So holst du mit KI und maschinellem Lernen das Beste aus deinem Geld heraus

KI wird schon in drei Vierteln der Bankenbranche genutzt. Und obwohl Gartner vorhergesagt hat, dass GenAI erst in ein paar Jahren zu einem der wichtigsten Trends im Bankwesen werden wird, gibt es in letzter Zeit einen klaren Drang, GenAI schon jetzt einzusetzen. Bei der modernen Technologie geht es nicht darum, das perfekte Tool zu finden. Es geht darum, ein Tool auszuwählen und es richtig einzusetzen, den passenden Anwendungsfall zu finden und dann die Technologie zu nutzen und wieder aufzugeben. Die Technologie entwickelt sich so schnell, dass sie schon fast wegwerfbar ist, und deine nächste Lösung wird wahrscheinlich nicht länger als zwei Jahre halten.

Besonders wegen der geschäftlichen Auswirkungen. Zum Beispiel ist der Hauptzweck von KI im Bankwesen, Aufgaben zu automatisieren und Vorhersagen mit Modellen des maschinellen Lernens (ML) (einschließlich komplexem Deep Learning) zu erstellen. Das braucht riesige Rechenkapazitäten und Daten sowie erhebliche Investitionen. Auch Finanzinstitute gehören schon zu den großen Nutzern von KI. Sie setzen auf Cloud-basierte ML-Dienste (z. B. AWS, Microsoft Azure, Google ML) und (hauptsächlich) private oder Mainframe-Hybrid-Cloud-Umgebungen. Es scheint, als gäbe es fast jeden Tag einen neuen technologischen Durchbruch, und natürlich will jeder diesen sofort nutzen. Trotzdem lohnt es sich, genau zu überlegen, was du konkret tun musst und welche Lösungen dir dabei helfen können. Und stell sicher, dass du das, was du schon hast, so gut wie möglich nutzt, also das Beste daraus machst, bevor du anfängst, Geld auszugeben.

Bereits drei Viertel der Finanzinstitute setzen KI ein, und die jüngsten Fortschritte geben Anlass zu Optimismus hinsichtlich des wachsenden Interesses, GenAI so früh wie möglich in den Technologiemix einzuführen. Die von GenAI entwickelte Low-Code-/No-Code-Software kann erhebliche Kosten einsparen, beispielsweise durch die Reduzierung von Betriebskosten und Risiken, die mit der Unzuverlässigkeit der alten Infrastruktur und arbeitsintensiven Prozessen verbunden sind.

Die wichtigsten KI-Trends im Bankensektor laut Gartner:

• Computer Vision: Mach die Leistung bei KYC, AML, ID-Überprüfung, Betrugserkennung und Risikoprüfung besser.
• Entscheidungsintelligenz und Graphentechnologien: Modernisiere Front- und Backoffice-Anwendungen.
• Innovative KI-Funktionen: Verbessert die Genauigkeit und den Umfang des Risikomanagements und Marketings durch grundlegende Modelle. Generative Adversarial Networks (GANs) eignen sich gut für die Erstellung realistischer Bilder, Videos und Sprachaufnahmen, die in den meisten Fällen nicht von den Originalinformationen zu unterscheiden sind.
• Modellzentrierte KI: Stell vielversprechende Entwicklungen wie Composite AI und GenAI vor, um neue Initiativen zu unterstützen.
• Datenzentrierte KI: Konzentriere dich auf die Datenanalyse hinsichtlich Ethik, Genauigkeit und Erklärbarkeit.
• KI-basierte Anwendungen und Anwendungsfälle: Entwickle dialogorientierte Benutzeroberflächen, intelligente Räume, Roboter usw.
• Verantwortungsbewusste und menschenzentrierte KI: Setze verstärkt auf ethische KI-Entwicklung, Risikomanagement und positive soziale Auswirkungen.

Entscheidungsfindung, Betriebsmanagement und Hyper-Personalisierung von Produkten zur Steigerung der Kundenrendite würden deine Betriebserträge erheblich verbessern und deine Kosten senken. S&P schätzt, dass eine Senkung der Kosten für Bankpersonal um 10 Prozent die Eigenkapitalrendite um etwa 100 Basispunkte und die Kosten-Ertrags-Verhältnisse um etwa 3 Prozent steigern würde (laut S&P Global Ratings, Global Top 200 bewertete Banken).

