Künstliche Intelligenz – Schlüsseltechnologien für die Finanzbranche

13.01.2022

Künstliche Intelligenz Finanzbranche

Von Robotern in der Fabrikhalle bis hin zur Entscheidungsfindung in Investmentbanken – Technologie hat den Finanzdienstleistungssektor schon immer angetrieben. John McCarthy prägte 1956 erstmals den Begriff der künstlichen Intelligenz, doch für viele wird dieses Konzept aus der Welt der Science-Fiction erst heute zur Realität.

Das Potenzial dieser Technologie hat Milliarden von Dollar in die Forschung und Entwicklung auf der ganzen Welt fließen lassen; es gibt jedoch keine eindeutigen Beispiele oder Benchmarks, die uns genau zeigen, wo wir in Bezug auf die Fähigkeit von Maschinen, wie Menschen zu denken, am Ende stehen könnten.

Künstliche Intelligenz (KI) ist ein wichtiges Instrument im Finanzsektor. KI umfasst alles, von Chatbot-Assistenten bis hin zu neuen Systemen und Werkzeugen zur schnellen Aufdeckung von Betrug. Darüber hinaus können KI-Tools zur Verbesserung der Aufgabenautomatisierung in der Finanzbranche eingesetzt werden und so zur Effizienzsteigerung beitragen. Auch wenn KI viele offensichtliche Vorteile bietet, muss man sich darüber im Klaren sein, dass auch heute noch ein großer Teil der manuellen Verfahren einer Bank manuell durchgeführt wird.

Mehr lesen

Human in the Loop: der Mensch in der Maschine

17.12.2021

Human in the Loop ML

Der Mensch in der Maschine – ein Schlagwort, das aus Science-Fiction-Romanen des frühen 20. Jahrhunderts bekannt ist. Worum es bei diesem Begriff im 21. Jahrhundert geht, ist klar: Es geht um Künstliche Intelligenz. Die Entwicklung und das Training von KI erfordern an vielen Stellen das Eingreifen natürlicher Intelligenz: Human in the Loop. In dieser Schleife agiert der Mensch ähnlich wie ein Lehrer.

Mehr lesen

Wie man die ML-Entwicklung mit vortrainierten Datenmodellen beschleunigt

02.12.2021

vortrainierte Datenmodelle

Die jüngsten Fortschritte im Bereich der künstlichen Intelligenz (KI) wie autonome Systeme, Computer Vision, natürliche Sprachverarbeitung (NLP) und prädiktive Analysen werden alle durch maschinelles Lernen (ML) durchgeführt. In diesen Szenarien hilft ML dabei, Daten in der Wertschöpfungskette von der Informationsebene auf die Wissensebene zu bringen.

Die meisten intelligenten Systeme, mit denen Sie heute zu tun haben, wurden wahrscheinlich mit Hilfe des überwachten Lernens entwickelt. Beim überwachten Lernen geht es darum, ML-Modelle von Grund auf zu erstellen. Dieser Ansatz ist jedoch nicht immer der beste. Viele KI- und ML-Projekte scheitern an fehlenden Ressourcen und natürlich an einem Mangel von nützlichen KI-Trainingsdatensätzen.

Überwachtes Lernen erfordert viel Zeit, Geld und erheblichen menschlichen Einsatz, damit es funktioniert. Deshalb ist es für Unternehmen wichtig, praktikable Alternativen zum überwachten Lernen zu finden. Während es viele Jahre lang keine Möglichkeit gab, dieses Problem zu umgehen, haben ML-Ingenieure kürzlich neue Wege zur Optimierung von ML-Modellen gefunden.

Mehr lesen

Die 5 häufigsten Fehler bei Trainingsdaten und wie man sie vermeidet

19.11.2021

Fehler bei Trainingsdaten vermeiden

Bei der herkömmlichen Softwareentwicklung ist der Code der wichtigste Teil des Computerprogramms. Im Gegensatz dazu sind bei der Entwicklung von künstlicher Intelligenz (KI) und maschinellem Lernen (ML) die KI-Trainingsdaten entscheidend. Das liegt daran, dass KI-Trainingsdatenmodelle komplexe und mehrstufige Prozessschritte umfassen, die intelligente Algorithmen erlernen müssen, um Aufgaben erfolgreich durchzuführen.

In diesem Szenario kann ein kleiner Fehler, den Sie heute beim Training machen, dazu führen, dass Ihr Datenmodell nicht mehr funktioniert. Das kann katastrophale Folgen haben, wenn man sich die Anwendungsbereiche genauer betrachtet – zum Beispiel schlechte Entscheidungen im Gesundheitswesen, im Finanzwesen und natürlich bei selbstfahrenden Autos.

Auf welche Fehler bei den Trainingsdaten sollte man also achten, und welche Schritte können Sie unternehmen, um sie zu vermeiden? Schauen wir uns die fünf gravierendsten Datenfehler an und wie wir sie vermeiden können.

Mehr lesen

Emotionserkennung – Wie Computer unsere Gefühle durchschauen

12.11.2021

Emotionserkennung

Die Emotionserkennung ist ein Prozess zur Erkennung von Gefühlen auf der Grundlage von Bildern, Videos, Audio und Text mit Hilfe von künstlicher Intelligenz (KI). In diesem Szenario kann die Technologie zur Emotionserkennung Daten aus verschiedenen Quellen wie Fotos, Audioaufnahmen, Videos, Echtzeitgesprächen und Dokumentationen für die Stimmungsanalyse verwenden.

In den letzten Jahren ist die Emotionserkennung immer beliebter geworden. Der weltweite Markt für die Erkennung von Emotionen wird bis 2026 voraussichtlich auf 37,1 Mrd. USD anwachsen.

Als Teil der Technologiefamilie des “Affective Computing” besteht das Hauptziel darin, Computern oder Maschinen bei der Interpretation menschlicher Emotionen und affektiver Zustände zu helfen, indem sie nonverbale Kommunikationsformen wie Mimik, Satzbau, Sprachgebrauch und mehr untersuchen.

Mehr lesen