Im KI-Glossar haben wir eine Auswahl der wichtigsten Begriffe zusammengestellt. Und da die Entwicklung in der KI sehr dynamisch verläuft, werden wir die Liste regelmäßig ergänzen.

Deep Learning

Deep Learning ist eine besondere Form des maschinellen Lernens. Es basiert auf tiefen neuronalen Netzen. Diese bestehen aus mehreren Schichten, die das Lernen aus großen Datenmengen ermöglichen. Ziel ist es, das Verhalten des menschlichen Gehirns nachzubilden. Deep Learning kann in der Finanzwelt für komplexere Aufgaben wie Sprach- oder Bilderkennung und für die Verarbeitung großer unstrukturierter Datensätze eingesetzt werden.

Foundation Model

Foundation Models sind umfangreiche KI-Modelle, die durch Training mit großen Datensätzen in der Lage sind, Wissen auf verschiedene Domänen zu übertragen. Sie können an eine Vielzahl von Aufgaben angepasst werden, nachdem sie einmal grundlegend trainiert wurden. Im Bankwesen könnten solche Modelle für verschiedene Zwecke, von der Betrugserkennung bis zur Kundeninteraktion, eingesetzt und spezifisch angepasst werden.

GenAI

Generative KI (GenAI) kann selbstständig neue Inhalte erzeugen, die menschlichen Werken ähneln oder diese je nach Anwendung sogar übertreffen. Diese Systeme lernen aus großen Datenmengen, um Muster und Strukturen zu erkennen und daraus neue Ergebnisse wie Texte oder Bilder zu generieren. Generative KI-Lösungen wie ChatGPT oder der CoPilot von Microsoft binden jedoch den Nutzer an einzelne Anbieter und deren Public Cloud. Dies wirft Fragen nach Herstellerabhängigkeite und möglichen Datenabflüssen auf, da die Nutzung teilweise die weitere Verwendung der Daten legitimiert. Die Eingabe personenbezogener Daten oder die Verarbeitung von Daten, die Bank- oder Geschäftsgeheimnisse der Sparkassen oder ihrer Kunden betreffen, ist in solchen KI-Lösungen datenschutz- und aufsichtsrechtlich nicht möglich. Es bedarf daher einer KI-Strategie, die Herstellerabhängigkeiten reduziert und Datenschutz und Informationssicherheit gewährleistet. 

Large Language Model (LLM)

Eine spezielle Form der Generativen KI sind Large Language Models. Sie wurden entwickelt, um Text zu generieren und zu verstehen. Sie basieren auf der Transformer-Architektur und sind darauf trainiert, Texte in einer Weise zu verarbeiten, die das menschliche Sprachverständnis nachahmt. LLMs wie GPT (Generative Pre-trained Transformer) von OpenAI sind darauf spezialisiert, Text auf der Grundlage von Eingaben zu generieren und Fragen zu beantworten, Zusammenfassungen zu erstellen oder sogar ganze Artikel zu verfassen. LLMs stoßen an ihre Grenzen, wenn ihre Trainingsdaten zur Beantwortung der gestellten Fragen nicht geeignet sind. In solchen Fällen könnte das Modell irrelevante Informationen generieren, oder – insbesondere bei spekulativen oder hypothetischen Fragestellungen – Antworten »halluzinieren«. Also Fakten erfinden, die plausibel erscheinen, aber nicht belegt sind. Dies ist besonders kritisch in Bereichen, in denen Genauigkeit und Zuverlässigkeit von entscheidender Bedeutung sind wie im Bank- und Finanzwesen.

Maschinelles Lernen

Diese Technologie zielt darauf ab, dass Computer Daten lernen, ohne dass sie dafür explizit programmiert werden müssen. Dabei erkennen Algorithmen Muster und Zusammenhänge in den Daten. Dadurch können die Systeme selbstständig Vorhersagen treffen oder Entscheidungen verbessern. Im Bankwesen kann maschinelles Lernen beispielsweise zur Risikobewertung, Betrugserkennung oder Kundenanalyse eingesetzt werden.

Narrow AI (In Abgrenzung zu GenAI)

Narrow KI sind KI-Systeme, die in Abgrenzung zu GenAI speziell für eine bestimmte Aufgabe entwickelt wurden. Diese Systeme können ihre erlernten Fähigkeiten nicht auf andere Bereiche übertragen. Beispiele sind Bilderkennungssysteme für die Dokumentenverarbeitung oder spezialisierte Algorithmen für die Finanzmodellierung. Diese Form der KI wird häufig eingesetzt, um spezifische, sich wiederholende Aufgaben effizienter zu gestalten.

Natural Language Processing (NLP)

Der Begriff bezeichnet Techniken zur Verarbeitung und Analyse natürlicher Sprache. NLP ermöglicht es Computern, geschriebene oder gesprochene menschliche Sprache zu verstehen und darauf zu reagieren. Im Bankwesen kann NLP eingesetzt werden, um Kundenanfragen automatisiert zu bearbeiten oder Inhalte aus Dokumenten zu extrahieren und zu analysieren – unter Berücksichtigung von Regulatorik und Datenschutz.

Prompting

Heutige KI-Systeme wie ChatGPT benötigen spezifische Anweisungen oder Eingaben, um eine bestimmte Reaktion oder Aktion auszulösen. Anweisungen können in Form von Text, Gesten oder Sprachbefehlen gegeben werden. Bei der Interaktion mit KI-Systemen, wie z. B. Chatbots im Kundendienst, ist ein effektives Prompting entscheidend für die Qualität der KI-Leistung, da es die Relevanz und Genauigkeit der KI-Antworten beeinflusst. 

Robotic Process Automation (RPA)

Hierbei handelt es sich um Software-Bots, die routinemäßige, wiederholbare Aufgaben automatisieren. Diese Bots können sich in Systeme einloggen, Daten eingeben, Berechnungen durchführen und Daten übertragen. Im Bankwesen kann RPA in verschiedenen Prozessen eingesetzt werden, um diese zu automatisieren und effizienter zu gestalten, z. B. bei der Datenmigration, der Verwaltung von Kundenkonten oder der Abwicklung von Transaktionen.