 Dann darf ich Sie erstmal ganz herzlich willkommen heißen und muss mich bei unseren vier Referenten ganz herzlich bedanken, weil ich glaube, es ist nicht selbstverständlich erstens, dass sozusagen vier Referenten zu einer Antrittsvorlesung sozusagen noch wirklich exzellente Vorträge halten und wirklich gerade in diesem Themengebiet, also künstliche Intelligenz und Finanzwirtschaft. Und wir werden mit Dr. Jan Peter Schmütch anfangen, weil der eben auch sehr viel beschäftigt ist und schon um drei wieder auf den Flieger muss und weiter fliegt. Und Jan Peter wird sprechen zum Thema Künstliche Intelligenz in der Steuerung von Finanzkonzernen, Einblicke aus der Praxis. Jan Peter ist Project Leader bei der Posten Consulting Group, er ist in der Financial Institutions Praxisgruppe tätig und fokussiert dabei vor allem auf die Unternehmenssteuerung und in Kombination mit Digitalisierung und Regulierung. Er hat auch eine Dissertation geschrieben zum Thema Financial Analysts, Forecasts, Lessons from the Crisis und wir sind gespannt, was du heute zu berichten hast. Ja, vielen Dank für die freundlichen Einführungsworte. Entgegen jeder Beratungspraxis ist das Motto ja hier Over Promise Under Deliver, also wir hoffen, dass wir das nicht wahrmachen müssen. Ich habe die Freude quasi den ersten Vortrag heute im Workshop hier zu KI und deren Verwendung im Finanzsektor einleiten zu dürfen. Wir haben mit der KI, also der künstlichen Intelligenz etwas ganz besonderes vor uns, das allerdings gar nicht so frisch ist. Das heißt schon seit 50, 60 Jahren mindestens gibt es Gedankenspiele, wie man eben auch nicht mechanische Arbeit, Gedankenleistung automatisieren oder durch Maschinen übernehmbar gestalten kann. Die digitale Revolution heißt vor allem, wir haben mehr Rechenpower, die können wir erstmals über Cloud Services auch an jedem Ort der Welt einsetzbar machen. Was man damit machen kann, wollen wir heute ein bisschen beleuchten, wenn wir über Finanzkonzerne und damit meine ich jetzt Banken und Versicherungen, alle beide, wenn ich immer davon spreche, uns anschauen, geht es einmal darum, naja, wer kann die KI einsetzen? Will ich einmal kurz auf die Fintechs eingehen, die vielleicht einige von Ihnen ins Auge gefasst haben für die Zukunft, vielleicht gegenwärtig schon im Austausch mit denen sind oder auch dort arbeiten. Zum Zweiten eine Abgrenzung vornehmen, was wir mit KI eigentlich meinen, welche Formen der KI, schwache, starke KI wir überhaupt verwendbar finden. Und letztendlich habe ich noch aus meiner eigenen Arbeitserfahrung nochmal ein Beispiel mitgebracht, was kann man damit wirklich machen? In dem Sinne fangen wir mal an mit den Fintechs. Viele Banken kriegen das große Schlottern, viele Vorstände von Banken fragen sich, ob ihre eigenen Geschäftsmodelle obsolet werden. Das ist eine Darstellung, die die Deutsche Bank in ihrem eigenen Inkubator hochhält. Aber ich glaube, die verdeutlichen noch etwas ganz anderes Banken, müssen vielleicht gar keine Angst vor den Fintechs haben, aber vor dem, was hinter den Fintechs lauert, also die großen Anbieter aus Kalifornien oder der Westküste, Apple, Amazon, Google, Facebook, weitere Vertreter, die Plattformcharakter haben und etwas anbieten oder etwas darstellen, das es so noch nicht gegeben hat. Das ist eigentlich nur so eine kleine Rahmenwirkung, in der wir das beobachten können. Fintechs sind also nicht grundsätzlich etwas Böses aus Sicht von Konzernen, mit denen ich jetzt auch relativ viel zusammenarbeiten darf. Ganz im Gegenteil, Fintechs oder das, was sie darstellen, können auch einen Dino, auch einen großen Tanker, wie eine große Bank oder eine große Versicherung, in die jetzt Zeit katapultieren. Plattformen wiederum haben einen ganz anderen Ansatz. Und warum das so ist, habe ich versucht mal mit einem Bild klarzumachen. Auf der linken Seite habe ich ihn einmal abgetragen, wie die Welt heute eigentlich funktioniert. Und das ist ziemlich einfach gedacht, stellt sich jeden dieser Silo-Feile dort vor wie eine einzelne Bank. Da gibt es etwas, was angeboten wird, und zwar an die Kundenschnittstelle. Ob das jetzt eine einzelne Bankfiliale ist, ob das eine Webseite oder eine Banking-App ist, ist eigentlich vollkommen egal. Jedes dieser Institutionen hat seine eigene Schnittstelle zu ihnen. Was angeboten wird, sind Produkte, seine Sitzkredite, einzelne Versicherungen, Sparbücherkonten. Die Produktvielfalt ist bekanntermaßen groß. Und jedes dieser einzelnen Häuser hat eine eigene Infrastruktur. Dankenswerterweise, aus Berater Sicht vielleicht gesprochen, ist das teilweise aus den 70er Jahren kommt. Fast jede Bank, jede