Künstliche Intelligenz kann Banken, die sie gut nutzen können, einen Wettbewerbsvorteil verschaffen. Es braucht nur ein bisschen Weitsicht und eine kluge Nutzung von KI. Mit der Verbesserung des Risikomanagements könnte die KI die Wahrnehmung der damit verbundenen Risikoprofile von Banken beeinflussen. Wenn Banken in der Lage sind, Kreditrisiken angemessen zu bewerten, indem sie latente Muster in den Informationen nutzen, um die Wahrscheinlichkeit der Rückzahlung von Kundenschulden zu berechnen, werden sie ihre Workout-Modelle verbessern, problematische Kredite minimieren und die Korrektheit maximieren. Das Risikomanagement könnte durch den Einsatz von KI auf verschiedene Weise verbessert werden. Trotzdem wird es nicht verhindern, dass eine schlechte Umsetzung zu Reputations- und Betriebsrisiken sowie zu einer negativen Risikoposition für die Bank führt. Mach es richtig. Such dir einen Technologieanbieter, der sich mit dem Bankwesen auskennt.

Das neue KI-Gesetz in Europa hat eine umfassende Kontrolle von KI-Produkten und -Dienstleistungen in einem risikobasierten und nutzungsfallbasierten Umfeld geschaffen. Das Gesetz umfasst die grundlegenden Modellverantwortlichkeiten in Bezug auf Allzweck-KI-Systeme. Andere Länder wie Kanada, Brasilien, Chile und die Philippinen bleiben bei solchen Maßnahmen nicht zurück. In den USA hat das National Institute of Standards and Technology (NIST) ein KI-Sicherheitskonsortium gegründet. Es will mit der Industrie zusammenarbeiten, um neue Standards zu entwickeln, wie zum Beispiel branchenspezifische Leitlinien, die auf Risikomanagement ausgerichtet sind. Neben den Regulierungsmaßnahmen der Regierung wird zunehmend anerkannt, dass die Industrie die Pflicht hat, die Gesellschaft zu schützen, indem sie die KI-Governance initiiert oder stärkt.

Die neue KI-Regulierung basiert auf den Risiken, die von Risikobenutzern ausgehen können, und den Aktivitäten, die kontrolliert werden sollten. Die EU hat vier Arten von Risiken berücksichtigt:

Die Begriffe „minimales Risiko” und „begrenztes Risiko” bedeuten, dass KI in einfachen internen Funktionen wie der Automatisierung von Routineaufgaben eingesetzt wird. Dabei geht es nicht um die Kommunikation mit echten Nutzern und Kunden (z. B. Bots oder Bots im Zusammenhang mit der Wissensdatenbank). Ein minimales Risiko erfordert nicht viele Vorschriften, und die meisten Vorschriften, die es geben wird, betreffen die Information der Kunden darüber, dass sie es mit Bots zu tun haben. Zu den Risiken, die als hoch und inakzeptabel gelten, gehören KI-Systeme, die Entscheidungsträger informieren. Dazu gehören die Bewertung von Anfragen, Angelegenheiten im Zusammenhang mit Kundendaten und der Umgang mit Kunden insgesamt. Diese KI-Systeme werden streng kontrolliert, und bei ihrer Verwendung müssen viele Vorschriften beachtet werden. Der Einsatz von KI-Systemen und Vorgängen, die freiwillig oder unfreiwillig in den freien Willen oder das Verhalten von Nutzern eingreifen, ist verboten. Auf diese Weise werden Senioren und Minderjährige, das Funktionieren der Gesellschaft, wie z. B. soziale Bewertung und biometrische Überprüfung, sowie die Analyse der Daten unter mutmaßlicher Beteiligung der Kunden, einschließlich ihrer Herkunft, Tätigkeit usw., beeinflusst. Pläne, die 2024 umgesetzt werden und bis 2026 fertig sind, gelten meistens für Systeme mit hohem Risiko.

Finanzdienstleistungen

Der Zugang basiert auf der KI-Regulierung im Finanzdienstleistungsbereich. Finanzdienstleistungen Im Finanzbereich analysieren KI-Systeme Kundendaten, um deren Kreditwürdigkeit zu bewerten und Betrugsfälle aufzudecken.

