@ Metamorworks/stock.adobe.com
Stand:geändert am 01.09.2022 | Thema Fintech Big Data und künstliche Intelligenz
Große Datenmengen (Big Data – BD) und deren automatisierte Verarbeitung mithilfe künstlicher Intelligenz (Artificial Intelligence – AI) bzw. des maschinellen Lernens (ML) gelten als Schlüssel zur digitalen Transformation in nahezu allen Branchen. Auch in der Finanzindustrie gibt es Anwendungsszenarien, die inzwischen ohne BDAI/ML kaum vorstellbar wären.
Vereinfacht versteht die BaFin unter AI die Kombination aus großen Datenmengen, Rechenressourcen und maschinellem Lernen. Diese Definition stellt allerdings keine allgemeingültige Abgrenzung der BDAI/ML-Methoden von sonstigen Methoden dar. Vielmehr müssen Aufsichtspraxis, Prüfungstechnik und -intensität darauf ausgerichtet sein, welche BDAI/ML-Charakteristika bei einer konkret zu prüfenden Methodik vorliegen und wie stark diese ausgeprägt sind – es handelt sich also vielmehr um einen fließenden Übergang.
Die Charakteristika lassen sich dabei anhand von drei Dimensionen des BDAI/ML-Szenarios gruppieren:
(1) Die Methodik und Datengrundlage beschreiben die Komplexität und damit das mit dem BDAI/ML-Verfahren verbundene Modellrisiko.
(2) Die Nutzung des Outputs beinhaltet, welchen Stellenwert das Verfahren innerhalb des Gesamtprozesses eines beaufsichtigten Unternehmens einnimmt.
(3) Die dritte Dimension befasst sich mit der generellen Unterscheidung zwischen Eigenentwicklung und Auslagerung und der zugrundeliegenden IT-Infrastruktur.
Ein tieferen Einblick gibt ein gemeinsames Diskussionspapier „Maschinelles Lernen in Risikomodellen – Charakteristika und aufsichtliche Schwerpunkte“, das die BaFin und die Deutsche Bundesbank zur Konsultation gestellt haben. Darin geht es um den konkreten Einsatz von maschinellem Lernen (ML) in Risikomodellen der Säulen I und II der Regelwerke für Banken und Versicherer.
Prinzipienpapier für Einsatz von Algorithmen
Typische Use-Cases für den Einsatz von BDAI/ML im Banken- und Versicherungsbereich finden sich bei der Geldwäsche- bzw. Betrugserkennung sowie bei Backoffice-Prozessen wie der Dunkelverarbeitung im Versicherungsbereich. Auch im Scoring, Pricing (inklusive Telematik-Tarifen) und zur Unterstützung des Vertriebs wird BDAI/ML eingesetzt. Im Risikomanagement findet BDAI/ML zunehmend Verwendung bei der Datenaufbereitung und in der Validierung von Risikomodellen. In der ohnehin von höherer Automatisierung geprägten Wertpapierbranche geht es vornehmlich um die Anreicherung bestehender Prozesse in Handel, Beratung, Risikomanagement und Compliance.
Die BaFin hat im Jahr 2021 generelle Prinzipien für den Einsatz von Algorithmen, insbesondere von solchen aus dem Bereich BDAI/ML, formuliert. Hierbei wurden sowohl übergeordnete Prinzipien (z.B. die klare Verantwortung der Geschäftsleitung) als auch spezifische Prinzipien für die Entwicklungs- und Anwendungsphase von BDAI/ML-Anwendungen aufgestellt. In der Entwicklungsphase sind beispielsweise die Datenstrategie und Daten Governance sowie die Durchführung von angemessenen Validierungsprozessen zu beachten. Für die Anwendungsphase werden beispielsweise intensive Freigabe- und Feedbackprozesse beschrieben.
Bandbreite von Modellcharakteristiken
(c) BaFin und Deutsche Bundesbank