Versicherung, die sie heute als Geschäftspartner haben oder auch als Privatkunde nutzen, funktioniert mit einem System, einem Matchsystem, das 30, meistens 40 Jahre alt ist. Das hat ja Gründe, warum wir sie eine Google-Anfrage stellen, sie innerhalb von in einem Bruchteil einer Sekunde Millionen Ergebnisse haben. Aber bei einer Bank einen bis zwei Werktage darauf warten müssen, dass ihre Überweisung angekommen ist. Glauben Sie mehr, es ist nicht komplizierter, eine Überweisung zu tätigen, als eine Anfrage bei Google zu stellen. Deswegen haben Banken alleine durch das, was sie auszeichnet, nämlich diese Erblast der Computersysteme, eine gewisse Angst und eine gewisse Schwerfälligkeit. Und zum zweiten sind sie natürlich durch Regulierungen gebunden. Sie können nicht komplett im rechtsfreien Raum. Wir haben zwei Juristen noch auf der Bank hier sitzen, die werden das sicherlich nochmal ausleuchten, agieren. Was passiert nun durch die neuen New Entrance in diesem Markt? FinTechs, InsureTechs, weitere neue Wettbewerber. Es ist nicht Gott gegeben, dass diese Pfeile so ausschauen, wie sie dort stehen. Das heißt, es sind verschiedene Neukombinationen möglich. Ich habe das hier einmal abgetragen. Es könnte sein, dass alleine dieses Kundeninterface neu gestaltet wird, dass ein Kunde nicht mehr alleine auftritt, sondern über eine Plattform nur noch interagiert. Denken wir beispielsweise an Facebook, würde Facebook alle Daten, Skandale etc. Jetzt mal beiseitegeschoben. Kleinstkredite anbieten oder Amazon tut es beispielsweise schon heute in den USA, dass jeder der dort registrierten Kleinstreesteller 8.000 bis 100.000 Dollar bei Registrierung zugesagt bekommt als Sofortkredite, wenn er sie denn nutzen möchte. Da ist keine Bank mehr zwischen. Amazon hat hunderte von Milliarden in Cash herumliegen und kann die letzten Endes freigeben. Das ist noch nicht mal mehr Intermediär zu einer Bank. Das ist wie eine Bank. Es ersetzt die Bank. Das könnte auch sein, dass die Produkte, die Banken vorher selbst angeboten haben, sind wir in dieser mittleren Ebene komplett von anderen angeboten werden. Das heißt, wenn wir uns ein Fintech vorstellen, das ein spezielles Produkt vertreiben lässt, dann kann es das neue Dings überschnittstellen. Man denke nur an die PSD2-Regularie, die eben auch Schnittstellen jetzt auch im privaten und Geschäftsumfeld ermöglicht, nutzbar machen. Der dritte Punkt, und das ist sicherlich die Angst, die Banken am meisten umtreibt, ist die, sagen wir mal, Disintermediation. Was damit nicht anders gemeint ist, ist, die Bank verkommt zu einer bloßen Infrastrukturmaschine und verliert das, was nachher in einem Gewinn umsetzbar ist, nämlich den Bezug zum Kunden. Das heißt, wird abgeschnitten mit ihren eigenen Produkten und der Kundenbindung hin zu einem bloßen, ja, einer Buchungsmaschine, die reguliert ist, die sicher ist, aber die nicht spannendes machen kann. Wenn man sich die Bankenlandschaft anguckt, N26 ist vielleicht ein Begriff. Das heißt, eine reine Onlinebank, die allerdings auch einen Aggregationsansatz mitfährt. Mittlerweile war man in der rechtlichen Grauzzone, ob das überhaupt möglich ist. Alle Kunden, die es vorhanden sind, sich gesamthaft anzeigen zu lassen. Die Deutsche Bank bietet sowas mittlerweile auch an, eben auch durch diese PSD2 ermöglicht worden. Es sind aber ganz unterschiedliche Konzepte. Und je nachdem, in welches dieser Geschäftsfelder wir reingucken, sehen wir, dass die schiere Anzahl an Möglichkeiten durch Nutzung neuer Technologien zu Tage tritt. Ein ganz spannendes Beispiel ist, beispielsweise auf der Transaction Banking Seite ist die Firma Barzahlen mit aufgeführt. Barzahlen bietet einen Service an, der es erlaubt, auch ohne Besitz einer Kreditkarte einkaufen zu können. Das heißt, sie wählen als Zahlungsoption eben nicht die Direktüberweisung oder Nachname oder die Kreditkarte an, wenn sie in einem Onlinehandel unterwegs sind, sondern können zu Rewe, zu DM, zu anderen fest installierten Kassensystemen gehen und dort mit Bargeldzahlen. Eine, sagen wir mal, virtuelle Rechnung wird mit echten Geld bezahlt. Das ist ein Konzept, das funktioniert vor allem in Deutschland, das Misstrauen gegenüber allem, was nicht Bargeld ist, besonders ausgeprägt ist. Aber es ist da und es ist auch schon seit Jahren da. Spannendere Systeme sind sicherlich Firmen wie Cabbage, Firmen wie SumUp. SumUp ist hier unter Corporate Banking eingetragen. Sie könnten es aber auch wahrscheinlich in der Zahlungsdienstebranche mitverorten. Sie haben kleine Aufsteckgeräte, die auf jedes Smartphone passen. Das heißt, jeder Taxifahrer, der vorher immer sich geweigert