Erkennung von künstlicher Intelligenz
Zur Erkennung künstlicher Intelligenz (KI) dient häufig die Kommunikation zwischen Mensch und Maschine als Beispiel, und genau dahingehend sei nun, laut dem Chefwissenschaftler des amerikanischen Technologieunternehmens Salesforce Richard Socher, ein weiterer großer Schritt vollbracht worden. Zur komplexen Verarbeitung von Daten, wie Chat Bots, einer Stimmungsanalyse und einer automatisierten Übersetzung, wurden bisher weitestgehend voneinander separierte Algorithmen für dieses Natural Language Processing (NLP) eingesetzt.
Getrennte Prozesse erfüllen allerdings nicht die Erwartungen an ein komplexes KI-System, weshalb das auf Deep Learning basierende und von Salesforce entwickelte decaNLP nun zehn Aufgaben im NLP auf einmal miteinander verarbeitet. Die Aufgaben können jeweils voneinander lernen und profitieren. Somit rückt unter anderem die flächendeckende Anwendung von umfassenden Sprachassistenten einen weiteren Schritt in Richtung Realität. Das ist nur eine von vielen neuen technologischen Errungenschaften, die während der weltweit führenden Konferenz zu Data Science KDD 2018 in London präsentiert wurden.
Im Folgenden werden drei aktuelle Entwicklungen in Data Science betrachtet. Zuerst thematisiert der Artikel Anwendungen in der Finanzbranche. Danach stehen Anwendungen in anderen Industrien im Fokus. Abschließend werden ausgewählte fachliche und allgemeine Herausforderungen erläutert. Die Inhalte basieren auf Vorträgen und Diskussionen mit Entscheidungsträgern aus Wirtschaft, Politik und Wissenschaft.
Aufholjagd der Finanzbranche
In den letzten Jahren haben Finanzunternehmen den Anschluss an die neuesten Entwicklungen in der Data Science verloren, dabei waren sie bereits seit babylonischen Zeiten vor ca. 3.000 Jahren Vorreiter in der Nutzung von Daten. Nach zunehmenden Erfolgen der Technologieunternehmen hat mittlerweile ein Umdenken stattgefunden – die Finanzbranche versucht aufzuholen.
BankingHub-Newsletter
Analysen, Artikel sowie Interviews rund um Trends und Innovationen im Banking alle 2-3 Wochen direkt in Ihr Postfach
Parktickets im Straßenverkehr sind nur eine von vielen zusätzlichen Variablen, welche der Kreditwirtschaft helfen, die Prognosegüte ihrer Ausfallmodelle zu verfeinern. Telematiktarife in der Kfz-Versicherung erlauben nicht nur individuelles Pricing, sondern umgehen zusätzlich noch das Problem des Moral Hazard: War es für Versicherungen bisher kaum möglich, das Verhalten ihrer Kunden nach Vertragsabschluss zu verifizieren, können sie jetzt laufend mit gezielten Anreizen zum vorsichtigen Fahren Einfluss auf das Kundenverhalten nehmen. Gleichzeitig prognostizieren Vermögensverwaltungen zukünftige Preisentwicklungen auf den Weltmärkten durch von Satelliten ermittelte Ölstände in Vorratstanks sowie den Zustand des Weizens auf den Feldern.
Darüber hinaus helfen neue Methoden des maschinellen Lernens der Finanzbranche, mit alten Mythen, wie der Kerzenchartanalyse, aufzuräumen. In der Regel wird hierbei die Differenz zwischen Eröffnungs- und Schlusskurs an einem Tag als Rechteck dargestellt. Striche über bzw. unter dem Rechteck zeigen, ob Eröffnungs- oder Schlusskurs im Laufe des Tages über- oder unterschritten wurden. Kerzen werden einzeln und zusammen analysiert und gedeutet. Wissenschaftler aus Oxford konnten jedoch in ihrem Paper „Reading the Tea Leaves: A Neural Network Perspective on Technical Trading“ mithilfe eines neuronalen Netzes zeigen, dass Handeln nach Kerzenmustern entweder keinen oder sogar einen leicht negativen Effekt auf das Ergebnis hatte.
