Aber seien wir ehrlich: Die Grundlagen der KI zu verstehen, kann immer noch ein wenig entmutigend sein. Stellen Sie sich generative KI, insbesondere Large Language Models (LLMs), als eine verbesserte Version der Textvorhersagefunktion Ihres iPhones vor. Sie sagt Texte auf der Grundlage großer Datensätze voraus, ähnlich wie Ihr Telefon das nächste Wort in einer Textnachricht vorschlägt. Diese Analogie verdeutlicht, dass wir bereits grundlegende Formen der KI in unserem täglichen Leben nutzen – wenn auch in kleinerem Maßstab.
Bewährte Verfahren: Einführung in die KI
Um Ihnen zu helfen, das Beste aus GenAI herauszuholen, finden Sie hier einen Überblick über die wichtigsten Best Practices der Branche:
1. Überprüfen Sie die Datenquelle: Um KI-Halluzinationen zu vermeiden (wenn die KI mit falschen oder unsinnigen Antworten aus dem Ruder läuft), sollten Sie genau festlegen, woher die KI ihre Informationen bezieht. Eine präzise Eingabeaufforderung kann sicherstellen, dass die KI auf zuverlässige und relevante Datensätze zurückgreift. Wenn Sie beispielsweise an einem Finanzbericht arbeiten, können Sie die KI anweisen, aktuelle Marktanalysen oder geprüfte Jahresabschlüsse zu verwenden, anstatt allgemeine Internetrecherchen durchzuführen.
2. Temperatursteuerung: Sie können die Antworten der KI steuern, indem Sie die „Temperatur“ Ihrer Anfragen anpassen. Auf diese Weise können Sie steuern, wie kreativ oder spezifisch die Antworten der KI sind und sie in dem von Ihnen gewünschten Kontext halten. Eine niedrigere Temperatureinstellung macht die KI-Antworten fokussierter und deterministischer, während eine höhere Einstellung mehr Kreativität und vielfältige Ergebnisse zulässt.
3. Stellen Sie sicher, dass Ihre KI-Plattform Retrieval-Augmented Generation (RAG) verwendet: Die Informationsbeschaffung wird durch die Verwendung von RAG verbessert, wodurch sichergestellt wird, dass die KI auf die genauesten und relevantesten Daten zugreift, was ein wichtiger Aspekt bei der Auswahl einer KI-Lösung ist. RAG ermöglicht es der KI, auf spezifische Datensätze zuzugreifen, die ständig aktualisiert werden, um sicherzustellen, dass die Informationen sowohl aktuell als auch genau sind. Bei Moody’s hat diese Technologie entscheidend dazu beigetragen, Halluzinationen zu reduzieren und nachvollziehbare, zuverlässige Ergebnisse zu liefern.
Auswirkungen in der realen Welt und Ausblick
Der Weg von Moody’s in die KI begann mit Produkten wie QuiqSpread, das maschinelles Lernen nutzte, um Daten aus Finanzberichten zu extrahieren. Seitdem wurden fortschrittliche GenAI-Tools eingeführt, die strukturierte und unstrukturierte Daten integrieren und Risikobewertungen und Finanzanalysen verbessern.
Eine der wichtigsten Innovationen stellt der Moody’s Research Assistant dar, der in Zusammenarbeit mit der sicheren Azure-Umgebung von Microsoft eingeführt wurde. Dieses Tool nutzt RAG, um sicherzustellen, dass Antworten auf soliden Daten basieren und das Risiko von Halluzinationen minimiert wird. Durch die Kombination strukturierter Finanzdaten mit unstrukturierten Daten aus verschiedenen Quellen konnten umfassendere und genauere Analysen erstellt werden.
Die praktischen Anwendungen dieser Werkzeuge sind vielfältig. Beispielsweise können Finanzanalysten nun detaillierte Kreditrisikobewertungen in einem Bruchteil der bisher benötigten Zeit erstellen. Durch die Automatisierung des Datenabrufs und der ersten Analyse können sich die Analysten auf komplexere und differenziertere Aspekte ihrer Arbeit konzentrieren, was letztlich zu einer besseren Entscheidungsfindung führt.
Mit Blick auf die Zukunft ist die Beherrschung grundlegender Prompting-Fähigkeiten von entscheidender Bedeutung, um auf anspruchsvollere KI-Anwendungen vorbereitet zu sein. Dazu gehören die Erstellung umfassender Berichte, die Erstellung anspruchsvoller Präsentationen und die Entwicklung maßgeschneiderter Analysen, die auf spezifische Bedürfnisse zugeschnitten sind. Moody’s erforscht auch die Integration von KI in verschiedene Plattformen, einschließlich Tools für die Portfolioüberwachung und benutzerdefinierte Warnmeldungen, um den Nutzen von KI im Finanzbereich weiter zu erhöhen.