hat, eine Kreditkartenzahlung zu akzeptieren kann plötzlich, weil es eben nicht mehr 5% Gebührkoste, sondern nur noch 0,1% Gebühr mit ihnen eine Kreditkartenzahlung wahrnehmen. Das heißt, oligopolisierte Märkte neben Banken bzw. auch von Banken mitbedientem Märkte werden plötzlich aufgebrochen. Wenn Banken nun vor Fintechs stehen und ich sage, Banken müssen gar keine Angst vor Fintechs haben, hat das folgende Gründe, das Ganze ist ein neues Ökosystem und es handelt sich dabei auch um ein Ökosystem, in dem die Banken sich nicht, sagen wir, dualieren mit Fintechs oder nicht zwingend. Hoffentlich tun sie es manchmal, aber es ist nicht gesagt, dass sie es tun müssen, sondern sie können sich auch verbünden. Und es sind ganz unterschiedliche Arten und Weisen dieser Bündnisse beobachtbar. Das könnte eine direkte Beteiligung sein. So hat es zum Beispiel die Firma Goldman Sachs, eine große Investmentbank aus den USA, die Firma Honest Dollar. Das ist ein, sagen wir mal, altersvorsorge Start-up gewesen erworben und damit echt gekauft, sich also diese Firma einverleibt. Vielleicht eine große Traum, viele Start-up-Unternehmer gründen, drei Monate warten, das Ding skalieren, wie es so schön heißt, auf Neudeutsch und das dann verkaufen. Aber diese Geschichten gibt es auch und gerade in dieser Branche, was erklärt das mittlerweile der größte Betrag in der, sagen wir mal, in der Venture Capital Branche, in genau diesen Bereich fließt. Das heißt, Fintech-Finanzierung. Es sind aber auch, dass sich um ganz reguläre Unternehmen handelt, normale Kooperationen, die vertraglich abgesichert sind, möglich. Beispiel sei Haftzahl hier genannt, die Scotiabank aus Kanada oder die ING aus Holland, die mit der Firma Cabbage zusammenarbeiten. Cabbage ist ein Start-up aus den USA, die eine, sagen wir mal, für fast Paycheck-Finanzierung, wenn es sich jetzt nicht um kleinste Unternehmer handeln würde, für eben kleine Händler aus Städten anbietet. Manchmal macht sich die Bank aber auch selber quasi das Leben schwer und geht in die Rolle des Inkubators. Der Inkubator meint nichts anderes als eine Ressourcenausstattung, räumliche Ausstattung, Know-how-Ausstattung zu schaffen, also eine Umgebung, in der dieses Start-ups und Fintechs herangezüchtet werden können. Die Commerzbank hat beispielsweise in Deutschland etwas derartiges auf die Beine gestellt. Daneben gibt es auch etwas unverbindlichere Konstrukte. Die Deutsche Bank hat zwar auch ein, sagen wir mal, eine Digital Factory, die besteht aber nicht zwingend daraus, dass die Deutsche Bank diese Unternehmen auch alle finanziert. Bevor ich jetzt eigentlich nochmal darauf eingehe, was letztendlich das künstliche Intelligenz für uns in der Finanzbranche dann bedeuten kann oder wo sie verwendbar ist, will ich Ihnen eigentlich nur nochmal zeigen, wo diese Unternehmen ansetzen können. Und das ist so, wie es vor 20 Jahren im neuen Markt gewesen ist, wie es alle klassischen Internetfirmen versuchen oder auch Online-Händler klassischerweise machen. Es geht darum, eine sogenannte Wertschöpfungskette zu nehmen, die einzelnen Schritte durchzugehen und versuchen, sie mit einem Mehrwert zu ersetzen oder ganz überflüssig zu machen. Was auffällt ist, dass fast alle, diese oben sind so eine kleine Strukturierung damit drin, einen ganz engen Kundenbezug haben. Das ist in einer regulierten Branche gar nicht ungewöhnlich. Die eigentliche Tätigkeit, die streng reguliert ist und auch lizenziert werden muss, das ist der Teil, der später unter einer Decision Funding oder Management Support Teil hier stehen würde, wird fast ausschließlich nachher von Banken. Sie erinnern sich, ich hatte vorhin von, sagen wir mal, der Infrastruktur-Maschine, die unten drunter liegt gesprochen, weiterhin wahrgenommen wird. Aber das Kunden-Interface ist das, wo das Geld nachher verdient wird. Sonst verkommt man und Herr Friedlein muss man das nachsehen, zu einem reinen Energie-Lieferanten und ist vielleicht das E-Werk, mit dem kann man auch Geld verdienen, aber spannender mag es ja doch sein, neue Werte anzubieten und auch eine große Marge darauf einzufangen. Das nur überblickhaft für uns oder für den Vortrag hatte ich versprochen, auch nochmal auf die künstliche Intelligenz, auf Englisch war es die Artificial Intelligence einzugehen. Und bevor wir das tun, müssen wir das glaube ich abgrenzen gegen die anderen Begriffe, die fast immer simultan genannt werden. Es ist einmal das Thema der Robotic Process Automation, RPA, das ganze Thema Datenerfassung und ich will diesen Vortrag auch mit der Hypothese im Kapitel eigentlich verknüpfen, dass das die größte Herausforderung für