Die Bedeutung der künstlichen Intelligenz (KI) nimmt im Hinblick auf die gesamte deutsche Wirtschaft stetig zu und bietet vielfältige Potenziale in diversen Anwendungsbereichen. Damit verbunden sind enorme Wettbewerbsvorteile für Unternehmen, die diese Technologie nutzen. Auch der deutsche Bankensektor wird maßgeblich durch die Technologie der künstlichen Intelligenz geprägt. Aktuellen Studien zufolge wird dieser Thematik auf der Managementebene deutscher Banken derzeit eine höhere Relevanz beigemessen als dem nachhaltigen Geschäftsmodell oder dem Kostendruck. Weiterhin zeigen einschlägige Studienergebnisse und Experteneinschätzungen, dass Banken, die diese Technologie zukünftig nicht nutzen, erheblich an Wettbewerbsfähigkeit verlieren und möglicherweise vom Markt verdrängt werden könnten. Demzufolge besteht die Notwendigkeit, künstliche Intelligenz zu etablieren, um von den Potenzialen dieser Technologie zu profitieren und zukünftig die Wettbewerbsfähigkeit zu wahren.
Im Rahmen der Implementierung solcher KI-Technologie sind Banken mit einer Vielzahl von Herausforderungen konfrontiert. Neben entsprechenden Anwendungsfeldern sind große Datenmengen mit einer entsprechenden Qualität die Grundvoraussetzung für den Einsatz von künstlicher Intelligenz. Zudem erfordert die erfolgreiche Implementierung dieser Technologie umfangreiche Investitionen in neue Technologien und die Infrastruktur des Unternehmens. Ferner müssen neue Kompetenzen aufgebaut und die Organisationsstruktur auf den Einsatz von künstlicher Intelligenz ausgerichtet werden.
Diese Arbeit gibt zunächst einen Überblick darüber, in welchen Anwendungsbereichen und in welchem Umfang deutsche Banken bereits KI-Systeme einsetzen. Der Schwerpunkt dieser Arbeit liegt zum einen in der Analyse der konkreten Herausforderungen, mit denen Banken im Rahmen der Implementierung von künstlicher Intelligenz konfrontiert sind. Daran anschließend werden Lösungsansätze präsentiert, mit denen die untersuchten Herausforderungen adäquat adressiert werden können. Zum anderen wird diese Arbeit den Einsatz und die Entwicklung von künstlicher Intelligenz innerhalb der Sparkassen-Finanzgruppe thematisieren, wobei in diesem Zusammenhang insbesondere die Berliner Sparkasse untersucht werden soll.
Inhaltsverzeichnis
1. Einleitung
1.1 Hintergrund und Bedeutung der Thematik
1.2 Zielsetzung dieser Arbeit
1.3 Aufbau und Methodik
2. Begriffsbestimmungen und technische Grundlagen
2.1 Künstliche Intelligenz
2.1.1 Annäherung an den Begriff der Intelligenz
2.1.2 Beschreibung von KI anhand der Merkmale menschlicher Intelligenz
2.1.3 Grundzüge der Funktionsweise von künstlichen neuronalen Netzen
2.3 Big Data
3 Status Quo deutscher Banken in Bezug auf künstliche Intelligenz
3.1 Motivation und Relevanz des Einsatzes von künstlicher Intelligenz
3.2 Die primären Anwendungsfelder für KI in Kreditinstituten
3.3 Der Einsatzgrad von KI
4 Herausforderungen bei der Implementierung von KI in deutschen Banken
4.1 Big Data als Grundvoraussetzung für KI
4.2 Fehlende Kompetenz in der Etablierung von künstlicher Intelligenz
4.3 Unzureichendes Budget
4.4 Regulatorik
4.4.1 Regulatorischer Überblick
4.4.2 Die Bestimmungen des europäischen AI Acts
4.4.3 Überlegungen zu aufsichtsrechtlichen Mindestanforderungen der BaFin
5 Strategische Handlungsoptionen
5.2 Cloud-Systeme
5.2.1 Cloudsysteme als Handlungsoption
5.2.2 Praktische Umsetzung der Cloudtechnologie in deutschen Banken
