Die Begriffe maschinelles Lernen und künstliche Intelligenz werden oft synonym verwendet, aber erstere ist eigentlich eine fortgeschrittene Untergruppe der letzteren. Nur weil etwas künstlich intelligent ist, heißt das nicht unbedingt, dass es lernen kann.
Die Technologie des maschinellen Lernens kann sich an verschiedene Situationen anpassen und dabei lernen – und die Finanzindustrie nutzt diese Funktionen und implementiert maschinelles Lernen in allen Facetten des Finanzwesens.
Maschinelles Lernen im Finanzwesen
Stephen Gossett hat zu dieser Geschichte beigetragen.
Maschinelles Lernen im Finanzwesen: Der Druck auf Fairness
Heutzutage beeinflusst maschinelles Lernen praktisch jeden Winkel des Finanzwesens. Hedgefonds und Wertpapierfirmen verwenden Modelle des maschinellen Lernens, die mit riesigen Mengen an traditionellen und alternativen Daten gefüttert werden, um Aktien und Vermögenswerte zu bewerten. Finanzinstitute und Zahlungsdienste verwenden gleichermaßen ausgeklügeltes maschinelles Lernen, um betrügerische Aktivitäten zu erkennen. Und Finanzexperten haben KI eingeführt, um Risiken vorherzusagen und zu steuern.
Die Einführung des maschinellen Lernens bleibt jedoch insbesondere in einer Unterkategorie besonders angespannt: Verbraucherfinanzierung. Viele Unternehmen verwenden inzwischen Modelle des maschinellen Lernens bei der Entscheidung, ob sie Autokredite, Privatkredite und Hypotheken anbieten. Optimisten behaupten, dass ausgefeiltere Modelle zu gerechteren Krediten führen können als der notorisch problematische FICO-Algorithmus der alten Schule, aber Befürworter der Aktiengesellschaft widersprechen, dass Modelle, die auf unfairen Mustern und verzerrten Daten trainiert wurden, lediglich die bestehende Kreditdiskriminierung verstärken.
„Wir lernen, dass diese Algorithmen – nicht nur in Finanzdienstleistungen, sondern in einer Reihe von Domänen –, wenn sie sich selbst überlassen werden, schädliche Dinge anrichten“, sagte Kareem Saleh, Mitbegründer von FairPlay, einer Plattform, die algorithmische misst Fairness in Kreditmodellen.
„Wir lernen, dass diese Algorithmen – nicht nur in Finanzdienstleistungen, sondern in einer Reihe von Domänen – wenn sie sich selbst überlassen werden, schädliche Dinge tun.“
Mehrere Fortschritte könnten dazu beitragen, Verzerrungen bei der Kreditvergabe durch maschinelles Lernen zu mindern, aber einer der wichtigsten ist laut Saleh die verstärkte Selbstprüfung. Gesetze verbieten bereits diskriminierende Kreditvergabe, aber schwankende Durchsetzungsgrade und die Tatsache, dass die Regulierungsbehörden immer noch lernen, wie sich KI und maschinelles Lernen auf die Verbraucherversicherung auswirken, kann dazu führen, dass die Rechenschaftspflicht uneinheitlich ist. Ein weiterer Schlüssel, sagte Saleh, sei eine ganzheitlichere Sichtweise der Identität und der Informationen eines Kreditnehmers. So diskriminiere beispielsweise die Konsistenz der Beschäftigungsvariablen häufig Frauen, die vorübergehend die Erwerbstätigkeit aufgeben, um eine Familie zu ernähren oder zu ernähren, bemerkte er.
Gleichzeitig sagte Saleh, dass aufstrebende Fintech-Unternehmen, wenn auch nicht immer traditionelle Kreditgeber, in Bezug auf Prüfungsmodelle proaktiver werden. Audits verbessern sowohl den Ruf des Unternehmens als auch das Endergebnis – Kreditgeber sollten einen Anreiz haben, Kreditnehmer aufzunehmen, die mit Zinsen zurückzahlen, unabhängig davon, was das FICO-Modell warnt. Außerdem könnte die Regulierungskraft mit der Zeit tatsächlich aufholen: Washington, DCs Drang nach mehr Transparenz von Unternehmen, die KI und ML für weitreichende Entscheidungen verwenden, scheint an Fahrt zu gewinnen.
Upstart, ein auf Alt-Daten und ML basierender persönlicher Kreditgeber, ist eine interessante Fallstudie. Das Unternehmen erklärte sich bereit, die Prüfungsergebnisse an die Aufsichtsbehörden des Bundes zu übermitteln, wenn keine behördlichen Maßnahmen ergriffen würden. Die Zahlen waren vielversprechend: 27 Prozent mehr zugelassene Bewerber gegenüber einem traditionellen Modell und 16 Prozent niedrigere durchschnittliche Jahresprozentsätze.