Unternehmen, um diese künstliche Intelligenz nutzen zu können, das Thema Datenerfassung ist. Das eigentliche Thema der Nutzung und Verwertung steckt dann in der künstlichen Intelligenz, so den maschinellen Lernen. Die Blockchain-Technologie habe ich heute nicht weiter im Fokus, aber ich habe mir schon auf der Bank eben sagen lassen, das wird Ihnen noch zu teil werden. Wenn wir den Raum uns dann aufspannen, haben wir genau diese Themen, Datensammlungen, Datenverarbeitung und tatsächliche Handlungen, die dahinter steht vor uns. Ich habe alles, was ich persönlich jetzt unter diesem Begriff Machine Learning sehe, einfach mal Geld eingefärbt, daneben gibt es eben vor allem diese Datenerfassungsthemen. Bei Datenerfassungsthemen ist ein sehr großer Bereich Natural Language Processing, das heißt, sie reden am Telefon mit einem automatischen Ansage und die versteht das, vielleicht einigen bekannt aus dem Telefonbanking, oder wenn man versucht bei der deutschen Bahn irgendwo hin durchzukommen. Ganz spannend und erst mit AI basierten Tools möglich, sind diese Themen, die oben rechts mit genannt sind. Optical Character Recognition ist nicht zwingend neu, ist aber sehr viel besser geworden. Was meint das? Stellen Sie sich vor, eine Versicherung verkauft seit 100 Jahren Versicherung, die meisten im Bestand, gerade im Lebensversicherungsbereich sind 20, 30 Jahre alt, mit ein bisschen Glück, gab es mal Anfang des Jahrtausendsten Initiative, Papier und mikrofilmbasierte Verträge elektronisch zu erfassen. Das macht sie aber noch nicht auswertbar. Das heißt, Sie haben so etwas wie ein eingescanntes PDF, wenn Sie Glück haben, da drin. Wenn Sie Pech haben, ist das Ganze schon 30 mal kopiert worden und kaum noch lesbar. Sie müssen sich dieses Optical Character Recognition wie ein Lesen vorstellen, quasi nicht lesbar oder nur schlecht lesbar. Manchmal ist immer noch Kopie einfach draufgeschrieben im Hintergrund. Es ist dem Menschen immer schnell klar, dass das Kopie nur im Hintergrund steht, aber eine Maschine klar zu machen, dass das nur ein Wasserzeichen ist, ist gar nicht so leicht. Aber das ist mittlerweile lösbar über neuronale Netze, die das erlernen können, das gewisse Buchstaben so und so aussehen. Und wenn es eine Farbänderung gibt oder etwas dahinter liegt, das ausblenden können. Sie haben jetzt quasi die Möglichkeit, das ist ein sehr einfaches Beispiel, auf der Seite, wo Kopie hinten drauf steht, das Kopie rauszuholen und dann über weitere und dann sind Sie in diesem Bereich der Robotic Process Automation. Zeichenerkennung von, also reguläre Zeichenerkennung ist in der IT gar nicht unbekannt, das können Sie in jeder Tabellenkalkulation durchführen, quasi diese Standardtechniken anzuwenden. Wenn Sie sich das Ganze wie eine evolutionäre Entwicklung vorstellen wollen, haben Sie zu Beginn natürlich das, was immer noch am schnellsten geht und wo die meisten Unternehmen mal angefangen haben, die heute in der Finanzbranche unterwegs sind, da wurde manuell gearbeitet. Alles, was manuell ist, in einem Prozess folgt, hat eine gewisse Struktur, das können Sie durch eine Maschine durchführen lassen. Ein Beispiel, sagen wir mal ein Kontotagesabschluss durchführen, das kann jede Maschine auch machen. Oder eine Buchung durchführen, dafür gibt es eine Buchungsmaschine, das ist nichts anderes, als was Sie automatisieren können. Spannend, da wird es jetzt, wenn Sie echte Entscheidungen durchführen müssen. Beispiel, Sie haben eine Poststelle, die erhält, schreiben in E-Mail-Form, als allgescante Dokumente, als echte Briefe und soll letzten Endes herausfiltern, naja, was ist denn hier eine Beschwerde? Eine Beschwerde wird anders verfahren als mit einem Neuantrag, was davon ist, sagen wir mal, ein Dankes schreiben oder eine Kündigung. Sie haben also eine Kategorisierungsaufgabe. Wenn Sie eine Maschine bei Freitext erlauben herauszufinden, was ist denn davon eine Kündigung, was davon ist ein Neuauftrag, was davon ist ein Dankes schreiben, es gibt nur, sagen wir mal, endlich viele Kategorien, in denen diese Prozesse ja auch denken, können Sie eine gewisse Effizienzsteigerung dort erreichen. Und dieses Lesen und in Anführungsstrichen Verstehen von Texten wird natürlich auch erst dadurch möglich, dass Sie einer Maschine oder einem neuronalen Netz das beigebracht haben. Um das zu erlangen, müssen Sie quasi ein schon vorkategorisiertes Set an Daten oder an Briefen haben und können letzten Endes sagen, so sieht eine Kündigung aus, zeigen der Maschine 10.000 Kündigungen und die erkennt, dass da ganz häufig das Wort unzufrieden oder ich werde wechseln oder ähnliches drin auftaucht. Was