Künstliche Intelligenz & Data Analytics

Angesichts der vielschichtigen regulatorischen Anforderungen des EU AI Act und der komplexen internen Strukturen des Hauses war ein ganzheitliches, abgestimmtes Vorgehen erforderlich, das sowohl die europäische Tochtergesellschaft als auch die globale Einheit einbindet.

Gemeinsam mit dem Kunden hat d-fine klare Designs für KI-Governance-Prozesse und Richtlinien entwickelt, bestehende Governance-Prozesse und interne Kontrollen angepasst sowie revisionssichere Unterlagen und Prüfungsartefakte erstellt, um Nachvollziehbarkeit, Transparenz und die Vorbereitung auf Anfragen von Aufsichtsbehörden sicherzustellen. Alle relevanten Bestimmungen des EUAIAct wurden dabei systematisch erfasst und in fachliche sowie umsetzungsnahe Anforderungen überführt.

Das Einlagemodell der Bank basiert auf einem traditionelle ARIMA-Zeitreihenmodell. Durch starke äußere Faktoren (Pandemie, bewaffneter Konflikt in Europa, Zinswende) hat die Prognosegüte zuletzt nachgelassen, was eine Überarbeitung notwendig macht. 

In Zusammenarbeit mit internen (Bank) und externen (d-fine) Experten aus den Bereichen Einlagenmodellierung und Künstliche Intelligenz überarbeiten wir das Modell, indem wir neue Dantequellen erschließen, die Einlagensegmente clustern und verschiedene traditionelle und moderne Prognoseansätze evaluieren. Das beste Ergebnis erzielt hierbei ein moderat komplexer KI-Ansatz, während andere (oft noch komplexere) KI-Ansätze wie Neuronal Netze, wenig Verbesserung bzw. sogar eine Verschlechterung der Prognosegüte gegenüber traditionellen Ansätzen zeigen.

Die Bank strebt eine bessere Bündelung der verschiedenen KI-Initiativen im Haus an. Das Zielbild soll dabei so viel Struktur vorgeben, dass Synergien genutzt und Ressourcen effizient eingesetzt werden, aber auch die individuelle Initiative und Innovationsfähigkeit gefördert wird. d-fine wurde daher um die Erstellung eines strategischen Konzepts gebeten.

Durch eine Reihe von Workshops wurde zuerst die Vision des Unternehmens hinsichtlich KI präzisiert. Ein zweiter Arbeitsstrang war die Etablierung eines Systems zur Identifikation und Bewertung/Priorisierung potenzieller KI-Use Cases. Des Weiteren wurden Empfehlungen zur technologischen Infrastruktur und dem Sourcing-Modell erarbeitet. Der zentrale Aspekt war die Ausarbeitung von organisatorischen Strukturen, die sowohl das Innovations-Management als auch die KI-Governance berücksichtigt.

d-fine hat einen großen Energieversorger bei der Planung und Einführung einer cloud-basierten KI-Plattform unterstützt. Diese Unterstützung umfasste die strategische Analyse der Umsetzbarkeit und des Wertpotenzials von Data Analytics und KI-Ansätzen zur Optimierung des Energiehandels. Neben der technischen Integration in die Enterprise-Architektur und der Anbindung zahlreicher Datenquellen, haben wir dabei auch organisatorische, kulturelle und kompetenzbezogene Aspekte berücksichtigt. 

Auf der Plattform wurden bereits vielfältige KI-Anwendungsfälle entwickelt und operationalisiert, darunter Anwendungen zur Preisprognose, zur Supply- und Demand-Vorhersage, zur Investitionsbewertung oder zur verbesserte Betriebsmodellierung von Windparks. Der Einsatz erprobter MLOps-Prozesse gewährleistet dabei, dass die Modelle kontinuierlich mit neuen Daten retrainiert und effektiv in der Produktion eingesetzt werden können. Die Vorhersagen der KI-Modelle fließen in den zentralen Datenhaushalt des Energiehandels zurück und stehen in kuratierten Dashboards sowie für freie Analysen zur Unterstützung von Handelsentscheidungen zur Verfügung. Der fachliche und technische Betrieb der Plattform wurde an interne Teams übergeben und wird heute erfolgreich vom Kunden weitergeführt.

Im Rahmen des Gesetzgebungsprozesses werden unterschiedliche Interessensverbände um Stellungnahme zu Gesetzesvorschlägen gebeten. Diese müssen durch das entsprechende Ministerium gesichtet und die zentralen Forderungen gesammelt und bewertet werden. Um den Prozess der Konsolidierung dieser Rückmeldungen zu unterstützen, wurde d-fine beauftragt, eine Anwendung zu implementieren, die basierend auf großen Sprachmodellen (LLMs) die wesentlichen Forderungen extrahiert und gemeinsam mit der zugehörigen Begründung dem Benutzer in einem Frontend darstellt.

Die von d-fine entwickelte Lösung basiert auf den Azure OpenAI Services von Microsoft und gruppiert ähnliche Forderungen unterschiedlicher Verbände zusammen. Durch ein interaktives Frontend können zu einzelnen Forderungen die entsprechenden Textstellen im Originaldokument gehighlighted werden.

Im Rahmen einer generellen Überarbeitung seines Modells zur Prognostizierung der Ausfallwahrscheinlichkeit (PD-Modell) für eines seiner Teilportfolien möchte unser Kunde auch Informationen aus der Kundenkommunikation in sein Modell (neben klassischen, strukturierten Risikofaktoren) integrieren. d-fine unterstützt den Kunden bei der Extraktion verschiedener Informationen aus der E-Mail-Historie sowie weiteren Kommunikationskanälen und leitet entsprechenden Risikofaktoren ab.

Eine besondere Herausforderung ist die Sicherstellung der Einhaltung des Datenschutzes. So können im Mailverlauf z.B. Hinweise auf Krankheiten als Begründung für Stundungsanfragen angegeben werden. Um eine Verarbeitung dieser sensiblen Informationen im Prozess zu vermeiden, implementiert d-fine einen Vorverarbeitungsschritt, der diese Informationen erkennt und für weitere Verarbeitungsschritte maskiert.

Die maschinelle Fertigung verschiedener Maschinenkomponenten benötigt einen Glasur-Schritt zur Erstellung einer Schutzschicht. Die in diesem Prozess eingesetzten Maschinen produzieren eine hohe Ausschussrate und weisen regelmäßige, aber unvorhersehbare Ausfälle auf.

d-fine unterstützte den Kunden bei der Entwicklung eines maßgefertigten Modells zur Anomalie-Erkennung. Ziel der Implementierung war die Vorhersage eines Ausfalls anhand der Sensordaten der Maschine und die Identifikation der Ausfallursache.

Das Modell basiert auf einer GAN-Architektur und wurde an die Kundendaten angepasst. Ein besonderes Merkmal dieses Modells ist die inhärente Erklärbarkeit (xAI). So konnte direkt abgelesen werden, warum eine Anomalie als solche klassifiziert wurde.

Zusätzlich unterstützte d-fine den Kunden bei der Integration des Modells in die vom Kunden verwendete Databricks Datenplattform und organisierte Workshops für den Wissenstransfer.