Die Konvergenz der Distributed-Ledger-Technologie und Künstlichen Intelligenz am Beispiel des Kreditvergabeprozesses (Teil 3)

In den ersten beiden Beiträgen dieser dreiteiligen Serie haben wir gezeigt, dass der gleichzeitige Einsatz der Distributed-Ledger-Technologie und der Künstlichen Intelligenz den heutigen Kreditvergabeprozess in vielen Punkten verbessern kann. Nun ist der Kreditvergabeprozess allerdings nur einer von vielen Prozessen, die potenziell von der Verschmelzung von DLT und KI profitieren können. Im Folgenden haben wir anhand des untersuchten Prozesses die Prozesseigenschaften zusammengetragen, die darauf hinweisen, dass ein Prozess zur Konvergenz der beiden Technologien führt und dadurch wiederum durch diese optimiert werden kann.

Grundlegende Prämissen für die Konvergenz von DLT und KI im Kreditvergabeprozess

Insgesamt zeigt sich, dass so gut wie jeder einzelne Teilprozess aus Abbildung 1 mindestens an einem Punkt Schwächen aufzeigt und Raum für technologiegestützte Verbesserungen lässt.

Abbildung 1: Der End-to-End-Kreditvergabeprozess (Alt und Puschmann, 2016)

Der Referenzprozess ist sehr zeitintensiv, insbesondere die Datenverarbeitung und die Kreditgenehmigung an sich. Da KI im Gegensatz zur DLT traditionell von zentralisierten Infrastrukturen angetrieben wird, ergänzen sich die beiden Technologien nicht nur innerhalb einzelner Teilprozesse, sondern vor allem auch über einzelne Teilaufgaben hinweg und konvergieren somit teilprozessübergreifend. DLT ermöglicht eine konsistente Datenspeicherung für eine zuverlässige Verarbeitung durch KI. Die DLT allein zeigt keine Auswirkungen auf die Antragsprüfung und -bewertung, dient aber der Speicherung des von der KI erzeugten Outputs und stellt Teile der Daten für den nächsten Teilprozess bereit. Nachfolgend konnten so vier grundlegende Prämissen zur konvergenten Anwendung der Technologien abgeleitet werden:

