Fintech: Analytics

» zurück zur Video-Themenübersicht

Die Videos bilden die Grundlage des Themenblocks.

Maschinelles Lernen

In fünf Minuten wird mit simplen Zeichnungen erklärt wie maschinelles Lernen funktioniert. Maschinelles Lernen ist ein Teilbereich von künstlicher Intelligenz (KI).

Quelle

Up and Atom. Machine Learning Explained in 5 Minutes (23.11.2017, Dauer: 04:50 Min.), aufbereitet mit nanoo.tv.

KI in Bewerbungsverfahren

In gut vier Minuten stellt der «10vor10»-Beitrag vor, wie künstliche Intelligenz in Bewerbungsverfahren eingesetzt wird. Neben Befürwortern kommen auch Kritiker zu Wort.

Quelle

SRF 10vor10. Bewerbungsverfahren – aussortiert per künstlicher Intelligenz (26.02.2020, Dauer: 04:30 Min.), aufbereitet mit nanoo.tv.

Der Inhalt der Videos ist hier zusammengefasst.

Maschinelles Lernen

Das Erklärvideo in englischer Sprache zeigt anhand eines einfachen Beispiels, wie maschinelles Lernen funktioniert.
Laufzeit: 04:50

Maschinelles Lernen und künstliche Intelligenz (KI) (00:00)
Künstliche Intelligenz (englisch: Artificial Intelligence oder AI) widmet sich dem Ziel, «Maschinen schlau zu machen». Maschinelles Lernen ist ein Teilbereich von künstlicher Intelligenz.
Maschinelles Lernen hat im Gegensatz zu herkömmlichen Computerprogrammen den Vorteil, dass man nicht alles durchprogrammieren muss. Je mehr Training die Maschine bekommt, desto mehr lernt sie – ähnlich wie auch ein Mensch durch Übung lernt.

Beispiel «Grandpa» (00:44)
Der Job deines Grossvaters ist es, auf dem Markt Bananen und Äpfel zu sortieren. Allerdings bekommt er davon Rückenprobleme. Nun wird ein Roboter programmiert, der diese Arbeit übernehmen soll.
Als Erstes müssen Merkmale definiert werden, die Äpfel und Bananen voneinander unterscheiden. Dazu gehören die Farbe und der Härtegrad der Frucht.

Die Rolle von Daten (01:40)
Um die Maschine trainieren zu können, wird sie mit so vielen Daten wie möglich gefüttert. In diesem Beispiel sind das Informationen zu den Früchten bezüglich der beiden Merkmale Farbe und Härtegrad.

Die Rolle der Gewichtung (02:14)
Zu Beginn weiss die Maschine nicht, wie sie die erhaltenen Daten gewichten soll. Die Schwierigkeit der Gewichtung illustriert das Erklärvideo mit einem Dating-Beispiel.
Im Gegensatz zu anderen Bereichen künstlicher Intelligenz kann maschinelles Lernen allerdings die passende Gewichtung selbst herausfinden. Dies, indem es die eigenen Resultate mit den im Voraus bereitgestellten Daten vergleicht.

Anwendungen (04:19)
Facebook wendet bereits maschinelles Lernen an, namentlich im Bereich der Gesichtserkennung. Je mehr Fotos Facebook von einem Nutzer zur Verfügung hat, desto eher kann es diesen Nutzer auf neuen Fotos erkennen. 2015 war erstmals eine Maschine besser als ein Mensch beim Erkennen von Fotos.

KI in Bewerbungsverfahren

Der «10vor10»-Beitrag stellt das Anwendungsbeispiel von künstlicher Intelligenz bei Bewerbungsverfahren vor.
Laufzeit: 04:30

Einleitung (00:00)
Bei einer Bewerbung macht man sich zahlreiche Gedanken. Allerdings beurteilt die Bewerbung nicht mehr immer ein Mensch, sondern vermehrt Algorithmen in Form von KI-Systemen.

Die Software (00:30)
Bei Bewerbungen per Videoaufnahme analysiert KI den Bewerber. Das Start-up Vima aus Martigny bietet eine solche Software an, um Mitarbeitende in der Personalrekrutierung zu unterstützen. Der Gründer von Vima erklärt, welche Komponenten in die Analyse mit einfliessen. Der Output der Analyse ist ein Profil mit Charaktereigenschaften wie Kompetenz, Teamfähigkeit und Offenheit.

