Für renommierte Kreditinstitute wie die DKB ist die Reputation ein wichtiger Wirtschaftsfaktor. Auch im Prozess einer Kreditvergabe spielt sie eine wichtige Rolle. Die DKB möchte sichergehen, Kredite an vertrauenswürdige Unternehmen zu vergeben, die verantwortungsvoll wirtschaften.

Die DKB hat erkannt, dass hier noch Technologiepotenzial vorhanden ist, um den Prozess der Kreditentscheidungen zu verbessern. Denn ein DKB Bankberater muss oftmals in kurzer Zeit entscheiden, ob ein Firmenkunde einen Kredit erhält. Nur so stimmt die Customer Experience.

Aber wie können in kürzester Zeit öffentlich zugängliche Informationen über ein Unternehmen in die Kreditentscheidung einbezogen werden?

Der Bankberater benötigt eine Softwareanwendung, die ihm assistiert. Das funktioniert so: Der Bankmitarbeiter gibt den Firmennamen in die Softwareanwendung ein. Die Anwendung durchsucht Millionen an Informationen zum Unternehmen (z.B. durch Kommentare, Nachrichtenartikel oder Posts) aus öffentlich zugänglichen Quellen wie Twitter, Facebook oder t-online. Die Anwendung macht dann eine Sentiment-Analyse mithilfe von AI-Modellen (z.B. BERT, verwandt mit GPT) und gibt dem Bankberater eine Indikation:

• “70% Negativ”
• “20% Positiv”
• “10% ambivalent”

An dieser Stelle ist es wichtig zu erwähnen, dass die Ergebnisse der Sentiment-Analyse nur als Richtwerte genutzt werden. Nuancen, wie bspw. Ironie und Übertreibung können nicht erfasst werden. So geht es in diesem Schritt hauptsächlich darum, öffentlich bekannte Muster eines Unternehmens zu erkennen. Beispiel: Die Sentiment-Analyse gibt eine vorwiegend negative Indikation. Daraufhin nutzt der Bankberater die von der Software zur Verfügung gestellten Quellen zur genaueren Recherche und erfährt mehr zu den Hintergründen der öffentlich geteilten Nachrichten. Auf diese Weise kann die DKB - im Zusammenspiel mit allen anderen verfügbaren Informationen - ihr Risiko in der Kreditvergabe minimieren.

Dieses Ergebnis ist lediglich ein Teil der Informationen, die er in die Kreditentscheidung einbeziehen kann. Durch die Softwareanwendung wird dieser Schritt innerhalb der Risikobeurteilung beschleunigt. Denn der Bankberater muss sich nicht eigenständig durch sämtliche Quellen suchen. Er kann die generierten Ergebnisse in seine Analyse einfließen lassen und darauf aufbauen. Je besser ein Bankberater seine Kunden kennt, desto besser kann er sie beraten.

Klingt die Umsetzung nicht simpel? Ja, das denken wir auch. Doch das war nicht immer so. Genauer gesagt ist der Aufwand der Umsetzung erst seit Dezember 2022 sehr niedrig. Warum? Im Dezember 2022 wurde ChatGPT veröffentlicht. Und auch hier findet es, bzw. BERT (die Schwester von GPT), seine Verwendung. BERT steht für “Bidirectional Encoder Representations from Transformers" - eine von Google entwickelte und im Jahr 2018 vorgestellte Technik des maschinellen Lernens und Pretrainings von Transformer-basierten Natural-Language-Processing-Modellen (NLP-Modelle).

Aber nochmal einen Schritt zurück: Warum war es pre-GPT überhaupt so schwierig, diesen Use Case technisch umzusetzen?

Was wir hier brauchen: Ein Modell, das zuverlässig genug angibt, ob ein Text positiv, negativ oder neutral verfasst ist.

"Konventionell” hätte man den Case z.B. mit einem Natural Language Processing Ansatz bearbeitet, also ganz "oldschool" mit Python und der NLTK Programmbibliothek.

Alternativ hätte man sehr mühselig sein eigenes Modell trainieren müssen. Das sind genau die Ansätze, die extrem viele Daten, Zeit und KI-Experten erfordern. Auch die Ergebnisse in unserer Kurzvalidierung waren alles andere als vielversprechend. Man hätte vermutlich schnell den Case wieder verworfen oder wäre in eine kostspielige Falle mit hohem (Selbst-)Trainingsaufwand getappt.

Aber zum Glück gibt es BERT. Dadurch haben wir in wenigen Minuten sehr vielversprechende Ergebnisse out of the box erhalten. Es war klar: Der Case funktioniert und der Aufwand wird gering sein. Was bleibt ist: Zusammenstecken, Implementieren, Prompt Engineering und Ausliefern - alles Dinge, in denen SIDESTREAM sehr gut ist.