Machine Learning – Herausforderungen bei Effizienz und Kosten meistern

Frankfurt am Main – Maschinelles Lernen (engl. machine learning, ML) als Bereich der künstlichen Intelligenz (KI) wird sich in den nächsten fünf Jahren voraussichtlich zum Standard bei Finanzdiensten entwickeln. Während Proofs-of-Concept und Anwendungsfälle in den Fokus rücken, werden unzählige Anwendungsmöglichkeiten von Machine Learning sich auf unterschiedliche Geschäftsfunktionen auswirken. Betrugsprävention, robotergestützte Services, die Einhaltung gesetzlicher Vorgaben und Kredit-Scoring werden enorme Wachstumschancen für den Einsatz von ML bei Finanzdienstleistern eröffnen.

Die aktuelle Frost & Sullivan Studie Disruption in Global Financial Services, 2017—Machine Learning is Imperative bietet einen Überblick über die Marktdynamik von maschinellem Lernen und umfasst Technologietrends und Einflussfaktoren wie auch Hindernisse hinsichtlich der Markteinführung. Zudem werden Fallstudien und Profile einiger wichtiger Marktteilnehmer, wie Google, IBM, Orange, Swisscom, Onfido, Darktrace, Klarna, Infosys, SAP und Rasa.ai, vorgestellt.

„Der größte Vorteil von ML-Lösungen ist deren Fähigkeit, aus jeder Transaktion und jedem Fall zu lernen. Heutzutage finden sich Unternehmen und Verbraucher leichter mit hybriden Services zurecht. Die Tatsache jedoch, dass Maschinen sich sehr schnell weiterentwickeln, kontinuierlich dazulernen und dieses Wissen dazu verwendet werden kann, die Kundenzufriedenheit und -erfahrung zu verbessern – das ist das größte Unterscheidungsmerkmal,” erklärt Digital Transformation Senior Industry Analyst Deepali Sathe. „ML ermöglicht Schnelligkeit und Genauigkeit und das sind entscheidende Kriterien für Unternehmen im Finanzdienstsektor, die sich wachsenden Herausforderungen ausgesetzt sehen, was Effizienz und Kosten angeht.”

Strategische Erfordernisse für Erfolg und Wachstum umfassen:

• verschiedene Industrieteilnehmer, wie Regulierungsbehörden, Amtsinhaber und Start-ups, die zusammenarbeiten und ein robustes Ökosystem aufbauen, in dem das Potential von ML voll zur Geltung kommen kann;
• einen sicheren Zugang zu Daten ermöglichen, um ML-Systemen das Erkennen von normalem und Fehlverhalten zu erleichtern;
• Bedienkomfort und Sicherheit bei Daten und Transaktionen bei der Nutzung robotergestützter Dienste;
• die Fähigkeit, sowohl strukturierte als auch unstrukturierte Daten zu erfassen, um ML zu ermöglichen, kognitive Fähigkeiten zu meistern und Verhaltensweisen auszumachen, die ein Betrugsschema erkennen lassen; und
• starke Backend-Algorithmen, um relevante Resultate für Dienstleistungen, wie etwa Kredit-Scoring und finanzielle Eingliederung anbieten zu können.

„Ein Mangel an Fachkräften mit Kenntnissen und Fähigkeiten in Bezug auf ML und fehlende Ausbildungsmöglichkeiten verhindern eine schnelle Verbreitung von ML,” so Sathe. „Andererseits ist eine Aufklärung im Markt unabdingbar. Finanzunternehmen sind sich noch immer nicht vollständig im Klaren darüber, welche Möglichkeiten ML bietet und was die damit verbundenen Vorteile und Auswirkungen auf das eigene Geschäft sind. Werden diese Aspekte mit den zugehörigen Kosten und Ausgaben verbunden, was die Pflege althergebrachter Infrastruktur angeht, dann braucht ML nur noch drei oder vier Jahre, um in dieser Branche zum Standard zu werden.”

Quelle: Frost & Sullivan