die Maschine damit aber wirklich macht und wie die Maschine zu dem Schluss kommt, dass das Ganze eine Kündigung ist, ist nicht zwingend verständlich. Wir haben also quasi, ich habe so ein kleines Gehirn, sehen Sie da am Chip, das ist wie ein menschlicher Kopf, da können Sie auch nicht reingucken. Das ist eine Black Box, in die Sie sich dort geschaffen haben. Sie können nachher nur überprüfen, machten das Ergebnis, vor dem Sie stehen sind. Also können quasi sich aus der Rückschau anschauen, von 100 Kündigungen, von denen die Maschine behauptet hat, das sei eine Kündigung, wieviel davon sind tatsächlich Kündigungen. Und mittlerweile schaffen Sie gerade auch bei diesen komplexeren Aufgaben, die formalisch ausschließlich von Menschen handhabbar waren, raten deutlich nördlich von 90 Prozent. Das heißt, Sie müssen nur noch eine Qualitätssicherung durchführen und müssen quasi Menschen nicht mehr mit diesen dennoch eigentlich energierenden Standardaufgaben aufhalten. Ich will nur kurz sagen, wo könnte das jetzt Eingang finden und dann würde ich ein kurzes Beispiel vorstellen, wo eine sehr komplexe Aufgabe von uns mit einer künstlichen Intelligenz eingegangen wurde. Zum Beispiel PayPal ist ein Begriff, denke ich, oder immer noch ein Begriff. Durch eBay mit groß geworden, mittlerweile davon separiert, rühmt sich vor allem der Tatsache, dass es sicherer sei als andere Überweisungswege, fälschungssicherer. In der Tat ist es um den Faktor viel besser als eine normale Bank. Das heißt, es hat eine Betrugsquote von deutlich unter dem halben Prozent aller Transaktionen. Wie gelingt das und wie gelingt es auch, weil der Betrüger ja, der Betrüger mal abstrakt gesprochen, auch nicht stehen bleibt. Das gelingt durch einen selbstlernenden Algorithmus, also eine künstliche Intelligenz dahinter, die aus verschiedensten Informationen gespeist wird und Betrugsfälle oder Muster dahinter erkennen kann, ob das jetzt bestimmte IP-Adressen sind, ob das bestimmte Angriffswege sind, Ähnliches. Das kann quasi durch einen selbstlernenden Algorithmus besser abgedeckt werden, schneller abgedeckt werden, gerade bei einer so großen Anzahl in Transaktionen, wo das abstrahiert werden kann. Last but not least möchte ich Ihnen nach diesem Tour de Fortschritt quasi durch was es möglich ein abstraktes oder ein sehr konkretes Beispiel mitbringen, um das noch ein bisschen fühlbarer zu machen. In Versicherungen gibt es das Problem, ich hatte schon davon gesprochen, Eingangs, dass die meisten Systeme 30, 40 Jahre alt sind, in Kobol geschrieben. Weiß nicht, wie viele von Ihnen noch die Sprache Kobol kennen. Das ist so ein Spaghetti-Code, also wenn Sie sich das austoben, das können Sie kaum lesen. Das ist nicht wie ein Python einfach untereinander gefasst. Das ist einigermaßen komplex. Es gibt auch kaum noch Leute, die das in der einzelnen Häusern abarbeiten können. Was macht man? Man migriert Datenmigration von einem alten, meist Kobol-basierten System auf was modernes, der Firma SAP, andere Anbieter sind auch im Markt tätig. Dieser Migrationsprozess, gerade in der Versicherung, geht einher damit, dass gewisse Tarife, die es vorher gab, wieder angelegt werden müssen. Da gibt es bestimmte Vorgaben. Der Kunde darf beispielsweise nicht schlechter gestellt werden. Sie dürfen sich auch nicht reichrechnen dadurch. Sie haben gewisse Parameter, die optimiert werden müssen. Optimierung ist schon immer gut. Wenn Sie was optimieren können, können Sie es meistens auch automatisieren. Wie hat man das in der Vergangenheit gemacht? Da fast niemand mehr da gewesen ist in diesen Firmen, der früher mal die Versicherungskontakte gebaut hat, müssen Sie einen anderen Weg finden. Meist hat man traditionell gesagt, mit dem Aktuare, also wir reden jetzt auch nicht von einfacher Sachbearbeitungstätigkeit, sondern von hochspezialisierten Mathematikern, die versuchen sollen, den Vertrag oder die Mathematik, die dort hintersteht, nachzubilsen und die neue Maschine einzusetzen. Kann man so machen. Führt dazu, dass dieses Verfahren langwierig ist, meist vier bis fünf Jahre dauert und Dutzende dieser hochspezialisierten Mitarbeiter verwendet. Was Sie aber auch machen können, ist sagen, na ja, wenn ich eine neue Maschine habe und dort in Voreinstellungen schon verschiedene Vertragstypen sind, dann kann ich dazwischen eine künstliche Intelligenz setzen und dieser künstlichen Intelligenz sagen, was Sie optimieren soll, welche Grenzen Sie nicht verlassen darf und Sie mögen doch bitte für die alten Verträge den bestmöglich passenden finden, mit der geringsten Abweichung. Das sind meist, ja, also selbst wenn Sie, wir haben es mal