  1. Die Nutzung sensibler Daten fördert die generelle DLT-KI-Konvergenz 
    «Datensensibilität» bezieht sich auf verarbeitete Informationen, die vor unbefugtem Zugriff geschützt werden müssen. Prozesse, bei denen sensible Daten verarbeitet werden, weisen auf die Konvergenz von DLT und Cognitive Engagement oder Predictive Analytics hin, da CE und PA wertvolle Erkenntnisse und Vorhersagen auf der Grundlage der auf der DLT gespeicherten sensiblen Daten liefern können. Die Konvergenz von DLT und KI könnte das volle Potenzial sensibler Daten in kundenbezogenen Diensten freisetzen und gleichzeitig einen hohen Datenschutzstandard aufrechterhalten. Dadurch, dass alle zum Zugriff auf die Daten autorisierten Parteien durch die DLT mit einer einheitlichen Datenbasis arbeiten, können vorherrschende Datensilos und Informationsasymmetrien abgebaut werden. Die Konvergenz von DLT und Robotic Process Automation kommt dadurch zustande, dass der sicheren, transparenten Datenspeicherung durch die DLT, die sichere, regelbasierte Verarbeitung durch RPA hinzugefügt werden kann, woraus ein vertrauenswürdiger Prozess entsteht.  
  2. Medienbrüche unterstützen die DLT-RPA- und DLT-CE-Konvergenz
    Medienbrüche zwischen den Teilprozessen sind ein Signal für die Konvergenz von DLT und KI-Anwendungstypen, die nicht dazu gedacht sind, zukünftige Ereignisse vorauszusagen, wie RPA und CE. Diese Konvergenz ist vor allem auf die Probleme zurückzuführen, die mit Medienbrüchen verbunden sind, wie z. B. Informationsverlust oder Informationsinkonsistenz durch fehlerhaft übertragene oder uneinheitliche Datensätze. Während das erstgenannte Problem aufgrund seiner architektonischen Eigenschaften durch DLT gelöst werden kann, können letztere durch RPA- oder CE-Anwendungstypen optimiert werden. Hierbei verhindert RPA Medienbrüche durch die Digitalisierung vormals manueller Prozessschritte, wie z. B. bei einer automatisierten Kreditüberprüfung, während CE Inputdaten aus der physischen Welt direkt in ein digitales Format bringen kann, ohne dass eine manuelle Dateneingabe durch einen Kundenberater nötig wird.
  3. Ein hohes Mass an Standardisierung und geringe Datenvariabilität fördern die DLT-RPA-Konvergenz
    «Datenvariabilität» bezeichnet die Anzahl und Art der Inputdaten, die in einem Prozess verarbeitet werden. Da die Aktionen, die eine RPA-Anwendungen oder ein Smart Contract ausführen können, im Voraus programmiert werden müssen und einer «Wenn-dann»-Logik folgen, sind diese beiden Anwendungen auf ein hohes Mass an Standardisierung und Spezifikation angewiesen. Im Umkehrschluss implizieren repetitive Aufgaben ein Anwendungspotential von DLT und RPA, insbesondere zur Erhöhung der Transparenz bei der Verarbeitung sensibler Daten.
  4. Ein hohes Mass an Standardisierung und hohe Datenvariabilität fördern DLT-CE- und DLT-PA-Konvergenz
    Im Gegensatz zur DLT-RPA-Konvergenz fördert eine hohe Datenvariabilität die Konvergenz der DLT sowohl mit CE als auch mit PA. Das liegt daran, dass die Manipulationssicherheit der DLT das Vertrauen in den Dateninput sowie in das Ergebnis der Interpretation von CE- und PA-Anwendungen erhöht. So kann zum Beispiel das Vertrauen in Reporting und Monitoring gestärkt werden. Die Entscheidungen, die auf Basis der gewonnen Informationen getroffen werden, gewinnen an Robustheit.

Tatsächlich hat sich gezeigt, dass die Konvergenz beider Technologien ein weiterer Schritt zur intelligenten Automatisierung und Digitalisierung von Services ist. Teilprozesse werden durch die Verwendung von DLT und KI viel stärker integriert, was zu weniger manuellen Aufgaben und höherer Effizienz innerhalb des Vergabeprozesses führt. Die Konvergenz beider Technologien kann die Integration zwischen der physischen und digitalen Welt fördern und darüber hinaus neue Märkte erschliessen, wie im Falle internetbasierter Dienstleistungen in Form des E-Commerce, der unter anderem Internet, Mobiltechnologie und verschiedene Hardwaretechnologien miteinander vereint (Lei, 2000). Daher könnte die Konvergenz von DLT und KI die Digitalisierung der Leistungserbringung beschleunigen und vor allem im Zusammenhang mit dem Internet of Things viele administrative Prozesse, wie zum Beispiel Authentifizierung und Informationsübertragung, so in den Hintergrund rücken, dass innovative Services innerhalb neuer technologiegestützter Ecosysteme entstehen. Carsharing, bei dem der Nutzer sich nur ins Auto setzen muss und die gesamte Administration (Authentifizierung, Zahlung, Versicherung) unbemerkt im Hintergrund abläuft, ist dabei nur ein erster Ausblick auf die Möglichkeiten, die eine solche Konvergenz in Zukunft eröffnen kann.


Quellen:

Alt, R. and Puschmann T. (2016). Digitalisierung der Finanzindustrie. Berlin/Heidelberg: Springer

Lei, D. T. (2000). “Industry evolution and competence development: the imperatives of technologi-cal convergence.” International Journal of Technology Management 19 (7–8), 699–738.

Roger Heines

Leave a Reply