Kritik und Lob (02:20)
Das Personalvermittlungsunternehmen Adecco Group nutzt die Software von Vima bereits. Der Konzernchef der Adecco Group wehrt sich gegen die Kritik, dass so nur noch einheitliche Bewerbungen eine Chance hätten: Gemäss ihm können mithilfe von KI sogar vermehrt atypische Bewerbungen erfolgreich sein.
Allerdings wiesen solche Systeme auch noch sehr viele Fehler auf, so ein Neurowissenschaftler der Universität Zürich. Geeignete Kandidaten würden fälschlicherweise bereits zu Beginn an aussortiert, ohne je von einem Menschen betrachtet zu werden.
Der Gründer von Vima widerspricht: Bei der Entwicklung der Software hätten sie zahlreiche Videos mit der Einschätzung von Experten verglichen und die Software liefere erstaunlich präzise Analysen. Zudem sei das System sehr transparent und unvoreingenommen.

Sensible Daten (03:38)
Klar ist, dass die Kombination von Software und Bewerbungsvideos sehr private Daten festhalten kann. Datenschützer fordern dementsprechend hohe Transparenz und Sorgfalt. Sobald die Bewerbung abgeschlossen sei, sollten die erhobenen Daten vernichtet werden.

Das Quiz beinhaltet sechs Fragen zum Thema Analytics.

0%

1997 besiegte ein Computerprogramm einen Weltmeister in einem Brettspiel. Um welches Spiel handelte es sich?

Richtige Antwort ! Leider falsch...

1997 besiegte der Computer Deep Blue den damals besten Schachspieler der Welt, Garry Kasparov. Fast 20 Jahre später, 2016, gewann der Computer AlphaGo das komplexe Strategiespiel Go gegen die besten menschlichen Spieler.

Was ist mit Big Data gemeint?

Richtige Antwort ! Leider falsch...

Mit Big Data sind Datenmengen gemeint, die sehr gross, komplex, schnelllebig oder unstrukturiert sind. Aufgrund dieser Merkmale ist es nicht möglich, sie manuell zu analysieren – man greift daher auf Computer zurück.

Was ist der Unterschied zwischen künstlicher Intelligenz (KI) und einem herkömmlichen Computerprogramm?

Richtige Antwort ! Leider falsch...

Die Lernfähigkeit von künstlicher Intelligenz ist ein wichtiger Vorteil gegenüber herkömmlichen Computerprogrammen. KI-Systeme werden vorgängig mit Informationen gefüttert, zum Beispiel, dass ein Gesicht rund ist und in der Regel zwei Augen hat. Nach und nach lernt die KI, dass ein Gesicht aber auch eine Nase und einen Mund hat. So kann sie Gesichter zukünftig besser erkennen.

Wo wird KI bereits genutzt?

Richtige Antwort ! Leider falsch...

Künstliche Intelligenz kommt bereits in sehr vielen Bereichen zum Einsatz. Beispielsweise nutzt auch die Polizei grosse Datenmengen und KI, um die Wahrscheinlichkeit eines Einbruchs in einem bestimmten Quartier vorherzusagen und zu verhindern.

Welche der folgenden vier Aussagen ist nicht korrekt?

Richtige Antwort ! Leider falsch...

Sogenannte Starke-KI-Systeme haben das Ziel, dem menschlichen Denken nahezukommen, allerdings nicht in Bezug auf Gefühle oder ein eigenes Bewusstsein. Starke KI soll viel mehr fähig sein, selbstständig Inputs zu liefern und zu reagieren. Das ist im Moment aber noch nicht möglich. Schwache KI wird genutzt, um intelligente Entscheidungen für spezielle Teilbereiche zu treffen.

KI kommt auch in der Finanzbranche zur Anwendung. Aber welche untenstehende Aussage ist frei erfunden?

Richtige Antwort ! Leider falsch...

KI-Systeme werden bereits vermehrt in der Finanzbranche eingesetzt. Man spricht dann von «Fintech» – einer Kombination der Worte «Finanzen» und «Technologie». KI kann allerdings Stand heute nicht erkennen, wie hoch die Risikobereitschaft eines Bankkunden ist. Diese Einschätzung ist auch für menschliche Kundenberater nicht ganz einfach.