Dennoch bleibt eine solche Transparenz selten, was bedeutet, dass eine weit verbreitete, verifizierte Fairness eher ein Ziel als eine Verwirklichung bleibt.
“Wir befinden uns noch im ersten Inning dieses Ballspiels”, sagte Saleh.
Die Akzeptanz von maschinellem Lernen im Finanzwesen, sei es bei Verbraucherfinanzierungen oder Investmentfonds, nimmt jedoch vor Ort weiter zu. Hier sind 10 Unternehmen, die helfen, die Landschaft zu veranschaulichen.
10 Unternehmen, die maschinelles Lernen im Finanzwesen einsetzen
Bestätigen
Ort: San Francisco, Kalifornien
Was es macht: Affirm ist ein Zahlungsdienst, der es Verbrauchern ermöglicht, Artikel zu finanzieren und im Laufe der Zeit zu bezahlen. Die Verbraucher stimmen dem Betrag im Voraus zu, damit sie genau wissen, wie viel sie bezahlen. Affirm wird von einer Vielzahl von Einzelhändlern und Unternehmen akzeptiert, darunter Wayfair, Expedia, Peloton und Casper, wodurch größere Einkäufe zugänglicher und erschwinglicher werden.
Auswirkungen auf die Branche: Laut dem Unternehmen kann Affirm durch intelligente Underwriting-Modelle mehr kreditwürdige Verbraucher identifizieren als herkömmliche Scoring-Systeme. Diese Modelle verwenden maschinelles Lernen, um die Rückzahlungsfähigkeit und das faire Preisrisiko am Point-of-Sale genauer zu bewerten. Dies trägt dazu bei, Betrugsraten und Ausfälle zu reduzieren und gleichzeitig den Benutzern einen breiteren Zugang zu Krediten zu ermöglichen.
Datensichtgerät
Ort: Mountain View, Kalifornien
Was es macht: Datavisor verwendet unbeaufsichtigtes maschinelles Lernen, um die Betrugserkennung zu katalysieren. Beim unüberwachten Lernen sind keine Umschulungen für Maschinen erforderlich, um neue Arten betrügerischer Aktivitäten zu erkennen. Die Technologie von Datavisor kombiniert Graphanalyse mit Clustering-Techniken, um Muster in nicht gekennzeichneten Daten über Milliarden von Konten zu erkennen.
Auswirkungen auf die Branche: Die Technologie von Datavisor schützt mehr als vier Milliarden Konten weltweit mit ihrer Technologie, so die Website des Unternehmens.
Verdienen
Ort: Menlo Park, Kalifornien
Was es macht: Die Kreditkarten von Deserve helfen jungen Erwachsenen dabei, ihre Kreditwürdigkeit aufzubauen. Mit Fokus auf Studenten bietet die Karte auch keine Jahresgebühren und belohnt Nutzer für bestimmte Einkäufe. Deserve verwendet Tools für maschinelles Lernen anstelle herkömmlicher Kreditwürdigkeitsquellen, um seine Karteninhaber zu genehmigen.
Auswirkungen auf die Branche: Im Juni beschaffte Deserve 50 Millionen US-Dollar von Investoren, darunter Mastercard und Ally Ventures, um den Betrieb hochzufahren.
Enova
Ort: Chicago, Illinois
Was es macht: Enova entwickelt und bietet eine Vielzahl von Finanzprodukten und -dienstleistungen für Unternehmen und Privatpersonen an. Die Marke des Unternehmens, Enova Decisions, wird in mehreren Branchen verwendet – einschließlich des Finanzwesens. Der Service hilft Unternehmen, durch maschinelle Lernmodelle, die eine personalisierte Risiko- und Kreditanalyse bieten, mehr Kunden zu gewinnen.
Auswirkungen auf die Branche: Enova Decisions hat Unternehmen wie dem Online-Kreditgeber Headway Capital dabei geholfen, Entscheidungen zu automatisieren, das Ausfallrisiko zu bewerten und Kunden vorqualifizierte Kredite und Preise in Echtzeit bereitzustellen.
Beenden
Ort: San Mateo, Kalifornien
Was es macht: Feedzai arbeitet mit globalen Finanzunternehmen, Banken und Einzelhändlern zusammen, um Lösungen für maschinelles Lernen für das Online- und persönliche Risikomanagement bereitzustellen. Bei Risiken wie Betrug und Geldwäsche bewertet und erkennt Feedzai verdächtige Muster in Transaktions- und Ereignisdaten.
