Künstliche Intelligenz ist längst im Alltag angekommen, vom Kredit-Scoring über Betrugserkennung bis hin zu Chatbots im Kundenservice. In der öffentlichen Wahrnehmung stehen jedoch häufig 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 schätzt es die Wahrscheinlichkeit für das nächste Wort, berechnet dazu eine Wahrscheinlichkeitsverteilung über alle möglichen Tokens, wählt daraus ein Token und hängt es an die Sequenz an. Diese erweiterte Sequenz wird erneut durch das Modell geschickt, um das darauffolgende Wort vorherzusagen, iterativ bis zur maximalen Länge 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.
Die Modelle werden auf großen Textdatensätzen trainiert. Sie eignen sich etwa zum Verfassen von Texten, stoßen jedoch bei strikt logischen Aufgaben, wie dem Führen exakter Beweise oder bei komplexen Berechnungen, an Grenzen. Grob formuliert „denkt“ das Modell nicht in Symbolen oder formalen Regeln, sondern arbeitet mit Wahrscheinlichkeiten und Mustern. Dadurch können Antworten plausibel klingen, ohne logisch zwingend korrekt zu sein. Daher sollten im Bankwesen kritische Entscheidungen, etwa zur Bewertung von Risiken wie der Vorhersage von Kreditausfällen, nicht auf Sprachmodellen beruhen.
Genau hier setzen andere, vorzugsweise interpretierbare Verfahren an, etwa Generalized Matrix Learning Vector Quantization (GMLVQ), ein prototypenbasiertes Klassifikationsverfahren. Aufgrund der Robustheit und der Fähigkeit, interpretierbare Ergebnisse zu liefern, hat sich GMLVQ bei vielen praktischen Klassifikationsproblemen bewährt. Einsatzfelder im Bankwesen ergeben sich grundsätzlich überall dort, wo Klassifikationsprobleme auftreten. Zwei im Jahr 2025 erschienene Publikationen [1] und [2] zeigen eine spezielle Anwendung von GMLVQ in der Bewertung der Netzwerkzuverlässigkeit. Darin werden Zuverlässigkeitsniveaus von konsekutiven k-out-of-n-Systemen mit GMLVQ klassifiziert. Der Ansatz ist allgemein auf kohärente Systeme übertragbar und lässt sich sogar zur Schätzung der Vereinigungswahrscheinlichkeit endlich vieler Ereignisse aus Einzel- und paarweisen Schnittmengenwahrscheinlichkeiten adaptieren. Dies unterstreicht die Anwendungsbreite von GMLVQ. Ein künftig besonders spannendes Anwendungsgebiet von GMLVQ könnte in der Bewertung von Kreditausfallwahrscheinlichkeiten oder der Risikomodellierung sein.
Als Projektpartner unterstützt die TeleskopEffekt GmbH dabei, GMLVQ als interpretierbares KI-Verfahren von der Idee im speziellen Anwendungsfall bishin zur Datenauswertung einzuführen und die Vorteile gegenüber alternativen KI-Verfahren zu verdeutlichen. Für weitere Insights und individuelle Beratung steht unsere Kollegin Dr. Mandy Lange-Geisler gerne bereit und kann jederzeit kontaktiert werden.
[1] K. Dohmen, M. Lange-Geisler, and T. Villmann. Network reliability analysis by means of generalized matrix learning vector quantization, 2025. Research Square (https://www.researchsquare.com/article/rs-7014031/v1)
[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 ESANN 2025, 2025. 6 pp.(https://www.esann.org/sites/default/files/proceedings/2025/ES2025-67.pdf)
Idee bis Umsetzung: TeleskopEffekt begleitet Dich
Wir begleiten Unternehmen dabei, Technologien nachvollziehbar, verantwortungsvoll und praxisnah einzusetzen.