5.3 Kooperationsstrategien
5.3.1 Kooperative Entwicklung von künstlicher Intelligenz
5.3.2 Kooperation der Deutschen Bank und Nvidia
5.4 Change-Management
5.4.1 Potenzial des Change-Managements bei der Einführung neuer Technologien
5.4.2 Die Phasen des Change-Prozesses
6 Künstliche Intelligenz in Sparkassen
6.1 Betrachtung der Sparkassen Finanzgruppe
6.1.1 KI-Entwicklung in der Sparkassen Finanzgruppe
6.1.2 Sparkassen KI-Pilot
6.1.3 KI-Chatbots Linda, Anna und Linda+
6.2 Künstliche Intelligenz in der Berliner Sparkasse
7 Fazit
Zielsetzung & Themen
Diese Arbeit untersucht die Bedeutung und Implementierung von künstlicher Intelligenz (KI) sowie Big Data im deutschen Bankensektor. Ziel ist es, aktuelle Anwendungsbereiche zu identifizieren, Herausforderungen bei der praktischen Umsetzung zu analysieren und strategische Handlungsoptionen für Kreditinstitute abzuleiten, wobei insbesondere die Sparkassen-Finanzgruppe und die Berliner Sparkasse beleuchtet werden.
- Grundlagen der künstlichen Intelligenz und Big Data
- Status Quo der KI-Nutzung in deutschen Banken
- Herausforderungen (Datenqualität, Regulatorik, Kompetenzmangel)
- Strategische Handlungsoptionen (Cloud, Kooperationen, Change-Management)
- Praxisbeispiele aus der Sparkassen-Finanzgruppe
Auszug aus dem Buch
2.1.3 Grundzüge der Funktionsweise von künstlichen neuronalen Netzen
Im vorangegangenen Abschnitt wurde künstliche Intelligenz beziehungsweise das maschinelle Lernen erläutert. Für ein besseres Verständnis dieser Technologien sollen im Folgenden die Grundzüge der Funktionsweise des maschinellen Lernens dargestellt werden. Der zentrale Unterschied zwischen einem klassischen Computerprogramm und dem maschinellen Lernen besteht, wie zuvor angeführt, in der Fähigkeit, aus Ergebnissen beziehungsweise Erfahrungen zu lernen und infolgedessen zukünftige Aufgaben besser auszuführen. Im Vergleich dazu führen klassische Computerprogramme lediglich definierte Arbeitsabläufe aus und liefern ein Ergebnis, das die Ergebnisse zukünftiger Aufgaben oder Berechnungen nicht beeinflusst.
Um eine solche künstliche Intelligenz technisch umzusetzen, existieren diverse Methoden und Software-Technologien. Im Zusammenhang mit dem derzeitigen Entwicklungsschub in der künstlichen Intelligenz steht insbesondere die Technologie der künstlichen neuronalen Netze, die als KNN abgekürzt werden. In Abbildung 1 ist die grundlegende Funktionsweise eines solchen KNN modellhaft dargestellt.
Zusammenfassung der Kapitel
1. Einleitung: Dieses Kapitel führt in die Relevanz von KI im deutschen Bankensektor ein, definiert das Ziel der Arbeit und erläutert den methodischen Aufbau sowie die angestrebte Analyse.
2. Begriffsbestimmungen und technische Grundlagen: Es werden grundlegende Begriffe wie KI, Intelligenz, maschinelles Lernen und neuronale Netze definiert sowie Big Data als essenzielle Datenbasis charakterisiert.
3 Status Quo deutscher Banken in Bezug auf künstliche Intelligenz: Das Kapitel untersucht die aktuelle Relevanz, primäre Anwendungsfelder wie Risikomanagement und Marketing sowie den gegenwärtigen Einsatzgrad von KI in deutschen Banken.
4 Herausforderungen bei der Implementierung von KI in deutschen Banken: Hier werden kritische Hürden thematisiert, darunter die Notwendigkeit hochwertiger Daten für Big Data, Fachkräftemangel, Budgetbeschränkungen und regulatorische Anforderungen wie der EU AI Act.
