Die Konvergenz der Distributed-Ledger-Technologie und Künstlichen Intelligenz am Beispiel des Kreditvergabeprozesses (Teil 2)

Posted on by

Im ersten Teil dieser dreiteiligen Serie zur Konvergenz von Künstlicher Intelligenz und der Distributed-Ledger-Technologie am Beispiel des Kreditvergabeprozesses haben wir erklärt, was Konvergenz bedeutet, warum die Fähigkeiten von DLT und KI sich gegenseitig ergänzen und was den Kreditvergabeprozess zu einem geeigneten Untersuchungsobjekt für die Kombination dieser beiden Technologien macht.

Zur Erinnerung: Technologische Konvergenz bedeutet, dass zwei oder mehr Technologien zu einem einzigen System verschmelzen, das leistungsfähiger ist als jede der Technologien für sich genommen. Da es sich bei KI und DLT um Technologien handelt, die einige einander entgegengesetzte Eigenschaften besitzen (z. B. Zentralität vs. Dezentralität; Transparenz vs. Black Box), komplementieren sich die beiden Technologien und können entscheidende Schwachstellen der jeweils anderen ausgleichen. Da der Kreditvergabeprozess einen der Hauptprozesse des Bankengeschäfts darstellt und sowohl Kommunikation und Datenanalyse (KI) als auch die Übertragung sensibler Daten (DLT) beinhaltet, ist er hervorragend geeignet, um sowohl die Voraussetzungen als auch die Auswirkungen technologischer Konvergenz praktisch zu untersuchen.

Analyse von Optimierungspotentialen im Kreditvergabeprozess

Bei der Analyse des Optimierungspotentials von DLT und KI für den Kreditvergabeprozess wird zwischen drei  Arten von KI-Anwendungen unterschieden. Die erste und einfachste Anwendung ist Robotic Process Automation (RPA). RPA-Anwendungen werden meist für sich wiederholende, monotone und damit fehleranfällige Aufgaben im Bankwesen eingesetzt, z. B. für Transaktionsverarbeitung und Datentransfer. Mithilfe von RPA automatisierte Prozesse zeichnen sich durch operationelle Agilität, Skalierbarkeit, 24/7-Verfügbarkeit, geographische Unabhängigkeit und Fehlerfreiheit aus (Vishnu et al., 2017). Die zweite KI-Anwendungsart ist Cognitive Engagement (CE), das auf RPA aufbaut, aber ein höheres Maß an Intelligenz erfordert, da CE-Anwendungen flexiblere Aufgaben ausführen und Handlungen analysieren oder Erkenntnisse generieren. Zu diesem Anwendungstyp gehören sprachverarbeitende Chatbots und Empfehlungssysteme mit Lernkomponenten, die in beaufsichtigtes oder unbeaufsichtigtes Lernen kategorisiert werden. Der dritte und komplexeste KI-Typ ist Predictive Analytics (PA). Das Unterscheidungsmerkmal im Vergleich zu CE ist die vorausschauende Vorhersagekomponente, die es PA-Anwendungen ermöglicht, zukünftige Szenarien auf der Grundlage großer strukturierter oder unstrukturierter Daten durch die Analyse von Beziehungen und/oder Mustern früherer Ereignisse zu antizipieren. Bankrelevante PA-Anwendungen umfassen Werkzeuge für z. B. Cross-Selling oder Betrugserkennung (Eckerson, 2007).

Im nächsten Schritt wurde überprüft, wie sehr die einzelnen Prozessschritte durch den Einsatz von DLT oder einer der drei KI-Anwendungstypen verbessert werden können. Mithilfe eines sogenannten Impact Assessment Frameworks konnten die Optimierungspotentiale einer Anwendung der Technologien in die Stufen hoch, mittel und niedrig eingeordnet werden (Abbildung 2).