Bei aller Euphorie über die neuen Möglichkeiten des maschinellen Lernens sowie über die neuen Datenquellen sollte die langfristig gewachsene Stärke der Finanzwelt nicht in Vergessenheit geraten. So betonte Prof. David Hand vom Imperial College, dass anstelle von rein datengetriebenen Modellen ein solides theoretisches Fundament nach wie vor essenziell sei. Die Theorie helfe nicht zuletzt bei der Auswahl der richtigen Variablen, welche in das Modell einfließen solle und möglicherweise von rein statistischen Maßen nicht erfasst werde. Ein Beispiel hierfür ist die Lohn- und Produktivitätsentwicklung in den USA von 1948 bis 2013. Bivens et al. (2014) zeigen, dass die Hauptursache für die Divergenz von Lohn und Produktivität auf wirtschaftspolitische Variablen, wie Änderungen im Mindestlohn und die Erosion der Gewerkschaften, zurückzuführen ist.
Gläserne Bewerber und Mitarbeiter: Vorhersage von Kündigungen
Bereits lange vor der Finanzbranche sammelten andere Industrien ausgiebig Erfahrung mit den neuen Methoden von Data Science. Zu den wohl bekanntesten Beispielen zählen die E-Commerce-Firmen, z. B. JD.com, ein aufstrebendes chinesisches Unternehmen – vergleichbar mit Amazon.
Um Kunden bestmöglich bedienen zu können, sollen zukünftig Lieferungen innerhalb ausgewählter Gebiete in unter 30 Minuten abgeschlossen werden. Dies ist eine Halbierung der Lieferung in einer Stunde durch Amazon Prime Now. Dabei helfen nicht zuletzt Algorithmen bei der Prognostizierung von Kundennachfrage und Produktaffinitäten sowie der Optimierung von Lieferketten. Auch die Blockchain findet Verwendung, um Kunden im skandalgeprüften China die gesunde Herkunft der Lebensmittel zu garantieren.
Zahlreiche Unternehmen verwenden zudem Data Science in ihren Personalabteilungen. Lebensläufe werden automatisch analysiert, potenzielle Abwanderungen von Mitarbeitern vorhergesagt und mögliche Führungskräfte identifiziert. Für Letzteres helfen personenbezogene Daten wie die „Nähe zu Führungskräften“, die „Besetzung von Schlüsselpositionen zwischen Abteilungen“ sowie die „generelle Mitarbeit über den eigenen Bereich hinaus“ bei der Berechnung.
Asien als Entwicklungsschwerpunkt
Data Science durchdringt dementsprechend sukzessive alle Abteilungen der Unternehmen sowie jede einzelne Industrie. Datenqualität und valide Algorithmen werden weiterhin zunehmen. Der Schwerpunkt der Entwicklung scheint dabei in Nordamerika und insbesondere in Asien zu liegen. So war nicht nur eine Mehrheit der Teilnehmer der KDD 2018 aus Asien, sondern auch ein Großteil der Vorträge und Sponsoren. Dies sollte den Politikern der Europäischen Union und deren Wirtschaftsvertretern zu denken geben.
Neben der methodischen Weiterentwicklung birgt Data Science aber auch zahlreiche Herausforderungen, wie etwa eine prognostizierte Zunahme von Ungleichheit in der Gesellschaft. Prof. Ramadorai vom Imperial College London zeigte mit der wissenschaftlichen Arbeit „Predictably Unequal? The Effects of Machine Learning on Credit Markets“ (2018), dass die Verwendung von maschinellem Lernen im Vergleich zu klassischen Logit-Modellen zu einer erhöhten Diversifikation der Zinsen führen könne. Der Hauptgrund dafür sei die größere Flexibilität des maschinellen Lernens.
Die neue industrielle Revolution
Trotz aller Herausforderungen überwiegt jedoch eindeutig das enorme Potenzial durch Automatisierung und neue Lösungsansätze, wie bei der NLP-gestützten Analyse von Telefonaten mit Kundencentern. Kundenwünsche können direkt und ohne Umfragen identifiziert und in Produkte, Services sowie Websites überführt werden. Auch wenn die Finanzbranche zunehmend diese Möglichkeiten von Data Science anwendet, zeigen die Beispiele aus anderen Industrien und Ländern, dass der Weg hin zur umfassenden Transformation im Finanzbereich noch lang ist. Die neue industrielle Revolution hat soeben erst begonnen.
Quellen:
Bivens, Josh, Gould, Elise, Mishel, L. & Shierholz, Heidi: Raising America’s pay. Economic Policy Institute Briefing Paper, 378 (2014).
Fuster, Andreas, Goldsmith-Pinkham, Paul, Ramadorai, Tarun, Walther, Ansgar: Predictably Unequal? The Effects of Machine Learning on Credit Markets (2018).
Ghoshal, Sid & Roberts, Stephen: Reading the Tea Leaves: A Neural Network Perspective on Technical Trading. Technical report (2017).
