Finanzinstitute aller Größen suchen nach Möglichkeiten, die Kraft der künstlichen Intelligenz (AI) und des maschinellen Lernens (ML) zu nutzen, um die Effizienz zu steigern, Prozesse zu verbessern und ihre Teams zu stärken. In der Finanzdienstleistungsbranche werden herkömmliche Modellierungsansätze zunehmend durch komplexe AI- oder ML-basierte Algorithmen in Bereichen wie Stressteste, faire Kreditvergabe, Betrugserkennung und einer Vielzahl anderer Anwendungen ersetzt oder ergänzt. Das steigende Interesse und die baldige Verbreitung von AI- und ML-Tools verdeutlichen die Notwendigkeit für Entscheidungsträger und Risikomanager, nicht nur die Vorteile solcher Tools zu verstehen, sondern auch die damit verbundenen Risiken.
AI ist ein weit diskutiertes Thema, das in verschiedenen Branchen und in der Populärkultur viel Aufmerksamkeit auf sich zieht. Dieses “Buzz” lässt viele unsicher über die Definition, Implementierungsanforderungen und den Unterschied zu anderen üblichen Modellierungsansätzen. Obwohl AI und ML oft synonym verwendet werden, sind es tatsächlich unterschiedliche Konzepte. AI ist ein allgemeinerer Begriff, der sich auf Technologien bezieht, die darauf abzielen, menschliche Entscheidungen zu imitieren, während ML eine Unterkategorie von AI ist, in der Maschinen aus vergangenen Ereignissen Muster erkennen, um die Leistung zu verbessern oder zukünftige Ereignisse vorherzusagen.
Die Unterschiede zwischen diesen Konzepten können Entscheidungen beeinflussen, die die Aktivitäten der Modellentwicklung betreffen, und wertvolle Einblicke in die damit verbundenen Risiken liefern. Traditionelle Entwicklungsprozesse für Modelle basieren auf klaren statistischen und mathematischen Theorien und Annahmen. Während viele traditionelle Modelle, wie die lineare Regression, einfach gestaltet und leicht zu interpretieren sind, verwenden die AI- oder ML-Modelle der Branche wesentlich mehr Datenparameter. Finanzmodelle verwenden häufig Regresstechniken, Zeitreihenvorhersagen und regelbasierte Logik. Obwohl diese Modelle und Strategien in der Branche weit verbreitet sind, könnte die Genauigkeit der Modelle von komplexeren AI- oder maschinellen Lernmethoden profitieren.
Durch die Fokussierung auf Erklärbarkeit und verantwortungsvolle AI können Finanzinstitute das Risiko für ihr Unternehmen und ihre Marke mindern. Organisationen sollten eine Richtlinie und Standards für die Entwicklung von AI-Modellen festlegen, die Anforderungen und Richtlinien für die Mitarbeiter enthalten, die an der Entwicklung und Nutzung von AI-Modellen beteiligt sind. Obwohl die nachstehende Liste nicht abschließend ist, sollten die folgenden Handlungsempfehlungen im Vordergrund stehen: potenzielle Risiken bei der Entwicklung von AI-Modellen durch eine klare Definition des Zwecks des AI-Modells, einschließlich des Problems, das gelöst werden soll, der Entscheidungen, die informiert werden sollen und der erwarteten Ergebnisse, adressieren.
Die Unterscheidung zwischen traditionellen Modellen und AI/ML-Modellen ist für eine geeignete Modellimplementierung und ein effektives Risikomanagement von entscheidender Bedeutung, da zwischen den beiden Arten von Modellen Unterschiede in den Modellrisiken bestehen. Entscheidungsträger und Risikomanager sollten darauf abzielen, diese Unterschiede zu erkennen und zu verstehen, um die Risiken für ihre Organisationen zu verringern.