exorbitanten Anwaltskosten verbunden. Semantische Suche, intelligentes Tagging und die Zusammenfassung wichtiger Informationen aus Verträgen können die Anzahl der Stunden, die Anwälte für die Analyse der Verträge benötigen, deutlich reduzieren und damit Kosten sparen.

Research und Analyse des Investitionsumfelds

Buy-Side-Firmen haben bereits mehrere Einsatzmöglichkeiten für die Analyse unstrukturierter Daten für Research- oder Investment-Management-Zwecke identifiziert. Neben Textdaten gibt es auch Anwendungsfälle für die Nutzung von Informationen zum Fußgängerverkehr, zur Online-Suche und anderen ähnlichen Daten für verfeinerte Prognosen. Während des Beginns der Pandemie haben viele Analysten ihre finanziellen Ziele für die Unternehmen nur langsam aktualisiert, obwohl viele der Unternehmen ihre Gewinnprognosen zurückgezogen haben. Während der Finanzkrise wurde ein ähnliches Phänomen beobachtet.

In Zeiten der Unsicherheit werden finanzielle Indikatoren seltener aktualisiert, während die aktuellen Herausforderungen und das bestehende Umfeld für Investitionen ausführlich in Textform diskutiert wird.



Investment-Manager, die diese Daten in ihre Entscheidungsprozesse einbeziehen, haben einen ganzheitlichen Blick auf das aktuelle Klima. Normalerweise würde ein Analyst diese Berichte überprüfen. Aber in einer schnelllebigen Umgebung ist die manuelle Durchsicht aller Dokumente nicht realisierbar. Daher können NLP- und Textanalyseverfahren dabei helfen, ein erstes Screening der Berichte durchzuführen und die Bereiche hervorzuheben, für die eine nähere Untersuchung sinnvoll ist.


Nowcasting und Zentralbank-Research

Während durch den Lockdown in der Pandemie verursachten Volatilität, hatten die Zentralbanken Schwierigkeiten, ihre Geldpolitik anzupassen. Konventionell verwendete Zahlen für geldpolitische Gremien, wie BIP, Verbraucherstimmungsindizes, Inflationszahlen, sind rückwärtsgerichtet.

Große Zentralbanken haben daher verstärkt auf das so genannte Nowcasting zurückgegriffen. Der Bedarf an sofortigen Daten in Stressszenarien hat eine hohe Priorität.

Daher bietet Nowcasting durch die Nutzung von Hochfrequenzdaten, wie Texte und Zeitungsartikel, einen unmittelbaren Einblick in das Marktumfeld. Nowcasting wird nicht nur für geldpolitische Entscheidungen verwendet, sondern auch, um die Auswirkungen der getroffenen Entscheidungen abzuschätzen und bei Bedarf anzupassen. Der Trick besteht darin, den Datensatz in einer Zeitreihe zu konstruieren, die mit entsprechenden numerischen Indikatoren abgeglichen werden kann. Forscher der norwegischen Zentralbank verwenden zu diesem Zweck LDA (Latent Drichlet Allocation), um Themen aus Nachrichtenquellen zu extrahieren und das US-BIP, das Investitionswachstum und den Verbrauch zu prognostizieren.

Drei Empfehlungen für kleine und mittelgroße Finanzinstitute (FI)

Alternative Datenquellen wie Texte weisen eine ganze Reihe von Vorteilen gegenüber herkömmlichen numerischen Indikatoren auf. Diese habe eine hohe Frequenz, erzählen eine breitere Geschichte über die Wirtschaft, enthalten qualitative Informationen und sprechen über Erwartungen. Vor diesem Hintergrund gibt es 3 Dinge, die kleine und mittelgroße Finanzinstitute tun sollten, um einen Wettbewerbsvorteil gegenüber den größeren etablierten Marktteilnehmern zu erlangen:

  • Technologie- und Fachteams in den Finanzinstituten sollten regelmäßig Workshops durchführen, um geschäftsorientierte Anwendungsfälle für die Nutzung von KI, ML und NLP zu identifizieren. Das Gespräch mit Beratungsunternehmen hilft bei der Identifizierung von Anwendungsfällen, da die Branche breiter aufgestellt ist und die Beratungsunternehmen kontinuierlich forschen.
  • Erwägen Sie den Einsatz von No-Code-KI-Plattformen, um Fachbereichen die Möglichkeit zum Experimentieren zu geben. Während des Experimentierens werden Ideen zum Leben erweckt. Durch eine engere Zusammenarbeit mit fachlichen Teams kann ein viel stärkerer Business Case hinter den Technologie-Initiativen erstellt werden.
  • Bevorzugen Sie branchenspezifische Lösungen gegenüber generischen Lösungen, die auf jede Branche ausgerichtet sind. Ein nachhaltiger Wettbewerbsvorteil lässt sich erzielen, wenn die Lösungen das Fachwissen der Branche nutzen und auf die individuellen Bedürfnisse des Unternehmens zugeschnitten sind.







George Karapetyan

Manager / Data Science & Machine Learning

LPA Gruppe ist Mitglied der IDC FinTech-Rankings von IDC Financial Insights

LPA Gruppe ist Mitglied der IDC FinTech-Rankings von IDC Financial Insights

LPA Group stellt neuen Partner zum Ausbau der Schweizer Beratungspraxis ein

LPA Group stellt neuen Partner zum Ausbau der Schweizer Beratungspraxis ein

Go back to all news