{"id":5746,"date":"2025-10-16T23:18:06","date_gmt":"2025-10-16T21:18:06","guid":{"rendered":"https:\/\/www.teleskopeffekt.de\/?post_type=news&p=5746"},"modified":"2025-10-21T10:45:55","modified_gmt":"2025-10-21T08:45:55","slug":"tolgendatav-ki-panganduses","status":"publish","type":"news","link":"https:\/\/www.teleskopeffekt.de\/et\/news\/news\/alle\/interpretierbare-ki-im-bankwesen\/","title":{"rendered":"T\u00f5lgendatav tehisintellekt panganduses"},"content":{"rendered":"\n
\n\n
\n

Sprachmodelle und deren T\u00fccken<\/h3>\n

K\u00fcnstliche Intelligenz ist l\u00e4ngst im Alltag angekommen, vom Kredit-Scoring \u00fcber Betrugserkennung bis hin zu Chatbots im Kundenservice. In der \u00f6ffentlichen Wahrnehmung stehen jedoch h\u00e4ufig ChatGPT & Co. im Rampenlicht und damit ein spezielles KI-Modell. Die Nutzung solcher Sprachmodelle birgt auch viele Nachteile, deren sich Anwender bewusst sein sollten. Etwas genauer: GPT (Generative Pretrained Transformer) ist ein Sprachmodell, das mithilfe der Transformer-Architektur Texte generiert. Bei jeder Eingabe sch\u00e4tzt es die Wahrscheinlichkeit f\u00fcr das n\u00e4chste Wort, berechnet dazu eine Wahrscheinlichkeitsverteilung \u00fcber alle m\u00f6glichen Tokens, w\u00e4hlt daraus ein Token und h\u00e4ngt es an die Sequenz an. Diese erweiterte Sequenz wird erneut durch das Modell geschickt, um das darauffolgende Wort vorherzusagen, iterativ bis zur maximalen L\u00e4nge oder bis ein End-of-Sequence-Token erscheint. Solche Large Language Models lassen sich in vielen Bereichen einer Bank einsetzen, in denen Texte analysiert oder erstellt werden.<\/span>\u00a0<\/span><\/p>\n

Die Modelle werden auf gro\u00dfen Textdatens\u00e4tzen trainiert. Sie eignen sich etwa zum Verfassen von Texten, sto\u00dfen jedoch bei strikt logischen Aufgaben, wie dem F\u00fchren exakter Beweise oder bei komplexen Berechnungen, an Grenzen. Grob formuliert \u201edenkt\u201c das Modell nicht in Symbolen oder formalen Regeln, sondern arbeitet mit Wahrscheinlichkeiten und Mustern. Dadurch k\u00f6nnen Antworten plausibel klingen, ohne logisch zwingend korrekt zu sein. Daher sollten im Bankwesen kritische Entscheidungen, etwa zur Bewertung von Risiken wie der Vorhersage von Kreditausf\u00e4llen, nicht auf Sprachmodellen beruhen.<\/span>\u00a0<\/span><\/p>\n

Spezialisierte Modelle<\/h3>\n

Genau hier setzen andere, vorzugsweise interpretierbare Verfahren an, etwa Generalized Matrix Learning Vector Quantization (GMLVQ), ein prototypenbasiertes Klassifikationsverfahren. Aufgrund der Robustheit und der F\u00e4higkeit, interpretierbare Ergebnisse zu liefern, hat sich GMLVQ bei vielen praktischen Klassifikationsproblemen bew\u00e4hrt. Einsatzfelder im Bankwesen ergeben sich grunds\u00e4tzlich \u00fcberall dort, wo Klassifikationsprobleme auftreten.\u00a0Zwei im Jahr 2025 erschienene Publikationen [1] und [2]\u00a0zeigen eine spezielle Anwendung von GMLVQ in der Bewertung der Netzwerkzuverl\u00e4ssigkeit. Darin werden Zuverl\u00e4ssigkeitsniveaus von konsekutiven k-out-of-n-Systemen mit GMLVQ klassifiziert. Der Ansatz ist allgemein auf koh\u00e4rente Systeme \u00fcbertragbar und l\u00e4sst sich sogar zur Sch\u00e4tzung der Vereinigungswahrscheinlichkeit endlich vieler Ereignisse aus Einzel- und paarweisen Schnittmengenwahrscheinlichkeiten adaptieren. Dies unterstreicht die Anwendungsbreite von GMLVQ. Ein k\u00fcnftig besonders spannendes Anwendungsgebiet von GMLVQ k\u00f6nnte in der Bewertung von Kreditausfallwahrscheinlichkeiten oder der Risikomodellierung sein.<\/span>\u00a0<\/span><\/p>\n

Als Projektpartner unterst\u00fctzt die TeleskopEffekt GmbH dabei, GMLVQ als interpretierbares KI-Verfahren von der Idee im speziellen Anwendungsfall bishin zur Datenauswertung einzuf\u00fchren und die Vorteile gegen\u00fcber alternativen KI-Verfahren zu verdeutlichen.<\/span> F\u00fcr weitere Insights und individuelle Beratung steht unsere Kollegin Dr. Mandy Lange-Geisler<\/span><\/span><\/a><\/span> gerne bereit und kann jederzeit kontaktiert werden.<\/span><\/p>\n

Quellen<\/h3>\n

[1] K. Dohmen, M. Lange-Geisler, and T. Villmann. Network reliability analysis by means of generalized matrix learning vector quantization, 2025. Research Square (<\/span>https:\/\/www.researchsquare.com\/article\/rs-<\/span><\/a>7014031\/v1)<\/span>\u00a0<\/span><\/p>\n

[2] K. Dohmen, M. Lange-Geisler, and T. Villmann. Learning of probability estimates for system and network reliability analysis by means of matrix learning vector quantization. In <\/span>ESANN 2025, 2025. 6 pp.(<\/span>https:\/\/www.esann.org\/sites\/default\/files\/proceedings\/2025\/ES2025-<\/span><\/a>67.pdf)<\/span>\u00a0<\/span><\/p>\n<\/div> \n \n

\n

Idee bis Umsetzung: TeleskopEffekt begleitet Dich<\/strong><\/p>\n

Wir begleiten Unternehmen dabei, Technologien nachvollziehbar, verantwortungsvoll und praxisnah<\/strong> einzusetzen.<\/p>\n \n

Melde dich! <\/a>\n <\/div>\n <\/div><\/div> \n <\/div>\n\n\n
\n\n
\n
\n
\n \n \n <\/div>\n
\n
\n \n Tanja Speck\n <\/span>\n \n Partnermanagement \n <\/span>\n <\/div>\n
\n \"mail-outlined\"<\/a>\"linkedin-fill\"<\/a>\n <\/div>\n JETZT KONTAKT AUFNEHMEN<\/a>\n <\/div>\n