Banken am Scheideweg: Machine Learning im Herz der Finanzinstitute

Werden Modelle durch künstliche Intelligenz besser oder unkontrollierbar?

Modellierung im Risikomangement und die produktive Nutzung von Modellen haben schon immer hohe regulatorische Anforderungen erfüllen müssen. Nun stellen neuere Verfahren wie z.B. maschinelles Lernen weitere Herausforderungen zur Sicherstellung von Transparenz und Nachvollziehbarkeit. Wie kann eine Modernisierung der analytischen Infrastrukturen all dem gerecht werden?

Teil 1: Machine Learning und das Management von Modellrisiken

Dr. Peter Quell, Head of Portfolio Analytics for Market and Credit Risk, DZ BANK AG

Verfahren des maschinellen Lernens stellen neuartige Herausforderungen an die Betrachtung von Modellrisiken wie z.B. Gefahren durch Overfitting oder die ggf. nur eingeschränkte Erklärbarkeit von Modellresultaten. In diesem Vortrag werden mögliche Erweiterungen der Model Risk Governance als auch notwendige Aspekte aus dem Federal Reserve SR 11/7 Kontext diskutiert.

Teil 2: Technischen Herausforderungen und Chancen aus einer Analytischen Plattform

Carsten Krah, Business Solution Manager, SAS DACH

Die immer komplexer werdende Modellwelt bringt neue Herausforderungen hinsichtlich Effizienzsteigerung unter gleichzeitiger Einbindung von Governance und Compliance. So ergeben sich einerseits immer mehr Modelle, welche aufgrund der volatileren Umwelt auch öfter überprüft und angepasst werden müssen. Andererseits führen technologische Weiterentwicklungen wie Open-Source oder Cloud-Technologien zu einer Art analytischem „Plattform-Zoo“, der zu Ineffizienzen und erhöhten Aufwänden über den gesamten Modelllebenszyklus führt. Welche Komponenten aus Business-Sicht hier technologisch berücksichtigt werden sollten und wie eine konkrete Umsetzung aussehen könnte, soll auch anhand von Use Cases erörtert werden.