5 Strategische Handlungsoptionen: Das Kapitel präsentiert Lösungswege für Banken, einschließlich Cloud-Systemen zur Datenzusammenführung, Strategien zur Kooperation mit Tech-Unternehmen und effektivem Change-Management bei der KI-Einführung.
6 Künstliche Intelligenz in Sparkassen: Diese Analyse widmet sich den spezifischen Entwicklungen innerhalb der Sparkassen-Finanzgruppe, inklusive des KI-Kompetenzzentrums, der Pilotprojekte und aktueller Chatbot-Lösungen, mit besonderem Fokus auf die Berliner Sparkasse.
7 Fazit: Das Fazit fasst die Ergebnisse zusammen, bestätigt die Notwendigkeit von KI für die Wettbewerbsfähigkeit und betont die strategische Relevanz der adressierten Herausforderungen.
Schlüsselwörter
Künstliche Intelligenz, KI, Bankensektor, Big Data, Maschinelles Lernen, Kreditinstitute, Regulatorik, EU AI Act, Cloud-Systeme, Change-Management, Sparkassen-Finanzgruppe, Datensilos, Prozessautomatisierung, Risikomanagement, Digitale Transformation
Häufig gestellte Fragen
Was ist das grundlegende Thema dieser Bachelor-Thesis?
Die Arbeit behandelt die Integration und Bedeutung von künstlicher Intelligenz (KI) und Big Data innerhalb des deutschen Finanzwesens und analysiert, wie Banken diese Technologien zur Stärkung ihrer Wettbewerbsfähigkeit nutzen können.
Welche zentralen Themenfelder werden bearbeitet?
Zentrale Felder sind die technischen Grundlagen von KI, der Status Quo in Banken, die Herausforderungen bei der Implementierung (insbesondere regulatorische und datentechnische Aspekte), strategische Lösungsansätze sowie Fallstudien aus der Sparkassenwelt.
Was ist das primäre Ziel der Untersuchung?
Das Hauptziel ist die Identifikation relevanter Anwendungsbereiche für KI in Banken sowie die Erarbeitung von Strategien zur Überwindung der identifizierten Implementierungshürden.
Welche wissenschaftliche Methode kommt zum Einsatz?
Die Arbeit basiert im Wesentlichen auf einer umfassenden Literaturrecherche, der Auswertung aktueller Studien sowie der Analyse von Experteninterviews, die gezielt mit Fachvertretern der Berliner Sparkasse geführt wurden.
Was steht im inhaltlichen Fokus des Hauptteils?
Der Hauptteil analysiert die Notwendigkeit von KI zur Wahrung der Wettbewerbsfähigkeit, beleuchtet Problemfelder wie mangelnde Datenqualität und fehlende Ressourcen und bewertet strategische Optionen wie Cloud-Technologien und Kooperationen.
Welche Schlagworte charakterisieren diese Arbeit?
Zu den prägenden Begriffen gehören KI-Implementierung, Regulatorik, Big Data, digitale Transformation, Sparkassen-Finanzgruppe und strategisches Management von KI-Projekten.
Welche Rolle spielen die Cloud-Systeme in der Argumentation des Autors?
Cloud-Systeme werden als strategische Lösung für das Problem isolierter Datensilos identifiziert, da sie eine zentrale Datenzusammenführung und effiziente Bereitstellung von Rechenleistung für KI-Anwendungen ermöglichen.
Wie bewerten die untersuchten Sparkassen-Experten den aktuellen Stand?
Die Experten, wie Herr Dr. Nolte von der Berliner Sparkasse, sehen erhebliches Potenzial in KI zur Effizienzsteigerung und Kundenbetreuung, betonen jedoch gleichzeitig die Notwendigkeit der Qualitätsverbesserung bei den verfügbaren Daten.
- Quote paper
- Lennart Kloss (Author), 2024, Big Data und künstliche Intelligenz im Finanzwesen, Munich, GRIN Verlag, https://www.grin.com/document/1518052
