Mal nachgefragt: Algorithmen, KI und fino

Mal nachgefragt: Algorithmen, KI und fino

Lesezeit: ca. 5 min

„Intelligente“ Algorithmen, Deep Learning, Künstliche Intelligenz – alles Schlagworte die oft auch als Synonyme verwendet werden. Gerade FinTechs werfen diese Buzzwords gerne in den Raum um ihre Services zu erklären. Aber was hat es wirklich damit auf sich und meinen sie tatsächlich immer dasselbe? Wir haben in unseren eigenen Reihen gewildert und unseren AK aka Alexander Kohout gebeten, etwas Licht ins Dunkle zu bringen.

Fangen wir doch gleichmal an: Was zum Henker ist denn bitte ein „intelligenter Algorithmus“?

Lass uns erstmal beim Algorithmus anfangen: Den kann man sich als eine Sammlung von definierten Schritten zur Lösung eines bestimmten Problems vorstellen.Ein Beispiel für ein solches Problem könnte sein „Man möchte bei einer Gartenparty nicht im Regen stehen“. Da hilft in der Regel sowas wie ein Zelt. Der Algorithmus könnte dann beispielsweise die Bauanleitung für das Zelt sein: Einzelne Teile und Handlungen, die aufeinander aufbauen , um am Ende im Trockenen zu stehen.

…und was ist dann ein „intelligenter“ Algorithmus?

Genau genommen gibt es sowas nicht. Wenn beim Ablauf ein Problem auftritt oder ein Bestandteil fehlt, kann der Algorithmus nur dann reagieren, wenn entsprechende Ausweichlösungen enthalten sind. Fehlt beim Zelt etwa eine Stange und es steht in der Bauanleitung NICHT „stattdessen kann auch ein Besenstiel genutzt werden “, würde der Algorithmus stoppen und eben nicht weitermachen.

Das ist also der Unterschied zu einer echten Künstlichen Intelligenz? Der Besenstiel?

Naja. Erstmal muss gesagt werden, dass „Künstliche Intelligenz“ (noch) nicht mit der menschlichen Intelligenz verglichen werden darf – zumindest was das selbstständige Lernen angeht. KI ist ein Überbegriff für verschiedene Methodiken, die sich ganz grob damit beschäftigen, den Computer die Lösung für ein bestimmtes Problem lernen zu lassen, wobei dieses Problem beliebig komplex sein kann.
Um bei unserem Beispiel zu bleiben: Die KI könnte durch Ausprobieren herausfinden, dass ein Besenstiel genauso gut ist wie eine Stange, oder durch das Ansehen vieler verschiedener Beispiele für den Zusammenbau eines Zeltes zu dem Schluss kommen einen Besenstiel zu verwenden.
Hier kommt dann auch die Stärke von KI zum Tragen: Sie können typischerweise mehr Informationen einbeziehen als ein Mensch und dadurch in manchen Problemstellungen „bessere“ Entscheidungen treffen.

Also kann man sagen, eine KI ist eine Art „Wenn nicht das, dann probieren wir eben das hier“ – System?

Nicht immer, es kommt eben darauf an. Eine KI ist typischerweise ein Helferlein in einer Anwendung. Die KI kann der Anwendung dabei helfen, bestimmte Szenarien zu bewerten oder überhaupt Lösungen vorzuschlagen. Die Anwendung muss dann aber selbst entscheiden, was damit zu tun ist

Aber wie „lernt“ eine KI?

Das kommt so ein bisschen auf die genaue Methodik an, da es hier unterschiedliche Ansätze gibt. Beim sogenannten „überwachten“ Lernen besteht der Trainingssatz aus möglichst vielen Beispieldaten mit gegebenem Ergebnis. Um unser Beispiel mit dem Zelt weiter zu strapazieren, könnten unsere Trainingsdaten Informationen dazu enthalten, welche Materialien verwendet wurden und wie sie zusammengesetzt wurden, jeweils mit dem Ergebnis ob man am Ende im trockenen stand oder doch nass wurde. Vereinfacht gesagt würde die KI dann versuchen, aus allen Beispielen ein Muster zu erkennen, um in der Realität sagen zu können, ob ein neuer Bauplan gut (trocken) oder schlecht (nass) ist.