Was die Analytik angeht, befinden wir uns in einer Phase exponentieller Entwicklung in diesem spektakulären technologischen Zeitalter. Daher ist alles, was vor nur zwei Jahren entwickelt wurde, bereits veraltet. Die Frage ist nun, wie ein Unternehmen die alte Technologie auf eine überschaubare, unschädliche Weise nutzen kann, wobei die Auswirkungen selbst kleinster Fehler berücksichtigt werden müssen. Nimm zum Beispiel ChatGPT. Niemand weiß, woher die Infos in der App kommen (oder ob sie voreingenommen, urheberrechtlich geschützt oder echt sind). Trotzdem nutzen immer mehr Leute die App, um Unternehmensblogs, Artikel, Whitepaper und sogar Codezeilen zu erstellen. Kein Wunder, dass Finanzinstitute darüber nachdenken, abgeschottete KI-Dienste aufzubauen (eine Erweiterung der laufenden Unternehmensdebatte: „Gehen wir in die Cloud oder bleiben wir vor Ort?“). Das ist ein echtes Problem, denn für eine effektive KI und fortschrittliche Analysen musst du dir sicher sein, dass deine Daten echt zuverlässig sind. Daher ist es nur logisch, intern und offline zu arbeiten. Das Unternehmen kann dein großes Sprachmodell (LLM) oder deine Grammatikprüfungssoftware nur speziell für die interne Dokumentation trainieren (es wird nie den Hauptrechner verlassen). Tatsächlich ist die sicherste Antwort das Gegenteil der aktuellen Denkweise in der IT, die alles in die Cloud übertragen würde.

Als Verarbeitungs- und Aufzeichnungssystem ist die Hogan-Kernbankplattform zur treibenden Kraft hinter einigen der einflussreichsten Banken der Welt geworden. Jetzt haben wir Hogans super Mainframe-Hybrid-Cloud-Lösung verbessert, indem wir die besten IBM Z-Lösungen genommen und Blaupausen für Banken mit alten Systemen erstellt haben, damit sie „auf die Plattform migriert“ werden können. Hogan x kann dir sogar dabei helfen, eine komplett neue digitale Bank aufzubauen. Die Plattform basiert auf den Prinzipien von BIAN (Banking Industry Architecture Network) und ist komponentenbasiert und modular aufgebaut. Sie nutzt Z Linux und andere containerisierte und cloudbasierte Lösungen. Die Plattform kann auch in verbrauchsbasierten As-a-Service-Modellen angeboten werden.

Finde die für dich passende Lösung

Mit der Mainframe-Hybrid-Cloud-Architektur kannst du die beste Strategie für die Implementierung von Anwendungen wählen. Hier ist ein Beispiel für ein Ökosystem im Bankwesen (zwischen IBM Z und Cloud). Die Anwendungen sind in drei verschiedene Bereiche unterteilt:

• Kundenbindung über digitale Kanäle
• Operative Verarbeitung (z. B. Auftragsverwaltung, Marketing und Vertrieb)
• Kerngeschäfte und -daten (Kernbankgeschäfte und Kreditkarten)

Diese Anwendungen sollten miteinander kompatibel sein, damit sie Echtzeitinformationen austauschen und ihre Geschäftsleistung maximieren können. Die Integration ist für die Erreichung einer umfassenden Interoperabilität von entscheidender Bedeutung. Ein Mainframe-Hybrid-Cloud-Modell mit IBM zSystems hilft Kunden, Kosten, Leistung und Flexibilität je nach Art ihrer Anwendung und der am besten geeigneten Infrastruktur zu optimieren. Nehmen wir als Beispiel die digitalen Kanäle. Das hohe Maß an Omnichannel-Interaktion basiert auf der Integration von Partner- und Kundeninformationen, um ein optimales Kundenerlebnis zu schaffen. Dies und die Veränderung von Variablen und Workloads in cloudbasierten Lösungen machen Hybridlösungen zu Ihrer idealen Lösung.

Umwelt, Soziales und Unternehmensführung (ESG)

Ein oft übersehener Vorteil der Mainframe-Hybrid-Cloud-Architektur ist die ökologische Nachhaltigkeit. Agiles Cloud-Arbeiten und energieeffiziente Mainframes geben Banken die Möglichkeit, die Fläche und den Energieverbrauch ihrer Rechenzentren (die etwa 1 % des weltweiten Energieverbrauchs ausmachen) zu optimieren, was zu einem grüneren Planeten beiträgt.