Fintech: Analytics
Da gibt es noch einiges zu lernen - am Besten, Sie sehen sich das Video (nochmals) an.
Nicht schlecht. Aber da geht bestimmt noch mehr - Aufträge schon gelöst?
Sehr gut! Sie kennen sich ja schon richtig gut aus in der Welt von Deposit & Lending!

Der Arbeitsauftrag bietet die Möglichkeit zur vertieften Auseinandersetzung mit dem Thema.

Dokumente

Der Wissenstext bietet fachlich fundierte Hintergrundinformationen zum Thema.

Analytics in der Finanzindustrie

Die Themen Analytics und Machine Learning werden immer wichtiger für Unternehmen aller Industrien und erhalten zunehmend Aufmerksamkeit in den Medien. In den letzten Jahren hat die künstliche Intelligenz insbesondere im Bereich der Bild- und Spracherkennung, bei der Übersetzung von Sprachen oder bei Spielen wie zum Beispiel Go bedeutende Fortschritte gemacht. Diese Erfolge wurden nicht zuletzt möglich dank einer Kombination von immer grösseren Datenmengen und zunehmend kostengünstigen Rechenleistungen.

Definitionen von Analytics und Machine Learning

In der Literatur gibt es verschiedene Definitionen der entsprechenden Begriffe. Nach Davenport und Harris (2007) beinhaltet das Thema Analytics die umfassende Nutzung von Daten, um mittels statistischer Analysen Erklärungs- und Prognosemodelle ableiten zu können. Durch das Sammeln und Verarbeiten von Daten sollen also nützliche Informationen gefunden werden, welche helfen, bessere Entscheidungen zu treffen, welche für verschiedene Beteiligte einen Mehrwert schaffen. Ähnlich verwendete Begriffe für Analytics sind Data Mining oder Big Data. Weiter kann «Analytics» in mehrere Formen unterteilt werden. Diese Unterscheidung hängt vor allem von dem Nutzungsziel und dem zeitlichen Fokus ab. Während sich beispielsweise die deskriptive Analytics mit der Vergangenheit beschäftigt und versucht, Auswirkungen auf die Gegenwart zu verstehen, liefert die präskriptive Analytics auch Handlungsempfehlungen dafür, wie man einen bestimmten Trend in eine gewünschte Richtung beeinflussen, ein vorhergesagtes Ereignis verhindern oder auf ein zukünftiges Ereignis reagieren kann.

Abbildung 1: Unterschiedliche Formen von Analytics nach Gartner (2012)

Auch der Begriff Machine Learning («maschinelles Lernen») beinhaltet einen breiten Anwendungsbereich. Das Ziel von Machine Learning besteht darin, Algorithmen zu entwickeln, die «lernfähig» sind.

Mehrwert von Analytics und Machine Learning in der Praxis

Finanzunternehmen können durch Analytics und Machine Learning grundsätzlich auf drei Arten einen Mehrwert erzielen. Einerseits erlaubt der Einsatz der entsprechenden Tools, gewisse Kosten zu verringern (z.B. durch Prozessautomatisierung oder den Einsatz von Chatbots). Als Zweites können Einnahmen gesteigert werden, indem Algorithmen genauer vorhersagen können, welche Kunden welche Produkte zu welchem Zeitpunkt kaufen könnten (Cross- und Upselling). Als Drittes können dank Analytics und Machine Learning die Risikokosten reduziert werden. Für die Finanzindustrie ist in diesem Zusammenhang vor allem die Betrugserkennung und -prävention (Fraud Detection), zum Beispiel im Bereich von Kreditkartenbetrug, zentral. Die Maschinen überprüfen bei Kreditkartentransaktionen unter anderem den jeweiligen Zeitpunkt der Transaktion, die transferierte Geldmenge, das Land der Transaktion, sowie das Alter und das Geschlecht des Karteninhabers. Wenn beispielsweise die gleiche Karte innerhalb einer Stunde an acht verschiedenen Geldautomaten benutzt wurde, dann wird die Transaktion als möglicher Betrug erkannt. Oder die Maschine erkennt, dass es wohl nicht möglich ist, dass eine Person fünf Stunden nach einem Einkauf in Zürich an einem Geldautomaten in Chicago Bargeld bezieht, und verhindert die entsprechende Transaktion. Darüber hinaus können dank Machine Learning auch Muster im Verhalten entdeckt werden, die von Menschen so nicht gefunden werden könnten. Ein weiteres Anwendungsfeld von Machine Learning in der Finanzindustrie ist der Bereich Compliance. Dank dem Einsatz von Machine Learning können Banken auch in diesem Bereich ihren Aufwand und ihr Risiko reduzieren.