Auswirkungen auf die Branche: Laut einer Feedzai-Fallstudie ermöglichte die Technologie des Unternehmens einer großen britischen Bank, Betrugsverluste um mehr als 20 Millionen US-Dollar zu senken.
Fintech-Studios
Ort: New York, New York
Was es macht: Fintech Studios ist eine intelligente Such- und Analyseplattform, die Finanzexperten die Suche in Millionen von Finanz- und Geschäftsressourcen ermöglicht. Von Blogs und Nachrichten bis hin zu Forschung und Big-Data-Analyse nutzt die Plattform künstliche Intelligenz und maschinelles Lernen, um die relevantesten Informationen in 49 Sprachen zu identifizieren.
Auswirkungen auf die Branche: Die Produktvielfalt von Fintech Studios ermöglicht Finanzfachleuten – von Brokern und Finanzberatern bis hin zu Hedgefonds und Private-Equity-Firmen – schnellen Zugriff auf die benötigten Informationen.
Kohl
Ort: Atlanta, Georgia
Was es macht: Kabbage bietet kleinen Unternehmen Kreditlinien und hat mit mehr als 150.000 Unternehmen zusammengearbeitet. Der einfache Bewerbungsprozess für Unternehmen (zugänglich online oder über eine mobile App) verwendet maschinelle Lernalgorithmen, um festzustellen, ob ein Bewerber genehmigt wird oder nicht, wodurch die Möglichkeit menschlicher Fehler reduziert wird.
Auswirkungen auf die Branche: Seit der Übernahme durch American Express im Jahr 2020 hat Kabbage flexible Kreditlinien für qualifizierte Kleinunternehmen bis zu 150.000 US-Dollar angekündigt, die von AmEx unterstützt werden.
Riskiert
Ort: New York, New York
Was es macht: Riskified ist eine Betrugslösung für E-Commerce-Unternehmen. Die Machine-Learning-Lösung erkennt Fehlbestellungen und verhindert Rückbuchungen für Händler. Die Betrugserkennungslösung sorgt für weniger Fehlidentifikationen betrügerischer Aktivitäten und lernt kontinuierlich neue Betrugsmethoden, um schlechten Bestellungen einen Schritt voraus zu sein und Unternehmen dabei zu helfen, mehr Kunden zu binden.
Auswirkungen auf die Branche: Riskified half dem Schuheinzelhändler Finish Line, Rückbuchungen um 70 Prozent zu reduzieren, sah genauere Rückbuchungen von Gebühren und ermöglichte es dem Finish Line-Team letztendlich, sich auf andere Geschäftsvorgänge und Bedürfnisse zu konzentrieren.
Platz
Ort: San Francisco, Kalifornien
Was es macht: Maschinelles Lernen erfüllt selbst auf der grundlegendsten Ebene der Finanzen wesentliche Funktionen, wie z. B. Einzelhandelstransaktionen am Point-of-Sale. Jedes Mal, wenn Sie Ihre Karte beispielsweise in einen allgegenwärtigen Square-Stand oder ein Terminal einführen, arbeiten im Hintergrund Modelle des maschinellen Lernens und des Reinforcement Learning und weisen Verkäufer auf ein mittleres oder hohes Risiko hin. Die Modelle erfassen Tausende von Datenpunkten aus dem ständig wachsenden Transaktionsvolumen, um neue Muster betrügerischer Aktivitäten zu erkennen.
Auswirkungen auf die Branche: Das Dispute-Management von Square hat den Anbietern nach Angaben des Unternehmens seit 2011 330 Millionen US-Dollar eingespart.
Varo Bank
Ort: San Francisco, Kalifornien
Was es macht: Neobanken oder volldigitale Banken sind in Großbritannien seit Jahren aktiv, aber dank Unternehmen wie Chime, Current und Varo Bank beginnt die Bewegung in den Vereinigten Staaten endlich zu reifen. Im vergangenen Jahr erhielt Varo als erste Neobank eine Bankencharta in den Bundesstaaten und im Jahr 2021 sammelte sie 573 Millionen US-Dollar ein, um ihre Mission des Bankgeschäfts ohne Mindestsaldo und ohne monatliche Gebühren zu erweitern. Maschinelles Lernen spielt eine wichtige Rolle; Das Unternehmen setzt Modelle zur Betrugserkennung, Empfehlungssysteme und Risikobewertung ein.
Auswirkungen auf die Branche: In den letzten Monaten hat Varo den Umsatz verdreifacht und die Zahl der Kundenkonten auf vier Millionen verdoppelt, so das Unternehmen.