FINTECH5. Februar 2020

Creditreform Rating setzt auf automatisierte Textgenerierung mit Technik von AX Semantics

Robot hands and fingers point to laptop button advisor chatbot robotic artificial intelligence concept
kung_tom / Bigstock

In immer mehr Bereichen, angefangen bei redaktionellen Texten über Produktbeschreibungen im Online-Handel bis hin zum Banking- und Versicherungsbereich, spielen automatisiert generierte Texte eine zunehmend wichtige Rolle. Die Vorteile liegen auf der Hand: Abgesehen davon, dass es nur wenig Freude macht, stupide, oft ähnliche Texte zu schreiben, gelingen so rechtskonforme Inhalte von gleichbleibender und vor allem einheitlicher Qualität. Der Stuttgarter Softwareanbieter AX Semantics hat für die Creditreform Rating ein entsprechendes Projekt realisiert.

Die Creditreform Rating ist eine EU-registrierte Ratingagentur, die Ratings von Unternehmen, Banken, Pfandbriefen, strukturierten Finanzierungen und Ländern erstellt. Ziel der Creditreform Rating ist es dabei, Kreditkommentierungen in einem dem regulatorischen Prozess entsprechenden Rahmen (Stichwort: Einheitlichkeit und Verbindlichkeit) unangreifbar zu erstellen. Dabei war es im Interesse des Unternehmens, den Prozess der Kommentierung zu vereinheitlichen und damit den manuellen Aufwand (und die damit verbundenen Kosten) zu reduzieren.

Gleichzeitig geht es natürlich auch darum, angesichts der in Zukunft möglicherweise schwierigeren Lage im Kreditgeschäft, Kostenstrukturen zu optimieren. Denn der Wettbewerb im Kreditgeschäft dürfte in den nächsten Monaten und Jahren nicht nur härter werden, sondern das Geschäft komplexer. Als Effizienzhebel hat die Creditreform dabei unter anderem die digitale Bilanzanalyse sowie Data-Analytics-Maßnahmen ausgemacht.

Robot hands and fingers point to laptop button advisor chatbot robotic artificial intelligence concept
Creditreform

Die Erstellung von textlichen Bilanzkommentierungen ist ein sehr aufwändiger und komplexer Prozess und sehr stark von der Erfahrung des Kreditanalysten abhängig. Wir wollen NLG dazu nutzen, den Prozess der Kommentierung zu optimieren, den manuellen Aufwand deutlich zu reduzieren und im Rahmen der Bestandsfolgeoffenlegung vollständig zu automatisieren.“

Stephan Schütrumpf, Prokurist bei Creditreform Rating

Unterschiedliche Ansätze mit hohem KI- und Automatisierungspotenzial

Die Creditreform Rating arbeitet seit Oktober 2018 an dem NLG-Projekt mit AX Semantics zusammen. Vier Use Cases sind es bisher, bei denen Creditreform auf die Automatisierungsmöglichkeiten von AX Semantics setzt: Zum einen die strukturierte Be- und Verarbeitung von Bilanzen. Dabei werden strukturierte Bilanzinformationen bereitgestellt und strukturierte und unstrukturierte Datenquellen zusammengeführt und verarbeitet. Ziel ist das Erstellen maschinenlesbarer Dokumente und ein möglichst hoher Grad an Automatisierung bei der Zuordnung von Informationen. Im zweiten Fall handelt es sich um die Erstellung maschinenlesbarer Texte, etwa um die Votumsvergabe zu verbessern. Dabei kombinieren Mensch und Maschine ihre jeweiligen Fähigkeiten und generieren im Laufe des Prozesses Expertenwissen, das letzten Endes mit Hilfe einer künstlichen Intelligenz weiter veredelt wird.

Creditreform Rating

Im dritten Case geht es schließlich darum, ein unstrukturiertes Dokument einzulesen, per OCR-Lösung zu verschriftlichen und zu bewerten, wobei die Zuordnungsquote der KI bereits bei 80 Prozent Trefferquote liegt. Das bedeutet zwar, dass Nachbearbeitung durch einen Mitarbeiter notwendig ist, aber deutlich weniger aufwändig als bisher. Die strukturierten Daten sorgen mit Hilfe wiederum einer KI dafür, dass die Maschine eine Auswertung mit verbaler Fassung ausgibt. Eine vierte Anwendung schließlich basiert darauf, dass eine NLG-gestützte Optimierung der Finanzbonität erfolgt, mit der gerade KMUs oftmals überfordert sind. Dabei werden entsprechende vorliegende Analysekennzahlen ausgewertet und interpretiert und im Rahmen eines Scorings mit entsprechenden Handlungsempfehlungen zur Optimierung der Bilanzbonität ausgegeben.

