„Künstliche Intelligenz“ und „Robotic Process Automation“ verändern Transaction Banking

Von Dr. Udo Milkau*

Spätestens seit Computer Profispieler beim Poker besiegen und Amazons Alexa eine „intelligente“ Spracheingabe für Zuhause anbietet, ist Künstliche Intelligenz (oder „KI“) ein viel diskutiertes Thema. Was genau versteht man aber unter Künstlicher Intelligenz und wie können wir die Möglichkeiten, die mit ihr einhergehen, nutzenstiftend einsetzen?

1. Es gibt große Unterschiede bei „Künstlicher Intelligenz“ und „Maschinellem Lernen“.

Zum einen lassen sich Regelmäßigkeiten, Muster und Korrelationen in großen Datenmengen durch statistische Verfahren „erlernen“. Solcher Methoden bedient sich etwa das „Deep Learning“ mit künstlichen neuronalen Netzen oder das von IBM entwickelte Programm Watson™. Diese Lösungen können zum Beispiel für Bild-, Sprach- oder auch Betrugserkennung eingesetzt werden.

Zum anderen wendet man ein sogenanntes Reinforcement Learning an. Beim Trainieren für Spiele wie Go (2016) oder Poker (2017) etwa lässt man Programme Millionen und Abermillionen Mal wiederholt gegen sich selbst antreten und sie vom jeweiligen Endergebnis her lernen.

Schließlich gibt es Ansätze, die ohne gigantische Datenmengen oder Rechnerkapazitäten auskommen. Sie nutzen unter anderem Entscheidungsmaschinen, die mit Erkenntnissen von menschlichen Experten („Knowledge Items“) vorbereitet werden. Mit diesen elementaren Bausteinen können Probleme schrittweise gelöst werden – ähnlich den Vorgängen im menschlichen Gehirn.

Im Transaction Banking haben wir es bereits mit enormen Mengen an Transaktionen zu tun: teils in Millionenhöhe wie bei Wertpapiertransaktionen und teils sogar in Milliardenhöhe wie bei SEPA-Transaktionen. Der Löwenanteil läuft heute schon hochgradig standardisiert und vollautomatisch über Straight-Through Processing (STP) ab. Bei weniger regelhaften Prozessen im Transaction Banking wie Entscheidungsprozessen, Abstimmungen oder Ausnahmebehandlungen greifen solche vollautomatisierten Methoden jedoch in der Regel nicht. Hier bietet sich der Einsatz der sogenannten Künstlichen Intelligenz an.

2. Der Einsatz von „Robotic Process Automation“ (RPA) ermöglicht im Transaction Banking die Automatisierung der „letzten Meile“.

• Altbekannt sind Werkzeuge, die manuelle Tätigkeiten wie Eingaben in Bildschirmmasken aufzeichnen und dann „abspielen“ lassen. Damit lässt sich unter anderem ein wiederholtes Testen von Computerprogrammen oder die Übertragung von Daten zwischen Anwendungen ohne Änderung am Code automatisieren.
• Auch schon nicht mehr ganz neu sind automatisierte Mensch-Maschine-Schnittstellen wie man sie von Apples Siri oder Amazons Alexa kennt. Sie führen mithilfe sehr großer Datenmengen einen Dialog mit dem Benutzer und können dabei Aufträge und Anweisungen „verstehen“ und umsetzen.
• Ganz neue Chancen eröffnet die Prozessautomatisierung mittels KI und unter Einsatz wissensbasierter „Problem Solving Engines“. Solche Tools haben sich bereits bei der Automatisierung von Prozessen des IT-Betriebs bewährt, sind aber generell für von Experten unterstützte Selbstoptimierung geeignet, unter anderem für Prozesse im Transaction Banking wie Reconciliations, Enhancements, Onboarding, Dispute Management etc.

 

3. RPA steht im Spannungsfeld zwischen Erwartungen, solidem Vorgehen und Ängsten der Mitarbeiter/-innen vor dem „Kollegen Roboter“.

•  Die Entwicklungen von Watson, Alexa oder auch AlphaGo (Google) sind beeindruckend, lenken aber auch davon ab, dass nicht jede Technologie unbedingt für jedes Problem eine passende Lösung darstellt.
• Für das Transaction Banking gilt, dass sich Prozesse durch ein Zusammenspiel von Expertinnen/Experten und Robotertechnik optimieren und automatisieren lassen, sodass auch eine effiziente „Losgröße 1“ ermöglicht wird.
• Schließlich darf bei all diesen Diskussionen nicht vergessen werden, dass die Ängste von Mitarbeiterinnen und Mitarbeitern vor dem „Kollegen Roboter“ ernst genommen und frühzeitig angesprochen werden müssen. Denn optimierte und/ oder kundenindividuelle Prozesse der Zukunft brauchen das Zusammenspiel von Menschen mit ihrem Expertenwissen und kollaborativen Robotern.

In der nachfolgenden Grafik finden sich bekannte Ansätze (rechts unten) wie die IT-Test-Automatisierung oder die Datenübertragung zwischen verschiedenen Applikationen durch sogenanntes Screen Scraping (Nutzung der grafischen Benutzerschnittstelle, englisch Graphical User Interface, GUI) bis zu traditionellen Schnittstellen durch Enter prise Automation Integration Tools (EAI).

Links oben sind neuere Ansätze im Bereich der Künstlichen Intelligenz beispielhaft dargestellt. Statistische Ansätze auf Basis von sehr großen Datenmengen wie bei der Bild- oder Spracherkennung erscheinen in Orange, Verfahren speziell für Spiele wie Schach, Go oder Poker mit einem Reinforced Learning durch massiven Computereinsatz mit millionenfacher Wiederholung von Testspielen in Blau und die im Text beschriebene Prozessautomatisierung durch ExpertTaught Knowledge Enables AI Reasoning in Grau.

SCHEMATISCHE ABBILDUNG VON ROBOTIC PROCESS AUTOMATION

 

1. Das Spielprogramm Libratus der Carnegie Mellon University, das vier der weltbesten Pokerspieler beim „Brains Vs. Artifi cial Intelligence: Upping the Ante” im Rivers Casino in Pittsburgh geschlagen hat (31. Januar 2017).
2. Unmanned Combat Aerial Vehicle = autonome Drohne
3. Mit einer Kombination aus Tree Search, Artifi cial Neural Networks und Reinforcement Learning
4. Business Process Management/Operational Decision Management
5. Robotic Process Automation mit einer „nichtinvasiven” Koppelung durch Auslesen von/Einsetzen in GUIs
6. Enterprise Application Integration

____________________________________

• Diese Zusammenfassung beruht auf einem Vortrag von Dr. Udo Milkau für die Europäische Zentralbank (Meeting der Operation Manager Group der EZB im März 2017), der unter anderem die Möglichkeiten innovativer Technologie aus Europa zur „intelligenten“ Prozessautomatisierung durch das Zusammenspiel von fachlichen Expertinnen und Experten und moderner Digitalisierung in den Vordergrund stellt.