Die Entwicklung von KI im Finanzsektor
Künstliche Intelligenz wird im Finanzsektor schon seit geraumer Zeit eingesetzt. Zu den ersten Anwendungen gehörten die optische Zeichenerkennung (OCR) zur Digitalisierung von Papierdokumenten und grundlegende Algorithmen des maschinellen Lernens für Finanzprognosen. In den letzten zehn Jahren hat sich die Entwicklung der künstlichen Intelligenz jedoch dramatisch beschleunigt, wobei GenAI den jüngsten Sprung nach vorn darstellt.
Der grundlegende Unterschied zwischen früheren KI-Anwendungen und GenAI liegt in der Fähigkeit, menschenähnlichen Text auf der Grundlage von Kontext und Wahrscheinlichkeit zu generieren. Während herkömmliche KI Daten verarbeiten und analysieren kann, ist GenAI in der Lage, neue Inhalte zu erstellen, den Kontext zu interpretieren und Erkenntnisse in Form von Gesprächen zu vermitteln. Dies eröffnet neue Möglichkeiten für die Automatisierung und Verbesserung verschiedener Prozesse im Finanzsektor sowie in einer Reihe anderer Branchen wie Marketing, Content-Erstellung und Handel, um nur einige zu nennen.
Natürlich bringt die Integration von GenAI in unsere Arbeitsweise, wie bei jeder transformativen Technologie, auch einige Herausforderungen mit sich. Zwei große Bedenken, die häufig geäußert werden, sind der Datenschutz und die Möglichkeit, dass KI falsche oder unsinnige Informationen generiert, die als Halluzinationen bezeichnet werden.
Bei Moody’s wurde sich diesen Herausforderungen direkt gestellt. Um den Datenschutz zu gewährleisten, wurde eine Partnerschaft mit Microsoft eingegangen, um eine sichere Umgebung für KI-Tools zu schaffen. Durch die Nutzung der Azure-Infrastruktur von Microsoft wurde sichergestellt, dass alle von KI-Modellen verwendeten Daten geschützt sind und vertraulich bleiben.
Um das Risiko von Falschmeldungen zu minimieren, sollten strenge Datenmanagementpraktiken angewendet werden. Durch den Einsatz von RAG kann sichergestellt werden, dass die KI nur auf verifizierte und relevante Daten zugreift, wodurch die Wahrscheinlichkeit falscher Ergebnisse verringert wird. Darüber hinaus werden Datensätze kontinuierlich aktualisiert, um sicherzustellen, dass die von der KI verwendeten Informationen aktuell und korrekt sind.
Für Moody’s ist es wichtig, dass die Nutzer verstehen, dass GenAI zwar unglaublich leistungsfähig ist, aber menschliches Fachwissen nicht ersetzen kann. Stattdessen stellt sie uns Werkzeuge zur Verfügung, mit denen wir die menschlichen Fähigkeiten erweitern können. Beispielsweise könnte ein Analyst GenAI nutzen, um einen ersten Entwurf eines Finanzberichts zu erstellen. Die KI kann Daten abrufen, Diagramme erstellen und die wichtigsten Punkte zusammenfassen. Der Analyst überprüft und verfeinert dann den Bericht und fügt Erkenntnisse und Interpretationen hinzu, die nur ein Mensch liefern kann. Diese Zusammenarbeit zwischen KI und menschlichem Fachwissen führt zu genaueren Berichten, die in kürzerer Zeit erstellt werden, ohne dass die Qualität darunter leidet.
Die Zukunft von GenAI im Finanzbereich
Sie haben es bereits gehört, aber es lohnt sich, es zu wiederholen: Die potenziellen Anwendungen von GenAI im Finanzbereich sind vielfältig und entwickeln sich ständig weiter. Die Menschen haben gerade erst begonnen, an der Oberfläche dessen zu kratzen, was möglich ist. Künftige Entwicklungen könnten ausgefeiltere KI-gesteuerte Risikobewertungsinstrumente, verbesserte Kundendienstanwendungen und sogar stärker integrierte KI-Systeme umfassen, die komplexe Finanzmodelle und Szenarioanalysen durchführen können. Von der Automatisierung von Routineaufgaben bis hin zu anspruchsvolleren Analysen ist GenAI auf dem besten Weg, ein unverzichtbarer Verbündeter in einem professionellen Werkzeugkasten zu werden.
Quelle: Moody´s, 26. Juni 2024.