Ausblick

Das Thema Analytics respektive Machine Learning birgt ein grosses Potenzial für Unternehmen in der Finanzindustrie sowie für deren Kundinnen und Kunden. Wie oben aufgezeigt, ermöglicht eine intelligente Nutzung der Daten nicht nur potenzielle Ertragssteigerungen, sondern auch Kosteneinsparungen und eine Reduktion von Risiken. Allerdings muss Maschine Learning noch eine Vielzahl an Herausforderungen meistern, damit es breit in der Praxis eingesetzt werden kann. Als Erstes ist wünschenswert, dass die entsprechenden Modelle künftig auch angeben können, wie hoch der Grad der Unsicherheit der Vorhersagen ist. Ein weiterer, wichtiger Punkt für eine erfolgreiche Anwendung von Machine Learning ist die Interpretierbarkeit der Resultate. Black-Box-Algorithmen führen dazu, dass es für einen Menschen oftmals unmöglich zu verstehen ist, warum ein Modell eine bestimmte Vorhersage oder Entscheidung trifft. Entsprechend ist es schwierig, den von der Maschine gemachten Vorschlägen zu folgen, wenn die Verlässlichkeit der Resultate nicht bekannt ist und die Resultate schwierig nachvollziehbar sind. Zudem steht die Technologie trotz verschiedener Erfolgsgeschichten noch immer am Anfang. Und noch immer wird eine grosse Menge an Daten benötigt, um die Technik sinnvoll anwenden zu können. Dazu ist – im Gegensatz zum Menschen – die Fähigkeit der Technologie, Wissen von einer Aufgabe auf eine andere zu übertragen, noch sehr begrenzt.

Quellen

  • Davenport, T.H., Harris, J.G. (2007). Competing on analytics: The new science of winning. Harvard Business Press
  • Gartner (2012): Gartner Analytics Ascendancy Model

Ressourcen für den Einstieg in den Unterricht oder zur Vertiefung sind hier vermerkt.

Für den Unterrichtseinstieg

Mehr zum Thema

Hier sind verschiedene Unterrichtsszenarien skizziert.

Didaktische Hinweise

Dieser Video-Themenblock ist für den Einsatz im Unterricht konzipiert und lässt sich leicht in eine bestehende Unterrichtssequenz einbauen.

Unterrichtsvorbereitung
Hilfreich ist es, sich bei der Unterrichtsvorbereitung zuerst über die folgenden drei Fragen Klarheit zu verschaffen:

Unterrichtsszenarien
Daraus ergibt sich das jeweils passende Unterrichtsszenario. Hier sind vier gängige Szenarien dargestellt (zur Vereinfachung ohne die Unterscheidung, was im und was ausserhalb des Unterrichts geschieht):

Lernziele für diese Sequenz

Die Lernenden sind in der Lage, ….

  1. …die Beziehung zwischen Big Data, künstlicher Intelligenz und maschinellem Lernen mithilfe von anschaulichen Beispielen zu beschreiben.
  2. …Vorteile und Gefahren von Big Data und künstlicher Intelligenz zu erkennen.

Stichwörter

Big Data, Analytics, künstliche Intelligenz, Datenschutz, maschinelles Lernen

Dokumente

  • Arbeitsauftrag
  • Lösungshinweise

Letzte Änderung:

((Hier sind die Anpassungen in Folge einer Überarbeitung vermerkt))

Aktualisiert

10.07.2020

Dieser Themenblock entstand unter Beteiligung von:

Konzeption

iconomix

Fachberatung

Andreas Dietrich, Prof. Dr. oec.
Institut für Finanzdienstleistungen Zug IFZ, Hochschule Luzern

Didaktische Beratung Arbeitsauftrag

Dr. Daniel Schmuki
Eidgenössisches Hochschulinstitut für Berufsbildung

Video

Aufbereitet mit nanoo.tv, der führenden kollaborativen Online-Mediathek für Bildungsinstitutionen in der Schweiz.