geschätzt für hier einen Bestand, das war ein Probebestand von 10.000 Polisen, Sie kamen auf eine Rechenleistung, wenn Sie alle durchtesten wollten, so wie man das früher mal gemacht hätte, würde auch der leistungsstärkste Computer, den Sie gefunden haben, um die zehn Jahre damit befasst sein, nichts anderes zu machen, als rauszufinden, was ist denn die beste mögliche Kombination. Aber Sie können ja einen selbstlernen Algorithmus verwenden und eine intelligentere Rechnung aufmalen. Und was diese intelligentere Rechnung macht, ist, wir haben hier uns verschieden algorithmen Typen, entweder ich hatte vorhin von der echten KI gesprochen oder, sagen wir mal, einem neuronalen Netz, das sich selber Dinge beibringt, dann geben Sie eben einen Lern-Set und das weiß schon, was richtige Lösungen sind oder Sie geben ihm etwas Schwächeres und erlauben Sie sich nach und nach zu optimieren. Das könnte man linear machen, aber auch sprunghaft machen, in dem Fall durch einen sogenannten evolutionären Algorithmus, wo, wie es Darwin auch gesagt hätte, immer mal wieder was Neues reingekreuzt wird, also eine Mutation reinkommt und geschaut wird, ob das in der neuen Generation besser funktioniert als in der alten Rechnung. Das hatte ich Ihnen gerade erzählt. Wenn sich das Ergebnis dann angeschaut wird, so soll das nachher mal ausschauen. Dann habe ich Ihnen jetzt hier quasi einmal wie würde so eine Rechnung funktionieren, das ist letzten Endes ein Durchlauf, dann über Nacht gewesen. Es gibt einen Risikokostenbeitrag, es gibt einen Verwaltungskostenbeitrag in der Versicherungsmathematik, dessen Größen die optimiert werden sollen und die man frei wählen kann, Kombinationen daraus. Und rechter Hand steht etwas, was optimiert werden soll, und zwar eine durchschnittliche oder gewichtete Abweichung. Ziel wäre es jetzt, eine Kombination zu finden, die diese gewichtete Abweichung Richtung Null führt und dann kann man sich anschauen, wie so ein Algorithmus, der sich pö ab pö selbst lernt, quasi optimiert, wie das vonstatten gehen würde. Und jetzt Moment of Truth, ich hoffe, das funktioniert dieses Video. Sehen Sie wieder oben, die Generation durchgezählt wird, eine Generation ist nichts anderes als die Kombination dieser Variable und es wird immer wieder geschaut, passt das denn besser als das Alte. Und da Sie nicht alles in einer Reihe durchrechnen, sondern schon gute Lösung akzeptieren lassen und dann einfach nur durch Zufällig im Reinkreuzung schauen, passt es besser, haben Sie eine Selbstoptimierung da drin. Das ist ein, in seiner Anwendung ein sehr konkretes Beispiel für eine künstliche Intelligenz. Es ist in seiner Schlagkraft gewaltig, weil ein derartiges Verfahren etwas überflüssig macht, wofür, ich nehme jetzt einen namhaften, großen deutschen Versicherer, über 100 Millionen Euro sonst eingeplant worden wären über den Zeitraum von fünf Jahren und dass was diese Maschine, dieses einmal filmhaft abbildet, leisten kann, ist ein Bruchteil davon oder ein Bruchteil dieser Aufwände, ein mindestens genauso gutes Ergebnis heranführen. Also wenn Sie noch die Möglichkeit haben, umzusatteln, lernen Sie Python oder machen Sie es direkt. Ganz herzlichen Dank und freue mich auf Ihre Fragen. In dem Fall ist es, also Datenerfassung habe ich ja gesagt, das ist das größte Problem, glaube ich. Bei der konkreten Anwendung, die wir dort hatten, ist es dankbar, dankbar darum, weil wir echt Daten verwenden konnten. Das heißt anonymisierte Vertragsdaten, die in den bestandsführenden Systemen einer Versicherung in dem Fall vorlagen. Sie müssen sich also nicht darum Gedanken machen, sind das jetzt irgendwelche Zufallsvariaten, die da drin sind oder ähnliches. Alle Daten, die jetzt hier gerade so wunderbar herumgesprungen sind, sind natürlich errechnete Kombinationen und quasi parallel da zu die Abweichung oder die Summe über die Abweichung. Das heißt nichts anderes, als sobald sie eben große Datenmengen haben, haben sie auch Anwendungsbereiche für diese künstliche Intelligenz. Und je nachdem, ob sie jetzt auf einer starken Form oder auf einer schwachen Form sind, wird es auch wichtig. Es hatte neulich, ich weiß gar nicht mehr, wer es war, aber es gibt jetzt eine neue Initiative für künstliche Intelligenz. Es ist ja auch sehr topical, was Professor Hornehoff aufgerufen hat, wo drin stand, dass Google vor allem in der Datenerfassung viel, viel besser ist, als die alle anderen Firmen, die gegenwärtig unterwegs sind. Und das sind natürlich Fragestellungen, die sich dann erst, also manche Fragestellungen, bekommt man auch erst mit der Datenerfassung oder kommen einem erst in den Kopf, um Muster zu