Career at

News at

Techmonitor

  • [Translate to Deutsch:]
    Gradient Boosting vs. Deep Learning. Möglichkeiten des Einsatzes Künstlicher Intelligenz im Banking
    Künstliche Intelligenz gewinnt zunehmend an Bedeutung und ist heutzutage eines der am häufigsten diskutierten Technologiethemen. Dieser Artikel erläutert und diskutiert zwei Ansätze und deren Durchführbarkeit für die Nutzung von KI bei Anwendungsfällen in der Finanzbranche: Deep Learning und Gradient Boosting. Während künstliche Intelligenz und das Deep Learning-Modell erhebliche Medienaufmerksamkeit erzeugen, ist das Gradient Boosting in der Öffentlichkeit noch relativ unbekannt. Deep Learning basiert auf komplexen künstlichen Neuro-Netzwerken, die Daten in hoher Geschwindigkeit über eine geschichtete Netzwerkstruktur verarbeiten. In der letzten Schicht wird dann eine Entscheidung über ein zuvor definiertes Problem getroffen. Dies ermöglicht die Lösung komplexer Probleme, kann aber zu unzureichender Transparenz und Nachvollziehbarkeit des Entscheidungsprozesses führen, da grundsätzlich ein einzelner großer Entscheidungsbaum verfolgt wird. Die deutsche Bankenaufsichtsbehörde BaFin hat bereits erklärt, dass im Hinblick auf Nachvollziehbarkeit keine Algorithmen akzeptiert werden, die aufgrund ihrer Komplexität nicht mehr verständlich sind. In diesem Zusammenhang argumentieren die Autoren, dass Gradient Boosting eine geeignetere Alternative sein könnte, da Entschlüsse auf eine Reihe kleinerer Entscheidungsbäume gestützt werden, die leichter zu interpretieren und verstehen sind. Darüber hinaus erfordern Gradient Boosting-Modelle im Vergleich zu Deep Learning weniger Daten, um funktional zu werden. Aussagen über die Dominanz eines der beiden Modelle sind nicht möglich, da beide zu guten Ergebnissen bei der Klassifizierung hochdimensionaler Daten kommen. Unter Berücksichtigung regulatorischer Anforderungen, wie z.B. der Transparenz in der Finanzbranche, könnte jedoch Gradient Boosting einen geeigneteren Ansatz zur Nutzung von künstlicher Intelligenz darstellen.
  • [Translate to Deutsch:]
    Künstliche Intelligenz im Banking: Deep Learning vs. Gradient Boosting | Eine Gegenüberstellung
    Das Kundenverhalten im Privatkundengeschäft hat sich in den letzten Jahren verändert. Seit 2014 verdoppelte sich die Kundenbereitschaft zum Wechsel ihres Bankkontos. Banken wiederum haben verschiedene Reaktionsmöglichkeiten darauf, um deren Kundenbindung aufrechtzuerhalten. Die potenziell migrierenden Kunden müssen jedoch vorher identifiziert werden. Dies kann durch die KI-gesteuerte Analyse von Stamm- und Transaktionsdaten erfolgen. Im Jahr 2016 lancierte die spanische Bank Banco Santander eine öffentliche Ausschreibung für einen Use Case, der die Vorhersage von abwandernden Kunden ermöglichen sollte. Diese Ausschreibung wurde von mehr als 5.000 Datenanalyse-Teams weltweit wahrgenommen. COREai nahm an der Ausschreibung teil und testete die beiden KI-Modelle Gradient Boosting und Deep Learning und verglich ihre Ergebnisse auf verschiedenen Dimensionen. Der Artikel geht auf die Analysestrategie von COREai ein. Im Hinblick auf die Ergebnisse übertrifft Gradient Boosting das Deep Learning-Modell in Bezug auf die Vorhersagegenauigkeit und Leistung. Der Vergleich wurde mit Hilfe einer Fehlklassifizierungsrate quantifiziert, die den Anteil falsch vorhergesagter Datenpunkte und Kunden darstellt. Während des Tests hat die Deep-Learning-Methode 23% der Daten falsch eingeschätzt, wohingegen Gradient Boosting nur in 3,3% der Fälle zu falschen Ergebnissen kam. Darüber hinaus übertrifft Gradient Boosting das tiefe Lernen mit kürzeren Lern- und Vorhersagezeiten. Auch in Bezug auf die Interpretierbarkeit der Ergebnisse zeichnete sich Gradient Boosting durch seine leichter interpretierbare funktionale Struktur aus, die einzelne Entscheidungsbäume anstelle eines komplex geschichteten neuronalen Netzwerks verwendet, wie es beim Deep Learning der Fall ist. Potenziell ermöglicht dies effektivere Rückschlüsse zu den Gründen für die Kündigung eines Kundenkontos. Unter Berücksichtigung dieser Ergebnisse argumentieren die Autoren, dass Gradient Boosting eine vielversprechendere Lösung für Anwendungsfälle, wie den von Banco Santander definierten „Churn Case“, ist. Dennoch lassen sich keine allgemeinen Aussagen zur Überlegenheit eines der beiden Modelle treffen, da sie von den Datenmustern des Anwendungsfalles abhängig sind. So bleibt beispielsweise Deep Learning in Bezug auf Bild- oder Spracherkennung unangefochten.
  • [Translate to Deutsch:]
    Sicherheit im agilen Vorgehen
    Software- und Infrastrukturprojekte unterliegen einem grundlegenden Wandel. Der Trend liegt heute bei kleinen agilen Teams, die unabhängig voneinander und nicht selten räumlich getrennt voneinander arbeiten. Sie entwickeln abgeschlossene Teilprogramme, die über abgestimmte Schnittstellen miteinander kommunizieren und so ein Gesamtsystem bilden. Seit Dekaden wird versucht Sicherheit und Features zu versöhnen. Ein Schritt auf diesem Wege ist aus unserer Sicht die Integration der Funktion Security Ambassador in die agilen Entwicklungsteams. Dieser arbeitet ab Sprint Null gleichberechtigt zu den funktionalen Anforderungen am Produktziel mit und fungiert nach außen gesamtverantwortlich für die Produktsicherheit. Diese Ergänzung des agilen Modells verbindet agiles Vorgehen mit ganzheitlicher Sicht auf Sicherheit, die auf Erfahrungen unserer Projekte der letzten Jahre baut. Durch das konsequente Behandeln der Sicherheitsanforderungen als gleichberechtigte Zielmarken wird die Sicherheit eines Systems beurteilungsfähig, ergo zertifizierbar; eine mittlerweile geforderte Eigenschaft der Aufsicht. Insgesamt wird IT-Sicherheit zu einem messbaren Qualitätsmerkmal wie funktionale Produkt-Features, das sich nach außen transportieren und als Produktmerkmal monetarisieren lässt.