Die jüngsten Fortschritte im Bereich der generative KI (genAI), insbesondere durch Modelle wie ChatGPT, haben zu einer bemerkenswerten Verschiebung in der öffentlichen Wahrnehmung von Künstlicher Intelligenz geführt. Während diese Entwicklungen zweifellos bahnbrechend sind, haben sie auch zu einem vereinfachten und oft irreführenden Verständnis des breiten Spektrums der KI-Technologien geführt. Es ist wichtig, ein differenzierteres Bild zu zeichnen und die vielfältigen Anwendungsmöglichkeiten von KI jenseits der generativen Modelle zu beleuchten. In einer früheren Analyse berichteten wir bereits über die unterschiedlichen Stärken und Schwächen von KI-Modellen bei unterschiedlichen Use Cases.
KI umfasst ein breites Spektrum von Technologien und Ansätzen
Künstliche Intelligenz umfasst eine breite Palette von Technologien und Ansätzen, die weit über die Fähigkeiten generativer Modelle hinausgehen. Dazu gehören nicht-generatives maschinelles Lernen, wie Algorithmen wie Random Forests, Support Vector Machines und neuronale Netze für Klassifikations- und Regressionsaufgaben. Diese Modelle haben sich in verschiedenen Bereichen der Finanzbranche, wie der Betrugserkennung, der Kundensegmentierung und der Risikomodellierung, als äußerst effektiv erwiesen. KI-gestützte Simulationen werden in Bereichen wie der Wettervorhersage, der Verkehrsplanung und der Finanzmodellierung eingesetzt. Sie ermöglichen die Analyse komplexer Szenarien und die Vorhersage potenzieller Ergebnisse. Heuristische Ansätze nutzen Erfahrungsregeln und Approximationen zur Lösung komplexer Probleme, oft in Bereichen wie der Optimierung und Entscheidungsfindung. Expertensysteme sind KI-Systeme, die regelbasierte Logik nutzen, um Expertenwissen in bestimmten Domänen zu emulieren. In der Finanzbranche können sie beispielsweise zur Unterstützung von Anlageentscheidungen oder zur Bewertung von Versicherungsrisiken eingesetzt werden.
Fallstudie: Traditionelle ML-Modelle übertreffen genAI bei der Kreditrisikobewertung
Ein konkretes Beispiel für die Überlegenheit traditioneller ML-Modelle gegenüber genAI in bestimmten Anwendungsfällen ist die Kreditrisikobewertung. Eine kürzlich durchgeführte Studie von Forschern der Universität Oxford hat die Leistungsfähigkeit des XGBoost-Modells mit der von GPT-4o verglichen. Die Forscher verwendeten einen umfangreichen Datensatz, der Kreditratings von 1978 bis 2017 umfasste, zusammen mit SEC-Einreichungen und makroökonomischen Daten. Die Studie ergab, dass das XGBoost-Modell eine Genauigkeit von 54% über verschiedene Vorhersagehorizonte hinweg erreichte. GPT-4o erreichte bei ausschließlicher Verwendung von Textdaten eine Genauigkeit von 50%, die jedoch auf 40% zurückging, wenn Text- und numerische Daten integriert wurden. Interessanterweise stieg die Genauigkeit auf 70%, wenn die Vorhersagen von XGBoost (nur numerische Daten) und GPT-4o (nur Text) kombiniert wurden. Diese Ergebnisse zeigen, dass XGBoost in der Lage ist, komplexe numerische Beziehungen in Kreditdaten effektiv zu modellieren und Ausfallrisiken mit hoher Genauigkeit vorherzusagen. Die Studie unterstreicht auch die Grenzen aktueller generativer Sprachmodelle bei der Verarbeitung multimodaler Finanzdaten.
Interpretierbarkeit als entscheidender Vorteil von XGBoost
Ein entscheidender Vorteil des XGBoost-Modells ist seine Interpretierbarkeit. Die Studie demonstrierte dies anhand von Partial Dependence Plots (PDPs). Diese zeigten, dass je mehr ein Unternehmen in seinen Einreichungen über Ratings spricht, desto geringer die Wahrscheinlichkeit einer Hochstufung des Kreditratings ist. Häufigere Erwähnungen von Forderungen korrelieren hingegen mit einer geringeren Wahrscheinlichkeit einer Herabstufung des Kreditratings. Diese Erkenntnisse bieten wertvolle Einblicke für Finanzanalysten und Entscheidungsträger, die in traditionellen „Black Box“-Modellen oft fehlen. Die Interpretierbarkeit ist auch im Hinblick auf die regulatorischen Anforderungen in der Finanzbranche von entscheidender Bedeutung.
Implikationen für die Praxis: Differenzierter Ansatz bei der Auswahl von KI-Technologien
Die Ergebnisse dieser Studie unterstreichen die Notwendigkeit eines differenzierten Ansatzes bei der Auswahl von KI-Technologien für spezifische Anwendungsfälle. Traditionelle ML-Modelle wie XGBoost zeigen Stärken bei der Integration verschiedener Datentypen, was für viele reale Anwendungen entscheidend ist. Die Interpretierbarkeit von Modellen wie XGBoost entspricht den strengen regulatorischen Anforderungen in der Finanzbranche, insbesondere den Richtlinien des Consumer Financial Protection Bureau (CFPB). Die Kombination von traditionellen ML-Modellen mit LLMs könnte zu leistungsfähigeren und gleichzeitig interpretierbaren Systemen führen. Für spezifische Aufgaben wie Kreditrisikobewertung bleiben spezialisierte Algorithmen oft die bessere Wahl gegenüber generalistischen LLMs.
Fazit: KI-Technologien sorgfältig auswählen und kombinieren
Die Studie zur Kreditrisikobewertung verdeutlicht, dass die Wahl der richtigen KI-Technologie entscheidend für den Erfolg eines Projekts ist. Während genAI in vielen Bereichen beeindruckende Fortschritte erzielt haben, bleiben traditionelle ML-Techniken in spezifischen Domänen überlegen. Ein ganzheitlicher Ansatz, der die Stärken verschiedener KI-Technologien kombiniert, verspricht die besten Ergebnisse. Unternehmen sollten daher ein breites Verständnis des KI-Spektrums entwickeln und die am besten geeigneten Technologien für ihre spezifischen Anforderungen auswählen, anstatt sich ausschließlich auf den aktuellen Hype um generative KI zu konzentrieren. Gleichzeitig müssen regulatorische Anforderungen wie Interpretierbarkeit, Fairness und Datenschutz berücksichtigt werden, um das Vertrauen in KI-gestützte Finanzentscheidungen zu stärken. Mit sorgfältiger Abwägung und strategischer Implementierung hat KI das Potenzial, die Finanzbranche zu revolutionieren und bessere Ergebnisse für Unternehmen und Verbraucher zu erzielen. Die kontinuierliche Forschung und Entwicklung in diesem Bereich wird dazu beitragen, die Grenzen des Machbaren weiter zu verschieben und neue Möglichkeiten zu eröffnen.
