Deep Learning — mit diesen Herausforderungen kämpfen Banken aktuell


Deep Learning Bankentechnologie

Axel Koehler bezeichnet Deep Learning als den Urknall der modernen KI. Im Interview beschreibt der Principal Solution Architect bei NVIDIA, welche Erfolge Banken bereits durch den Einsatz von Deep Learning verzeichnen und mit welchen KI-Herausforderungen viele Banken aktuell kämpfen. 

 

Deep Learning – der Urknall der modernen KI

Herr Koehler, Sie sprechen im Rahmen des AI-Workshops auf der Handelsblatt-Jahrestagung Banken-Technologie u.a. über Maschinelles Lernen und Deep Learning – ein neues Computing Modell. Könnten Sie uns vorab schon einen kurzen Einblick in die Thematik geben?

Schon seitdem wir begonnen haben, Computer entwickeln, gilt die Künstliche Intelligenz (KI) als ultimative Grenze. Intelligente Maschinen zu bauen, die die Welt wahrnehmen können, wie wir es tun, unsere Sprache verstehen und aus Beispielen lernen, ist seit mehr als fünf Jahrzehnten das Ziel vieler Informatiker. Dennoch hat erst die Kombination von Verbesserungen der Convolutional Neuronal Networks, der Einbindung von Back-Propagation und dem Stochastic-Gradient-Descent-Ansatz für das Trainieren der Netzwerke und der groß angelegten Nutzung von GPUs, um Deep Neural Networks (DNNs) zu beschleunigen, den Urknall der modernen KI – das Deep Learning – ausgelöst.
Durchbrüche im Deep Learning haben die KI-Revolution ermöglicht. Maschinen, die von Deep Neural Networks angetrieben werden, lösen Probleme, die für menschliche Programmierer zu komplex sind. Sie lernen von Daten und verbessern sich stetig während der Nutzung. Solche DNNs können selbst von Nicht-Programmierern trainiert werden, um neue Probleme zu lösen. Der Fortschritt schreitet exponentiell voran – die Einführung der neuen Technologie geschieht rasend schnell.
Die Auswirkungen auf die Computerindustrie werden ebenfalls exponentiell sein. Deep Learning ist ein grundlegend neues Softwaremodell, für welches wir eine neue Rechenplattform brauchen, um es zu betreiben: Eine Architektur, die programmierbar-codierte Befehle sowie das extensive parallele Training von tiefen neuronalen Netzwerken effizient ausführen kann. GPU-beschleunigtes Rechnen ermöglicht beides.

Die Anwendungsbereiche für Artificial Intelligence im Finanzbereich sind vielfältig. Könnten Sie uns einen Überblick geben, wo es Ansatzpunkte für die neuen KI-Technologien gibt?

Im Finanzbereich gibt es vielflätige Möglichkeiten, KI-Technologien einzusetzen – vom Datencenter bis hin zum Service-Bereich.
In der Finanzprognose für Hedge-Fonds und der Börsenvorhersage können bessere Methoden zur Aufdeckung von Markttrends, der Planung von Anlagestrategien oder der Ermittlung bester Zeiten zum Kauf/Verkauf von Aktien ermöglicht werden.

Für die Risiko-Analyse bei Krediten ermöglicht sie ein besseres Verständnis der aktuellen und potenziellen Kunden in Bereichen wie Konsum-, Geschäfts- und öffentlicher Sektor und vermittelt Einblicke in multidimensionale und nichtlineare Beziehungen.
Auch bei der Anomalie- und Betrugserkennung können KI-Maschinen trainiert werden, Muster zu identifizieren und Vorhersagen mit Hilfe von Data Mining zu machen, um verdächtiges Verhalten oder Betrüger zu erkennen.
Und letztendlich trainieren sie auch virtuelle Bank-Assistenten, um die Kommunikation mit dem Kunden zu verbessern und eine persönlichere Verbindung mit ihm zu bieten, die auf natürlicher Sprachverarbeitung (NLP) und Data Mining basiert.

Wo stehen die Banken in Hinblick auf die Nutzung von AI-Technologien? Schöpfen Sie das Potential aus?

Die meisten großen Finanzinstitute haben datenwissenschaftliche Gruppen, die traditionelle Machine-Learning-Techniken, wie zum Beispiel lineare Regression, Random-Forests-Klassifikationsverfahren oder Clusteranalysen implementiert haben.
In jüngerer Zeit experimentieren viele Banken und einige Versicherungsgesellschaften, Vermögensverwalter und Hedge-Fonds mit Deep Learning und führen Machbarkeitsstudien durch, um den Ansatz zu validieren und über Einführungsarchitekturen nachzudenken.
Einige haben schon ausgezeichnete Ergebnisse mit Pilot-Systemen erzielt, die erhebliche Einsparungen durch die Automatisierung von Back-Office-Verfahren, die Verbesserung der Kundenerfahrung oder die Erstellung von Alpha-Strategien aus externen Datensätzen ermöglichen. Andere kämpfen noch mit der Herausforderung unzureichender „sauberer“ Daten, der Menge an unmarkierten Daten und des Mangels an datenwissenschaftlichem Know-how oder des Mangels an exekutiver Unterstützung. Wir versuchen, unsere Partner hier mit technischem Know-How und Online- oder Vorort-Trainingskursen aus unserem Deep Learning Institut zu unterstützen.

Axel Koehler hält bei der Handelsblatt Jahrestagung Banken-Technologie den
Workshop <<Deep Learning mit der NVIDIA GPU Technologie in der Bankenindustrie>>.
Melden Sie sich schon jetzt für die Konferenz im Dezember in Berlin an.

Deep Learning mit der NVIDIA GPU Technologie in der Bankenindustrie

  • NVIDIA und Künstliche Intelligenz (KI)
  • Maschinelles Lernen/Deep Learning begründen ein neues Computing Modell
  • GPUs als Triebkraft des maschinellen Lernens/Deep Learning
  • NVIDIA’s Software Stack für das Deep Learning
  • Beispiele für die Nutzung von NVIDIA’s Deep Learning Technologie in der Bankenindustrie

 

Axel KoehlerAxel Koehler
Principal Solution Architect,
NVIDIA

Axel Koehler arbeitet seit 2011 als Principal Solution Architect bei NVIDIA. In dieser Rolle unterstützt er Unternehmen, Wissenschaftler und Ingenieure sowie Hardware und Software Partner bei der Entwicklung und Implementierung von GPU basierenden Machine Learning und High Performance Computing Lösungen. Vor seiner Arbeit bei NVIDIA arbeitete er 14 Jahre bei Sun Microsystems als Lead Architect in einem globalen Team. Axel hat Informatik studiert.