Unterschiedliche KI-Modelle und ihre Einsatzgebiete
Wenn heute KI diskutiert wird, dann hat jeder, auch aufgrund der persönlichen Erfahrungen, gleich Large Language Modelle wie Chat GPT im Blick. Dabei muss man bei den KI-Modellen sehr differenzieren, welche Methode für welche Aufgabenstellung geeignet ist.
KI für Scoring und Rating
Häufig wird darüber diskutiert, dass KI-Lösungen ja für das Scoring oder Rating verwendet werden können. Dabei geht es um Prognosen bzgl. der zukünftigen wirtschaftlichen Situation. Es soll z. B. ein Rating für ein Unternehmen oder eine Person prognostiziert werden. Dazu sind aus Zeitreihen von Daten Prognosen abzuleiten. Dazu werden rekurrente neuronale Netze verwendet. Als Alternative bieten sich auch komplexe kombinierte Entscheidungsbaumverfahren wie z. B. XGBoost an, mit denen für derartige Aufgabenstellungen gute Ergebnisse erzielt werden und bei denen sich die Relevanz der Einflussfakturen gut interpretieren lässt. Die Ergebnisse in der Forschung zeigen aber auch, dass sich, wenn man auf den bisher verwendeten Datensätzen trainiert, kaum Verbesserungen in der Trennschärfe und damit der Leistungsfähigkeit gegenüber den etablierten statistischen Verfahren erzielen lassen. Vorteile ergeben sich erst, wenn weitere Daten, wie Wettbewerbsintensität, Mitarbeiterzufriedenheit usw. in die Analyse einbezogen werden.
Regulatorische Anforderungen gemäß AI-Act
Aufgrund des für diese Aufgabenstellungen gültigen AI-Acts muss auch zwischen dem Rating von juristischen Personen und natürlichen Personen unterschieden werden. Ohne Verwendung personenbezogener Daten ist das Anwenden dieser Methoden unproblematisch, werden personenbezogene Daten integriert und geratet, wird die Anwendung schnell in den Hochrisikobereich eingestuft und es müssen erweiterte Dokumentations- Melde- und Prüfungspflichten berücksichtigt werden.
Voraussetzungen für weitere KI-Prognosesysteme
Natürlich können beim Vorliegen von Zeitreihen oder einer großen Anzahl an Erfahrungen auch für andere Aufgabenstellungen Vorhersagesysteme entwickelt werden. Voraussetzung ist immer das Vorliegen eines ausreichend großen Trainingsdatenbestands.
Generative KI und LLMs im Kreditmanagement
Die generative KI in der Form von Large Language Modellen (LLMs) hat andere Merkmale und bietet sich aufgrund der „Sprachfähigkeit“ für andere Aufgabenstellungen an. So werden ja heute häufig von Kreditsachbearbeitern sogenannte Kreditvorlagen für größere Kreditentscheidungen aus einer Vielzahl von Einzelinformationen und Beurteilungen zusammengestellt und auch verbal beschrieben. Dieses ist ein Beispiel, für das LLMs eingesetzt werden können, um eine erste Version einer solchen Vorlage zu erstellen. Der Kreditsachbearbeiter hat diese dann zu prüfen, zu überarbeiten und zu ergänzen. Mit entsprechender Leistungsfähigkeit eines solchen Systems, bei der es nur noch geringen Änderungsaufwandes bedarf, können so Effizienzsteigerungen beim Erstellen von Kreditvorlagen erzielt werden.
LLMs zur Dokumentenanalyse, Extraktion und Zusammenfassung
Ebenso kann man LLMs nutzen, die man mit geeigneten Eingaben, sogenannten Prompts, instruiert, z. B. aus PDFs Informationen auszulesen, um diese dann strukturiert automatisch weiterzuverarbeiten, z. B. für eine Jahresabschlussanalyse. Ebenso können LLMs Zusammenfassungen erstellen, um etwa die wesentlichen Aspekte aus einer Textvorlage zusammenzufassen. Dieses könnte bei dem Interpretieren von Anhängen oder Analystenberichten hilfreich sein.
Natürlichsprachliche Auskunftssysteme mit RAG
Will man schließlich im Kreditmanagement Auskunftssysteme schaffen mit denen natürlichsprachlich kommuniziert werden kann, dann geht um LLMs, die das Interface bilden und mit einer Wissensbasis kommunizieren, in der die Antworten auf die gestellten Fragen gesucht werden sollen. Um hier die richtigen Antworten zu filtern, sind ergänzende Vorverarbeitungsschritte notwendig. Dazu wird die sogenannte “Retrieval Argumented Generation“ eingesetzt, um die das LLM ergänzt wird. Daneben könnten weitere „Tuning-Maßnahmen“ genutzt werden, um die Lösungsqualität zu verbessern.
Fazit: KI ist nicht gleich KI
Diese ausgewählten Beispiele zeigen, dass KI nicht gleich KI ist, sondern man sehr genau differenzieren muss, welche Aufgabenstellung unterstützt werden soll. Die gewählten Modelle müssen dann bzgl. dieser Aufgabe auch trainiert und mit ihren Parametern eingestellt werden, um möglichst gute Ergebnisse zu erzielen. Dabei sind Trainings- und Validierungsdatenbestände zu verwenden. Dieses ist ein vom Aufwand nicht zu unterschätzender Prozess und muss ins Verhältnis zu den erreichbaren Effizienzsteigerungen oder Qualitätsverbesserungen gesetzt werden. Wird dieses und der für die Einstellung der KI notwendige Datenbestand berücksichtigt, dann kann die KI einen wertvollen Beitrag im Kreditmanagement leisten.