Banken contra FinTech: wer wird gewinnen und welche Rolle spielt MLOps in dieser Konfrontation?
Seit 50 Jahren nutzen die Banken statistische Modelle, um Kreditentscheidungen zu erleichtern. Heute ist fast jeder Prozess im Banking mit Big-Data-Analysen in Echtzeit verbunden. Jedoch sind die Entscheidungen, die auf der Basis von Modellen getroffen werden, noch lange nicht perfekt, und das Modell des Operation Management ist eines der großen Probleme für die Banken. Wie kann MLOps bei der Lösung dieses Problem helfen? Aber zuerst, was genau ist MLOps?
Was ist MLOps?
Machine Learning Ops (oder Model Ops) ist eine Variante von DevOps. Während sich DevOps bei der Entwicklung einer Anwendung auf die Prozessoptimierung konzentriert, denkt MLOps an Analysen. Neben der Beeinflussung von Predictive Analytics ermöglicht MLOps eine reibungslose, kontinuierliche und effiziente Modellentwicklung und Modellanlauf.
Durch die schnelle Übernahme von Künstlicher Intelligenz und Maschinellem Lernen entstehen auch neue Modelle rasant. Während viele Organisationen die Bedeutung der Entwicklung einer Datenkultur erkennen, ist bei kontinuierlicher digitaler Transformation die Arbeit mit Modellen komplex und das Fehlerrisiko hoch.
Die MLOps-Mannschaft hilft bei der Entwicklung der Kommunikation zwischen Data Scientists, Data Engineers, Anwendungseigentümern und Infrastruktureigentümern. Außerdem koordiniert MLOps entsprechende Übergaben und Ausführung, so dass Modelle auf die sogenannte "letzte Meile" wechseln können. Workflow-Automatisierung, Versionskontrolle, Weiterentwicklung, Compute Resource Management, Monitoring, Skalierung und Einstellen sind die Aufgaben von MLOps.
Wer braucht MLOps?
Seit vielen Jahren nutzen große Banken die Ansätze der Modellanalyse. Aber gleichzeitig verändern sich die Modelle ständig. Alte Modelle werden durch neue ersetzt und verschiedene Einheiten verwenden unterschiedliche Methoden, Werkzeuge und Methoden, um den Lebenszyklus des Modells zu steuern.
In der Regel isolieren die Banken Finanzdaten in Repositorien von Ressorts. Die Arbeit mit Modellen folgt dem gleichen Prinzip. Ein Modell, das das Risiko im Hypothekarkredit berechnet, kann Daten über dieselbe Person in der Abteilung für Privatkredite übersehen. Daher wird das Modell nicht berücksichtigen können, dass der Kunde bereits über einen großen Kredit verfügt, und wird somit nicht die beste Entscheidung treffen.
Außerdem kann die Einführung neuer Modelle bei einer großen Bank eine unangemessen lange Zeit dauern, da solche Organisationen weniger flexibel sind. Der Einsatz eines neuen Modells kann mehrere Monate dauern. Laut Gartner wird weniger als die Hälfte der entwickelten Modelle auf den Markt gebracht.
Junge Kleinbanken und FinTech-Unternehmen finden es einfacher, flexibles Arbeiten mit analytischen Modellen zu organisieren. Darüber hinaus ziehen sie nicht die Aufmerksamkeit der Regulierungsbehörden, da das Volumen ihrer Geschäftstätigkeit keinen signifikanten Einfluss auf die Wirtschaft hat.
Doch mit dem Wachstum des Unternehmens wächst auch die regulatorische Belastung. Langfristig wird intuitives Modellmanagement nicht funktionieren. Um mit den großen Unternehmen auf dem Finanzmarkt konkurrieren zu können, müssen junge Banken ihr Management stärken und ihre Prozesse optimieren.
Worin liegt die Komplexität der Verwaltung von Modellen
Um ein Problem schnell und effektiv zu lösen, sollte man zuerst sein Wesen verstehen. Bei den Banken und analytischen Modellen sind ironischerweise die Menschen das Problem.
Einerseits basiert Data Science auf Datenanalyse und zielt darauf ab, die Effizienz von Geschäftsprozessen durch Informationsmanagement zu verbessern. Andererseits gibt es eine technische Implementierung, die eine robuste Lösung innerhalb regulatorischer und geschäftlicher Zwänge bieten sollte. Die beiden Systeme arbeiten unterschiedlich, bewegen sich mit unterschiedlicher Geschwindigkeit und haben lokal unterschiedliche Ziele.
Erst in relativ kurzer Zeit haben die Verbreitung der Cloud-Technologie und die Einführung der Devops-Technologie es möglich gemacht, Synergien zwischen den beiden Systemen zu schaffen. Zum Beispiel kann Cloud verwendet werden, um den Modelllebenszyklus unabhängig von einer bestimmten Abteilung zu halten. Außerdem bieten moderne DevOps-Tools die Möglichkeit zur Interaktion zwischen Data Scientists und technischen Spezialisten.
Die Zukunft von MLOps
Unabhängig davon, wer in der Konfrontation “Banken contra FinTech-Unternehmen” erfolgreicher ist, wird MLOps in den nächsten Jahren eine wichtige Rolle bei der Entwicklung der Branche spielen.
Fast alle Finanzinstitute kämpfen nun gegen ein inaktives Modell-Management, insbesondere gegen langsame, ineffiziente Einsätze. Laut einer McKinsey-Studie nutzen nur 6% der Unternehmen KI aktiv zur Entscheidungsfindung, und weniger als 15% verfügen über eine IT-Infrastruktur zur Unterstützung des Modelleinsatzes.
Top comments (0)