Die Mainframe-Hybrid-Cloud-Architektur im Bankwesen ist aber nicht nur eine technische Entscheidung. Sie ist eine strategische Notwendigkeit, weil sie die richtige Balance zwischen Schutz, Zuverlässigkeit und Skalierbarkeit einerseits und der Flexibilität und Innovation andererseits schafft, die für die digitale Arbeit wichtig sind. Mit der Kombination aus der Robustheit von Mainframes und KI, ML und der Flexibilität von Cloud Computing können Banken wettbewerbsfähig, konform und kundenorientiert bleiben. Der Erfolg hängt davon ab, dass das hier und das so richtig genutzt werden, damit die Banken nicht nur die aktuellen Probleme lösen, sondern auch bereit und in der Lage sind, die Chancen der Zukunft zu nutzen. Mit der Weiterentwicklung der Technologie werden KI- und Mainframe-Hybrid-Cloud-Strategien eine wichtige Rolle bei der digitalen Transformation des Bankwesens spielen und einen Weg aufzeigen, der Tradition mit Innovation, Stabilität mit Agilität und Leistung mit Effizienz verbindet. Jetzt ist nicht die Zeit, unentschlossen zu sein.

Jemand aus meinem Büro war gerade auf einer großen Konferenz, wo einer der Redner dieses Thema angesprochen hat. Er meinte: „Wir wissen echt nicht, wohin die Technologie führt, also lehnen wir uns einfach zurück und warten ab, wo sie auftaucht. Das Problem ist, dass sie nie den Punkt sehen werden, an dem sie sich ausbreitet, da die Technologie bei ihrem exponentiellen Wachstum nie aufhört und an diesem Punkt nicht mehr rationalisiert werden kann.“ Die Sache ist, dass Banken auf den Zug der Weitsicht und Offenheit aufspringen müssen, um KI so schnell, sicher und finanziell gewinnbringend wie möglich einzusetzen.

Die Zusammenarbeit muss bekannt gegeben werden.

Deshalb ist die Hilfe von erfahrenen Anbietern so wichtig. Das zeigt sich besonders beim Einsatz der optischen Zeichenerkennung (OCR). Einem unserer Kunden haben wir vier Tools zum Lesen von Dokumenten angeboten und gesagt, dass es eigentlich egal ist, welches Tool man wählt. In zwei Jahren wird es sowieso veraltet sein. Die Beschaffungsabteilung hat uns außerdem geraten, auch einige andere Tools in Betracht zu ziehen, was die Suche nach dem idealen Tool zu einer umfassenden Aufgabe machte. Bei der Wahl moderner Technologien geht es aber nicht darum, sich in das Tool zu vertiefen. Es geht darum, ein Tool richtig auszuwählen und zu nutzen, den richtigen Anwendungsfall zu finden und die Technologie zu verlieren und zu gewinnen. Technologie hat sich so weit entwickelt, dass sie wegwerfbar ist, dass sie geplant veraltet und die nächste Lösung nur ein paar Jahre entfernt ist, bevor sie selbst veraltet ist. Anstatt also mehr als 5 Jahre in eine z16-Lösung zu investieren, solltest du deine KI-Technologie alle zwei Jahre aktualisieren. Das heißt, du solltest schon bei der Unterzeichnung des Beschaffungsvertrags mit der Planung für den Ersatz beginnen.

Geschäftliches Problem: KI wird nicht immer innerhalb der Z-Plattform genutzt, wo Daten über Netzwerke übertragen werden müssen. Das ist teuer und nicht sicher und verringert deine Fähigkeit, Transaktionen hinsichtlich ihres Risikos zu bewerten. Auswirkungen auf das Geschäft: Der IBM Z AI On-Chip-Beschleuniger ermöglicht es Hogan und verwandten zLinux-Workloads, Echtzeit-KI-Funktionen auf dem Mainframe auszuführen, auf dem die Daten gerade gespeichert sind. Das verbessert die Leistung der KI, die Sicherheit und die Kosten. Außerdem können Prozesse wie automatisierte Kreditentscheidungen und Kreditmodifikationen direkt auf der Z-Plattform durchgeführt werden, und KI-Erkenntnisse und Geschäftsentscheidungen können schneller und einfacher umgesetzt werden. Celent schätzt, dass die einzelnen Banken durch eine 100-prozentige Überprüfung aller Transaktionen etwa 100 Millionen Dollar einsparen würden.

