KI-basierte Sprachtechnologien in der Finanzbranche Smart Banking mit NLP

In Zeiten der Digitalisierung agieren Banken in einem herausfordernden Wettbewerbsumfeld: Steigende regulatorische Vorgaben binden zunehmend Ressourcen, agile und disruptive Marktteilnehmer erhöhen die Anforderungen von Neu- und Bestandskunden und stellen tradierte Geschäftsmodelle von Banken auf die Probe.

Der Einsatz innovativer Technologien bietet hierbei die Möglichkeit, die Veränderungen mit Souveränität zu begegnen und gezielt für die eigene Positionierung zu nutzen. Zu dieser Art von Technologien gehört aktuell vor allem der Einsatz von Künstlicher Intelligenz.

Hohes Potenzial von Sprachtechnologien im Banking

Eines der herausforderndsten und zeitgleich spannendsten Anwendungsgebiete der Künstlichen Intelligenz ist die maschinelle Verarbeitung natürlicher Sprache – besser bekannt als Natural Language Processing (NLP).

Als interdisziplinäre Querschnittsdisziplin zwischen Linguistik und Künstlicher Intelligenz besteht das Ziel in der Entwicklung von Algorithmen, die aufschlüsseln, um sie maschinell zu verarbeiten. Das heißt, all das, was Menschen schriftlich oder verbal ausdrücken, kann NLP in digital lesbare Informationen übersetzen.

Dieser Prozess funktioniert jedoch auch in die umgekehrte Richtung: Daten lassen sich auch in Sprache oder Text verarbeiten. Diese beiden Prozessrichtungen markieren die beiden Teildisziplinen, in denen NLP aufgeteilt werden kann: Natural Language Understanding (NLU) und Natural Language Generation (auch NLG oder Automatische Textgenerierung).

NLG-Software erzeugt aus strukturierten Daten natürlichsprachliche Texte und hilft so, Sachverhalte leserfreundlich darzustellen. Praktische Anwendung findet NLG z.B. in der Nachrichten-Berichterstattung für Sport, Börse und Wetter, aber auch bei der Erstellung von Reportings.

Insbesondere für den Bankenbereich stellt NLG zahlreiche Potenziale bereit – beispielsweise bei der Erstellung von Fonds-, Börsen-, Jahres- oder Quartalsberichten, Kreditbewertungen, Kreditanträgen, Finanzinformationen oder Portfolioübersichten.

Da sich hierbei in der Regel an zahlreiche regulatorischen Maßgaben orientiert werden muss, bietet NLG einen entscheidenden Vorteil: Die regelbasierte Korrektheit des Systems bedingt eine Formulierung von exakten und damit gesetzeskonformen Berichten, die die regulatorischen Anforderungen erfüllen. Im Folgenden sollen drei konkrete Anwendungsformate vorgestellt werden.

Abonnieren Sie unseren Newsletter

Erhalten Sie alle 2 Wochen die neuesten Analysen und Berichte unserer Banking-Experten.

1. Tätigkeitsberichte im Fondsmanagemnent

Kosten- und Zeitdruck sind in allen Branchen ein relevantes Thema. Häufig stellt sich insbesondere die Arbeit mit narrativen Inhalten als zeitaufwendig, komplex und kostenintensiv heraus.

In der Finanzbranche spielen derlei Textinhalte insbesondere bei der Erstellung von Fonds- und Tätigkeitsberichten eine Rolle. Relevante Erfolgskriterien stellen hier nicht nur die Effizienz bei der Erstellung der Texte dar, sondern auch die Compliance-Konformität: Denn in den vergangenen Jahren haben regulatorische Anforderungen an Banken stetig zugenommen.

Um die Effizienz im Erstellungsprozess von Tätigkeitsberichten zu steigern, können Banken diese Dokumenttypen mit Hilfe von Natural Language Generation automatisieren. Die Software generiert aus strukturierten Rohdaten Berichte, die mit von Menschen erstellten Texten vergleichbar sind.

2. Verdachtsmeldungen nach § 43 GWG

Die Erstattung von Verdachtsmeldungen gehört zu den Kernanforderungen des Geldwäschegesetzes (GwG). Über 77.000 Verdachtsmeldungen gingen 2018 bei der Financial Intelligence Unit (FIU), der Anti-Geldwäsche-Einheit des Bundes, ein – Tendenz steigend. Das bedeutet für Finanzdienstleister: Hohe Qualitätsansprüche, das Gebot der unverzüglichen Fallbearbeitung und ein hohes Meldeaufkommen binden massive Ressourcen.