finden. Also in dem Fall war die Datenerfassung kein großes Thema. Nee, also das ist anders. Stellen Sie sich vor, Sie haben einen Bestand von 10.000 Versicherungen. Diese Versicherungen sind in alten Tarifverträgen drin, also alten Tarifen, Versicherungsverträgen drin. Und Sie haben eine neue Möglichkeit von Tarifverträgen. Das sind aber nicht genau dieselben. Sie sind unterschiedliche Anbieter von der Maschine dahinter. Und nun geht es darum, den Vertrag im neuen System zu finden, auf den der Alter am besten passt. Ohne dass der Kunden schlechter gestellt wird, das heißt die Versicherungsumme, die zum Schluss, also rechnerisch auszuzahlen, ist sinkt. Das darf auf keinen Fall passieren. Oder Sie weniger Gewinn machen oder eine bilanzielle Auffüllung wäre dann die Auswirkungen anfällt. Das heißt, Sie müssen überhaupt keine Daten dafür generieren, sondern Sie können einfach auf den echten Bestand zugehen. Eine große Versicherung hat, die Versicherungstyp regelmäßig meistens 100.000 Verträge vorliegen. Und entsprechend hoch sind dann auch die Anzahl der Kombinationen, die Sie durchrechnen müssen. Also unbedingt. Artenschutz durch Regulierung ist sicherlich eine ganz große Stärke oder ein Wettbewerbsvorteil der bestehenden Marktteilnehmer. Insbesondere dann, wenn Sie einen Datenhaushalt haben, der auswertbar ist oder zur Verfügung steht. Ich habe eingangs, oder wir haben einfach darauf hingewiesen, die Datenerfassung ist das große Problem. Das liegt einmal daran, dass die Systeme veraltet sind. Das liegt daran, dass sie nicht elektronischer fassbar und auswertbar sind. Und dann gibt es noch eine dritte Spielart davon, die Datenqualität, die nicht mithält. Die lässt sich allerdings auch mit diesen neuen Methoden erfassbar machen. Beispiel, wenn Sie jetzt Versicherungsdaten haben und da könnt auch ein neuer Marktteilnehmer eintreten, die Freifelder haben. Also das wurde immer bei Antrag eingetragen. Es wird Feuerschutzversicherung, geht um folgende Immobilie, Schlachterstraße oder das ist in der Stadt Bremen oder es ist alle Bäckereien der folgenden Kette. Dann stehen Sie fest, das ist teilweise abstrus, was da drin steht, weil über Jahrzehnte einfach irgendwas eingetragen wurde. Jetzt haben Sie aber die Möglichkeit, die ein Adress, erstmal das herauszufiltern, was alles nicht standardisiert eingefiltert wurde und können einem nächsten Schritt über so ein Geotagging vorgehen, diese Daten auf ein ganz anderes Niveau heben, indem Sie letzten Endes GPS-Daten mit Adressdaten verknüpfen, Nachbereinigung und dann sind wir quasi wie bei der Vorfrage bei einem ganz neuen Datensatz, der neue Auswertung ermöglicht. Beispielhaft können Sie sich fragen, wie viel Prozent meiner Feuerschutz- oder Naturkatastrophen Versicherungen sind denn in einem Überschwemmungsgebiet und zwar auf einen Klick, und müssten keine Mannschaft mehr für zwei Wochen da reinschicken, um zu gucken, wie viele dieser Versicherungen in den potenziellen letzten 20 Jahren mal überschwemmt wurden. Sie haben eine höhere Auswertbarkeit erlangt. Also das ist wie mit jeder Technologie, die Sie schaffen, die Frage ist immer nach dem Finger am Abzug. Also ich glaube, das ist eine sehr relevante Frage, gerade wenn Sie jetzt an die Verwendung in anderen Staaten schauen, beispielsweise in der Volksrepublik China. Dort wird gegenwärtig auf verschiedenen Fronten, sind nationale Champions für KI-Themen auserkoren worden, unter anderem für die Gesichtserkennung. Massenhafte Gesichtserkennung wird verknüpft, also erst mal ist es überhaupt klar, wo sie rumlaufen, wenn alle Städte mit Gesichtserkennungskameras ausgestattet werden. Das ist ein bisschen Minority-Report-mäßig, was dort abgeht. Ähnliches, ja, genau. Also je horrormäßiger, als Sie sich das vorvorstellen, desto richtiger wird es. Das Ganze wird dann noch verknüpft, also es wird abgelegene zentralen Datenbank und dann gibt es soziale Netzwerke, Chat-Programme, die gegenwärtig auch expandieren. Das ist ein Plattform, die einen massiven Markt, eineinhalb Milliarden Menschen, die darauf zugreifen und nach außen abgeschottet sind, die Bank-Services, Versicherungs-Services, Car-Sharing-Services, irgendwelche Retail-Services anbieten, überwachen, auf welche Websites sie gehen, was für Fotos sie versenden, das wird alles mit ihrem Gesicht verknüpft. Und was gegenwärtig schon diskutiert wird, ist quasi so ein Wohlverhalten-Scoring, was dort herauskommt. Also wenn Sie das ganze, also quasi die Gesichtserkennungssoftware, da steht auch ein neuronales Netz hinter, dass Sie in verschiedensten Posen bei Sonnenlicht, im Schatten, wie auch immer, erkennen kann, ist