Einige der möglichen Anwendungen von KI sind Kreditbewertung, Betrugsbekämpfung und Geldwäschebekämpfung. Die Mainframe-Plattformen wickeln zwar die meisten Bank- und Zahlungsvorgänge ab, aber die KI-Erkennung kann außerhalb der Plattform stattfinden (weniger als 10 % der Transaktionen werden aufgrund von Latenz, Kosten und Kundenproblemen in Echtzeit über ein KI-Inferenzmodell abgewickelt). Das ist der Grund, warum es so viele betrügerische Transaktionen gibt, die nicht aufgespürt und nicht erkannt werden. Umbrella.ai kann dir mit Mainframe-Inferencing Millionen bei der Betrugserkennung sparen. Dabei ist Umbrella das Hauptelement. Die Umbrella-Anwendungsarchitektur ist eine bewährte technische Plattform, die in die z/OS-Umgebung integriert werden soll, um über 35 Jahre lang die schnell integrierte Entwicklungsumgebung (IDE) zu sein. Umbrella hat über 40 Tier-1-Finanzinstitute in verschiedenen Teilen der Welt und wird von jeder Bank zur Ausführung von etwa 100 Anwendungen genutzt. Das sind Tausende von Anwendungen in der Mainframe-Entwicklung.

Umbrella.ai verhindert Betrug

Zusammen mit IBM wird die Dauer der Bewertung oder Analyse einer Transaktion minimiert. Das gibt den Kunden die Möglichkeit, 100 % ihrer Transaktionen virtuell zu überprüfen und Zeit- und Geldverschwendung zu reduzieren. Zu den Zielen von Umbrella.ai gehören:

• 100-prozentige Abdeckung eingehender Transaktionen und aktueller SLAs
• Nutze vorhandene Betrugsmodelle oder setz neue Modelle ein.
• Verringerung der Bewertungslatenz durch die Verwendung der in z/OS integrierten Betrugsprävention und des Kartenautorisierungssystems
• Nutze den MLz COBOL-Bewertungsdienst, um die Bewertungsaufrufe stark zu vereinfachen und den Aufwand für den Aufruf des Bewertungsdienstes zu reduzieren.

Die deutliche Verbesserung bei der Betrugserkennung ist eine der Stärken von ML. Alte regelbasierte Systeme sind nicht flexibel genug, um mit den neuen Betrugstrends mitzuhalten. ML-Algorithmen können sich dagegen mit Hilfe von Transaktionsdaten ständig aktualisieren und Betrugsfälle schneller und genauer erkennen.

Umbrella.ai und ML machen die Betrugserkennung und -prävention schneller.

Die KI/ML auf IBM Z macht die Betrugsprävention genauer, liefert echt nützliche Infos in großem Maßstab und ermöglicht die Echtzeit-Erkennung von betrügerischen Transaktionen. Dank ihrer höheren Genauigkeit können Deep-Learning-Modelle die hohe Anzahl an Fehlalarmen deutlich reduzieren. Das heißt, dass Banken Transaktionen bei der Betrugsaufdeckung filtern können, ohne dass die Kundenerfahrung darunter leidet und ohne Geld zu verlieren.

Die Zusammenarbeit von Umbrella mit KI und dem IBM z16 liefert beeindruckende geschäftliche Einblicke (keine Datenwissenschaftskenntnisse nötig). Ungefähr 70 Prozent der Finanzgeschäfte laufen auf IBM zSystems, und das ist auch super für ESG, weil der Energieverbrauch auf dem Mainframe um 40 Prozent niedriger ist als bei einer Serverfarm.

Zu den wichtigsten Funktionen gehören:

• Mach jede IBM z/OS-Anwendung mit KI-gestütztem SQL und Umbrella.ai noch leistungsfähiger.
• Finde und vermarkte die versteckten Infos in deinen Daten.
• Finde Gemeinsamkeiten, Unterschiede und Zusammenhänge heraus.
• Mach die Box verständlich.
• Verwende ein einziges Modell für eine Reihe von Fragen.
• Mach die KI-Implementierung einfacher.
• Deep-Learning-Modelle können genutzt werden, um falsche Negativmeldungen zu verbessern.

Der IBM z16 unterstützt die gängigsten ML-Algorithmen und bietet Kunden einen KI-Schutz, mit dem sie Prozesse verbessern und einen höheren Geschäftswert aus ihren bestehenden Investitionen erzielen können.

Kannst du es dir wirklich leisten, zu zögern und zuzusehen, wie deine Konkurrenten einen beeindruckenden Vorsprung und einen nachhaltigen Vorteil aufbauen? Erfahre, wie du KI und ML voll nutzen kannst, um den höchsten ROI zu erzielen. Außerdem erfährst du, wie du mit der von Hogan unterstützten Mainframe-Hybrid-Cloud-Aktivierung Betrug besser erkennen und dich auf zukünftige Bedrohungen und Chancen vorbereiten kannst.