Die kontenführenden Systeme der Banken und die zur Verdachtsfallbearbeitung eingesetzten Case Management Systeme enthalten eine Vielzahl strukturierter Daten und Informationen. Diese bilden somit die perfekte Basis für die Automation der Textbestandteile einer Verdachtsmeldung oder Nichtmeldung (Plausibilisierung).

Analysen zeigen, dass bei der Erstellung eines Textes zur Abgabe einer Verdachtsmeldung beziehungsweise der Plausibilisierung des Sachverhaltes ein hohes Automatisierungspotenzial besteht.

NLG-Lösungen ermöglichen es, Verdachtsmeldungen auf Knopfdruck zu erstellen – skalierbar, effizient, zu 100 Prozent richtlinienkonform. Wichtig: Eine manuelle Anpassung über derartige von Sprachtechnologien generierter Texte ist jederzeit möglich – letzte Instanz in der Entscheidung über die Abgabe einer Meldung im Rahmen eines risikobasierten Vorgehens bleiben weiterhin Spezialisten.

3. Sprachtechnologien im internen und externen Berichtswesen

Die riesige Menge an Daten, die in Unternehmen der Finanzbranche aggregiert werden, ist weitaus größer, als eine einzelne Person oder Organisation verarbeiten und interpretieren kann. Eine maschinelle Unterstützung in der Datenanalyse und –interpretation ist daher unvermeidlich.

Genau hier setzt ein spannendes und zunehmend relevantes Anwendungsfeld für NLG an – die Automation im internen und externen Berichtswesen. Insbesondere im Finanzumfeld können mithilfe der automatischen Textgenerierung die aufwendige Erstellung von externen Berichten (z.B. Aktienanalysen) skalierbar ermöglicht werden. Auf diese Weise werden große Mengen an Daten effizient ausgewertet, Informationen interpretiert und Handlungsempfehlungen gezielt formuliert: Aufgaben, für die Business Analysten konventionell viel Zeit verwenden, lassen sich durch automatische Textgenerierung zeit- und kostensparend skalieren.

In der Finanzbranche, in der narrative Berichte direkt zur Wertschöpfung beitragen, erlaubt automatische Textgenerierung damit die Erschließung neuer Märkte sowie die Reduzierung interner Aufwände. Und auch für die interne Verwendung, etwa im Bereich Finance und Controlling oder im Bereich Risk Adivsory, ermöglicht die automatisierte Textgenerierung, auf der Datenbasis von Business-Intelligence-Systemen, die Automation von Entscheidungsvorlagen.

NLG kann auf diese Weise zu besseren und vor allem schnelleren Prozessen der Entscheidungsunterstützung führen: Statistische Zusammenhänge und komplexe Datenanalysen können in Textform von Mitarbeiterinnen und Mitarbeitern leichter verstanden werden. NLG unterstützt folglich dabei, Daten korrekt und schnell interpretieren zu können. Damit wird die Fähigkeit, schnell und effizient qualitativ hochwertige Entscheidungen zu treffen, signifikant gefördert.

Fazit: KI-basierte Sprachtechnologien im Banking

Automatische Textgenerierung bietet damit zahlreiche Potenziale für die Finanzbranche: Die Erstellung von natürlichsprachlichen Texten durch KI-basierte Software führt zu signifikanten und nachhaltigen Effizienzgewinnen – sowohl intern als auch extern. Zeit- und kostenintensive Workflows zur Erzeugung von internen Berichten und Entscheidungsvorlagen können automatisiert und die Kundenkommunikation durch Personalisierung zeitgemäß gestaltet werden. Auf diese Weise tragen Sprachtechnologien einen maßgeblichen Beitrag dazu bei, Banken zukunfts- und wettbewerbsfähig zu positionieren.

Mit BankingHub keinen Trend verpassen

Erhalten Sie alle 2 Wochen die neuesten Analysen und Berichte unserer Banking-Experten.

Autor Sebastian Marx / BankingHub

Sebastian Marx

Spezialist für Prozessoptimierung Retresco GmbH

Autoren

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Abonnieren Sie unseren Newsletter

Erhalten Sie alle 2 Wochen die neuesten Analysen und Berichte unserer Banking-Experten.