natürlich eine reale Gefahr. Und ich glaube, die Wegrufe sind ja gerade in der Presse überall zu lesen, entweder wir machen uns darüber Gedanken, wie wir es einsetzen. Beispielsweise ist es natürlich eine wunderbare Sache, Krebspognosen oder Auftritts-Wahrscheinlichkeiten zu ermitteln oder feststellen zu lassen, welche Operationsmethode sich anbieten würde durch ein neuronales Netz, also quasi eine Unterstützung für das Medizinerurteil zu geben. Ob der BND oder andere das auch an die Hand bekommen sollen, ist eine andere Frage. Aber es ist eine ethische Frage, die sich dann dahinter verbirgt. Also Sie können es durchforschen. Also jetzt in dem Beispiel, also ich nimm jetzt mal diese Versicherungs-Mapping-Algorithmen. Beispielsweise gibt es in der Voreinstellung Lebensversicherung, die wir eigentlich mapen wollen, aber plötzlich wird ein Tarif aus einer Feuerversicherung genommen, warum auch immer. Aber die hat irgendwie festgestellt, das passt viel besser dieser Tarif-Mathematik dahinter. Das können wir kaum nachvollziehen, warum das so ist. Sie können natürlich dann die einzelnen Konval-Spielwerte einsetzen und versuchen das auszurechnen. Also Backtesting wäre so eine, wenn Sie noch Begriffen fragen, wo ich mal drauf schauen würde. Sie haben mit der Dystopie, die Sie zu Beginn zitiert, in eigentlich Stephen Hawking ja wieder wachgerufen oder invoziert, in dem Sie, der ja auch nichts anderes gemacht hat, als davor gewarnt, dass irgendwann quasi die Maschinen die Macht übernehmen, jetzt mal vereinfacht gesagt. Also das ist die Gefahr, wo der jetzt beispielsweise bei DeepMind, das ist eine Tochterfirma von Google, oder Alphabetfirma mittlerweile, die bekannt geworden ist durch diesen Go-Simulator, der auch die Weltmeister in diesem sehr komplizierten Spiel durch komplett überraschende Züge besiegen konnte. Ich glaube, es ist wie bei allen Technologien wichtig, dass zum Schluss eine menschliche Entscheidung dahinter steht. Deswegen hatte ich jetzt bei der Vorfrage auch ganz bewusst gesagt, dass beispielsweise wenn das für die Sicherheitstechnik Anwendung finden sollte oder im medizinischen Bereich, dass wir uns fragen müssen, ab wann vertrauen wir der Maschine mehr als einem menschlichen Urteil dahinter. Und bis wohin ist es eine reine Unterstützung? Das wird sicherlich auch eine Frage von Gewöhnung sein. Bei Autos ist, also schlicht gesagt, Autonomisch fahren gar keine ganz avancierte Form von autonomem Lernen, weil vielleicht lernt das Auto sonst, dass wenn es über den Ackerpferd, das viel schneller ist, als wenn es durch den Staufpferd, sondern das ist ganz brutal regelbasiert. Es erhält sich dann ja an, dass was in der Straßenverkehrsordnung drin steht. Aber gegenwärtig ist es ja mit guten Gründen noch nicht gestattet, aber ich glaube, das ist die Diskussion, die gesellschaftlich gerade noch geführt werden muss und in ganz unterschiedlichen Bereichen. Wir machen noch eine Frage, das ist also dystopisch. Ich war jetzt konkret. Was würde man an einem konkreten Beispiel, was kommt einem da in Kopf, wenn man sich damit beschäftigt? Ich bin auch Kind meiner Zunft, natürlich denke ich an Credit Scoring. Also, sprich Risiko oder Ratingverfahren, die ermitteln, wie hoch die Ausfallwahrscheinlichkeit ist. Wenn das eine Bank nicht mehr nachvollziehbar hat und ihnen keinen Kredit mehr geben würde, um eine kleine Comedy-Serie zu zitieren, Computer says no. Und wenn der Computer Nein sagt, dann bleibt es bei Nein, auch wenn es nicht nachvollziehbar wäre. Und da können zum Beispiel diese Datenfehler ja auch eine Rolle spielen. Also, da sehe ich eine reale Gefahr, dass im Zuge von Digitalisierung menschliche Aufsicht, Vier-Augen-Prinzip, Handbearbeitung et cetera, Flachfallen aus einer reinen Rationalisierungsbrille, das komplett digitalisiert wird, damit aber auch eine Sensibilität gegenüber Datenfehlern verloren gehen könnte. Also, ich sage bewusst könnte, weil sie natürlich das auch so programmieren können, das Beschwerden oder das Ähnliches berücksichtigen finden oder das System selber merken. Wie sage ich immer Nein, wenn in der Name ein Umlaut beinhaltet, beispielsweise oder Ähnliches. Aber mir ist jetzt kein Fall bekannt, wo wir eine Maschine geschaffen hätten, die das nicht möglichen oder nicht mehr abstellbar wäre. Wäre ja vor allem dann, also Stichwort Blockchain, wenn quasi sich ein Algorithmus verteilt hat und wir nicht einfach mehr mechanischen Stecker ziehen können, sondern quasi, sagen wir mal, die künstliche Intelligenz der Geist aus der Flasche ist und nicht mehr eingehäkbar ist. Wunderbar, also ich nochmal herzlichen Dank. Also, thank you.