Stichwort Machine- oder Deep Learning – was ist das?

Machine Learning ist eine bestimmte Form von KI und bezeichnet im Wesentlichen die Fähigkeit eines Computers (Machine ), aus einer gegebenen Menge an Trainingsdaten ein bestimmtes Verhalten zu lernen (Learning). Das ist platt gesagt nichts anderes als Statistik: Wenn ich der Maschine viele Beispiele gebe , dann lernt sie die statistischen Charakteristika der Daten und kann dies bei neuen Daten anwenden.

Dein zweites Buzzword „Deep Learning“ ist dann schon wieder eine bestimmte Form des Machine Learning – und jetzt wird es auch etwas komplizierter: Das „deep“ in Deep Learning steht für ein neuronales Netz mit vielen Ebenen, welches dadurch sehr tief wird. Data Scientist dagegen, bestimmen die Anzahl der notwendigen Ebenen.
Beim Beispiel „Zelt“ würde das bedeuten, dass der Data Scientist vorgibt, dass es drei Vierer-Gruppen gibt, die das Zelt aufbauen sollen. Die Gruppen organisieren sich anschließend selbst und machen unter sich aus, wer welchen Teil des Zeltes aufbaut.

Was ist denn bitte ein neuronales Netz?

Ein neuronales Netz ist der Versuch der Mathematiker und Informatiker, die Strukturen des menschlichen Gehirns nachzubauen. Unser Gehirn ist unglaublich effektiv wenn es beispielsweise um das Erlernen neuen Verhaltens geht und man hat die romantische Vorstellung, dass wenn man es irgendwie im Computer abbilden kann, der Computer das ebenfalls hinbekommt.
Im Wesentlichen besteht ein neuronales Netz einfach aus einer Vielzahl von Neuronen, welche durch Synapsen miteinander verbunden sind und hierarchisch auf mehreren Ebenen sortiert sind (Anknüpfungspunkt zum vorherigen „deep“ in Deep Learning).

Ok, ok… Wo sind wir da jetzt bei fino?

Wir setzen schon von Anfang an auf verschiedene Methodiken aus dem Bereich Machine Learning , um beispielsweise die Kontodaten eines Benutzers zu kategorisieren oder für unsere Anwendung bestimmte relevante Muster in diesen Daten zu entdecken.
Beispielsweise versuchen wir in bestimmten Anwendungen anhand der Kontodaten zu erkennen, ob ein Kind unterwegs ist: Ohne Machine Learning könnte man mit einfachen Regeln sagen „Wenn Kinder- oder Elterngeld da ist, dann gibt es ein Kind“. Wenn man aber die Daten vor dem ersten Eintreffen des Kindergeldes untersucht, dann weisen diese Daten ein bestimmtes Muster auf, welches darauf schließen lässt, dass es bald Nachwuchs gibt (etwa viele Einkäufe beim Baby Shop).

Und was bringt das alles Banken und Kunden?

Zum einen Zeitersparnis. Mit KI-Systemen können sich Kunden lange Recherchen sparen und Banken lange Abfragen oder Streuverlust. So lassen sich wichtige Sachen, wie Versicherungen oder Sparpläne, auf die jeweilige Situation anpassen – und zwar genau dann, wenn es relevant wird. Zum anderen natürlich auch Kostenersparnis durch die Automatisierung von bestimmten (Teil-)Problemen um dem Kunden ein besseres Erlebnis zu bieten (z.B. ein voll-automatischer Kreditantrag).

Okay, verstanden. Letztes Jahr wurde ja ziemlich viel über Chatbots geschrieben – was ist deine Einschätzung zu dem Thema?

Ich glaube das Thema würde jetzt zu lange dauern, dass heben wir uns für nächstes Mal auf.