Abbildung 2: Ergebnisse nach dem Technology Impact Assessment auf Basis des IST- Kreditvergabeprozesses

Die Ergebnisse zeigen, dass im übergeordneten End-to-End Kreditvergabeprozess neun Teilprozesse Potentiale für die Anwendung von DLT aufzeigen, während vier Teilprozesse von der Anwendung von Robotic Process Automation, fünf Teilprozesse von Cognitive Engagement und vier Teilprozesse vom Einsatz von Predictive Analytics profitieren können. Vergleicht man die Auswirkungen von DLT und KI, findet eine offensichtliche komplementäre Interaktion zwischen DLT und KI-Technologien im Kreditvergabeprozess statt. Aus unserer Sicht liegt dies daran, dass DLT und KI zwei Technologien sind, die in unterschiedlichen Phasen der Informationsverarbeitung zum Tragen kommen. Während RPA und CE sensorbasierte Informationen empfangen und transformieren, handelt es sich bei der DLT um eine Infrastruktur, die Informationen speichert, überträgt und verifiziert. Mit anderen Worten wandelt KI die Wahrnehmung der realen Welt in maschinenlesbare Daten um, die auf der DLT digital verwahrt und wiederum von der KI zu neuen Erkenntnissen verarbeitet werden.

Im Folgenden wird die Kombination von DLT mit den drei KI-Anwendungstypen im übergeordneten End-to-End Kreditvergabeprozess in insgesamt drei Szenarios näher beleuchtet und beschrieben:

  • Szenario (I) beschäftigt sich mit dem gemeinsam Anwendungspotential von DLT und RPA, das in vier Prozessschritten festgestellt werden konnte: bei der Authentifizierung, der Dateneingabe, der Vollständigkeitsüberprüfung und der Archivierung. Innerhalb der Auftragsannahme können sowohl der Kundenidentifikations- als auch der Authentifizierungsprozess auf der Basis von “if-then”-Aktionen automatisiert werden. Die Kombination zeigt enorme Wertschöpfungspotenziale hinsichtlich Kosten- und Zeiteinsparungen, wenn die RPA-Anwendung die DLT zur Konvertierung von Datentypen oder zur Darstellung von Daten unterstützt.
  • Bei der Evaluierung des Nutzens einer Integration von DLT und CE im zweiten Szenario (II) wurden drei Anwendungsbereiche identifiziert. Generell kann CE in allen Prozessen implementiert werden, die virtuelle Unterstützung von Mensch-zu-Mensch- und Mensch-zu-Maschine-Kommunikation benötigen. Das liegt daran, dass CE physischen Input in ein digitales Format umwandeln und für die Weiterverarbeitung aufbereiten kann. Eine Konvergenz sorgt für Transparenz, da Art und Inhalt des KI-Inputs auf der DLT gespeichert werden, reduziert variable Kosten und Zeit und erhöht darüber hinaus die Zuverlässigkeit für den Kunden.
  • In Szenario (III), der Kombination von DLT und Predictive Analytics, kann die DLT die Glaubwürdigkeit und Einheitlichkeit der Daten aufgrund ihrer dezentralen und unveränderlichen Fähigkeiten in der Initialisierungsphase erhöhen. In Kombination mit PA können eingehende Kundenanfragen so strukturiert werden, dass die PA-Anwendung durch den Abgleich der Anfrage mit früheren Customer Journeys noch ungeäusserte Bedürfnisse der Kunden vorwegnehmen kann und Cross-Selling-Potenziale eröffnet werden. Der optimierte Prozess führt zu einer schnelleren, zuverlässigeren und – durch die bessere Einschätzung von Ausfallraten – risikoärmeren Bearbeitung des Kreditantrags, an deren Ende der Kredit automatisiert freigegeben werden kann.

Das Optimierungspotenzial der technologischen Konvergenz von KI und DLT für den Kreditvergabeprozess ist hoch: Durch die Konvergenz können sowohl der Grad an Automatisierung als auch Transparenz und Sicherheit des Kreditvergabeprozesses auf beiden Seiten des Vertragsverhältnisses erhöht werden. Welche Prozesseigenschaften welche Art der Konvergenz von KI und DLT fördern, betrachten wir morgen im dritten und letzten Teil dieser Serie.

Quellen:

Vishnu, S., Agochiya, V. and Palkar, R. (2017). “Data-centered Dependencies and Opportunities for Robotics Process Automation in Banking.” Journal of Financial Transformation / Capco Institute 45, 68–76.

Eckerson, W. W. (2007). “Predictive analytics. Extending the Value of Your Data Warehousing In-vestment.” TDWI Best Practices Report (1), 1–36.

Roger Heines
Latest posts by Roger Heines (see all)
0
Alle, Digitalisierung, Technologien , , , , , ,

Was sind Deine Erfahrungen mit dem Thema? (Kommentieren geht auch ohne Anmeldung oder Einloggen; einfach kommentieren, auf Freigabe warten und fertig!)