Machine Learning funktioniert umso besser, je grösser die Datenmengen sind, anhand derer die Algorithmen trainiert werden. Erst auf der Grundlage hoher Datenvolumina lassen sich zuverlässig Muster erkennen und analysieren. Doch in kleinen und mittleren Finanzinstituten fallen oftmals gar nicht so viele Daten an. Eine einzelne Bank kann auf der Basis der verfügbaren Daten keine hochqualitativen Machine-Learning-Algorithmen trainieren und somit auch keine statistisch fundierten Aussagen machen. Zudem sind die Finanzinstitute strengen Datenschutzbestimmungen unterstellt und können ihre Daten nicht so einfach mit denen anderer Banken poolen.
Ein von Google bereits 2016 geprägtes Modell, das von der Open-Source-Community aufgegriffen und ebenfalls vorangetrieben wurde, macht nun maschinelles Lernen möglich, ohne dass die dafür erforderlichen Datenmengen an einem zentralen Ort zusammengeführt und gespeichert sein müssen. Damit erhalten auch kleinere Banken eine Chance, Machine-Learning-Modelle unter Zuhilfenahme von Daten anderer Institute zu trainieren und ihre Vorhersagen – beispielsweise zu Kundenabwanderungen (Use Case «Churn Prediction») – zu verbessern.
Federated Learning hat viel Potenzial für die Finanzindustrie
Mit dem Modell des Community (oder Federated) Learning können die Daten von einzelnen Finanzinstituten isoliert als Dateninseln betrachtet werden. Das Konzept beinhaltet, dass die Daten dort verarbeitet werden, wo sie sich befinden, und den Ort, wo sie gesammelt und gespeichert werden, für die Modellierung des Algorithmus nicht verlassen müssen.
Da die Daten an ihrem Ursprungsort bleiben, eröffnet Federated Learning die Möglichkeit, dass die Finanzinstitute auf organisatorischer Ebene zusammenarbeiten und «horizontal-föderal» gemeinsam lernen. Beispielsweise verfügen zwei Regionalbanken über nicht überlappende Kundenkreise – ihre Geschäftsmodelle sind jedoch ähnlich und daher werden auch ihre Daten ähnliche Merkmale aufweisen. Die doppelte Menge an Daten erzeugt prägnantere Muster und somit überzeugendere Ergebnisse im Machine Learning und im Einsatz von künstlicher Intelligenz.
Doch auch aus seinem weiteren Ökosystem kann ein Finanzdienstleister Daten schöpfen, mit denen er künstlicher Intelligenz zu mehr Potenzial für sich verhilft: Beim vertikalen Federated Learning finden Unternehmen zusammen, die unterschiedliche – im Idealfall ergänzende – Dienstleistungen (z. B. eine Bank und ein E-Commerce-Anbieter) am Markt haben. Hier ist es die Schnittmenge an Kunden, deren Daten beide verwenden und aus denen jeder für sich Nutzen ziehen kann.
In beiden Fällen sind die «Data Owner» in der Lage, KI-Tools gemeinsam einzusetzen, ohne die Privatsphäre ihrer jeweiligen Klientel beeinträchtigen zu müssen.
Federated Learning ist momentan noch eher ein Versprechen als eine Tatsache. Doch wer sich frühzeitig mit aufkommenden Trends auseinandersetzt, kann den Wettbewerb überflügeln, sobald die Technologie im praktischen Einsatz ist und ihr Potenzial zeigt.
Bei Inventx wird mit Community resp. Federated Learning bereits experimentiert. Wilhelm Fritsche, der Initiator der Federated Learning Community im Unternehmen, ist davon überzeugt, dass sich gerade in der Schweiz Federated Learning aufgrund der strikten Datenschutzregeln für kleine und mittlere Finanzinstitute lohnt: «Mit Federated Learning kann das Potenzial von künstlicher Intelligenz und Machine Learning für smartere Vorhersagen besser ausgeschöpft werden, ohne dass Kompromisse beim Datenschutz oder der Datensicherheit eingegangen werden müssen.»