Die digitale Texterkennung und Textanalyse via OCR, NLP und DL ist der nächste logische Schritt. Texte dahingehend zu interpretieren, ob darin bonitätsrelevante Informationen enthalten sind oder die Zuordnung von unstrukturierten Bilanzpositionen zu einer vorgegebenen Taxonomie sind dabei nur einige Anwendungsbeispiele, die wir heute unterstützen.“

Stephan Schütrumpf, Prokurist bei Creditreform Rating

Aktuell sehe man einen hybriden Ansatz aus menschlicher und maschineller Intelligenz. Die Maschine bereitet Bilanzkommentierungen auf, die anschließend vom Kreditanalysten effizienter finalisiert werden können und bestenfalls an die maschinelle Intelligenz zurückgespiegelt werden.

AX Semantics als Technologie mit langjähriger Erfahrung

Creditreform Rating

Bei der Ausgestaltung des gemeinsamen Projekts hat man die Aufgabe in drei Phasen aufgeteilt: In der ersten Phase hat ein Analyst aus dem Bankensektor Bilanzkommentierungen erstellt, die kontinuierlich, regelbasiert in die Software übertragen wurden. „Diese erste Lernphase hat neun Monate gedauert und jetzt befinden wir uns in der zweiten Phase, in der wir automatisch Bilanzkommentierungen erstellen und von unseren Analysten korrigieren lassen“, erklärt Schütrumpf. Die Korrekturen wandern dann zurück ins Regelwerk.

Die ersten beiden Phasen laufen dabei parallel nebeneinander, um einen möglichst breites Regelwerk aufzubauen. Die branchenspezifische Unterscheidung spielt im Übrigen eine große Rolle. „Die Texte haben mittlerweile eine so gute Qualität, dass wir mit der dritten Phase beginnen wollen. Hierfür suchen wir nach Kunden, die unsere vorproduzierten Texte in ihren Prozessen verarbeiten und uns auch hier Korrekturwünsche zurückspiegeln“, so der Creditreform-Experte. Mit jedem neuen Text wird die Qualität weiteren Contents verbessert – übrigens so weit, dass es, so erklärt Saim Alkan von AX Semantics, nicht zweifelsfrei möglich sei, menschlich generierte von maschinellen Texten zu unterscheiden.

Saim Alkan, AXSemantics
AX Semantics

Die Qualität der Texte ist nach entsprechendem Teach-in-Prozess so hoch, dass wir potenziellen Kunden gerne in einem Blindtest verschiedene Texte vorlegen. Hinzu kommt: Selbst wenn ein Mensch es schafft, den ersten, zweiten oder dritten Text besser zu schreiben als eine Maschine, wird er dies beim 500. oder 1000. vergleichbaren Text nicht so sein. Hier ist der Textroboter nicht nur schneller, sondern auch regelkonformer und einheitlicher in der Qualität.“

Saim Alkan, Geschäftsführer und Gründer von AX Semantics

Auswertungen effizienter mit Hilfe von NLG

All diese Anwendungsszenarien zeigen, welches Potenzial sich ergibt, wenn Mensch und Maschine mit Hilfe künstlicher Intelligenz Hand in Hand gehen: Die Kreditanalysten ersparen sich zeitaufwändige Auswertungen und Ausformulierungen und die Technik von AX Semantics erstellt aus den datengetriebenen (vereinfacht: tabellarischen) Inhalten verständliche und gut lesbare Dossiers. Kosten spart dies freilich vor allem bei regelmäßig benötigten Anwendungen ein, bei denen quasi einmal das Anlernen einer KI erfolgt und eine Vielzahl an Fällen ausgewertet wird.

Sicher ist bereits heute: Das Kredit- und Ratinggeschäft wird in Zukunft, ähnlich wie viele andere Bereiche im Banking-Umfeld, mit einem fortschreitenden Grad an Automatisierung zu tun bekommen. Die großen Mengen an Daten, die allenthalben produziert werden, lassen sich so deutlich schneller und effizienter in menschliche Sprache umwandeln.tw

 
Sie finden diesen Artikel im Internet auf der Website:
https://itfm.link/100721 
 
1 Stern2 Sterne3 Sterne4 Sterne5 Sterne (Noch keine Bewertungen)
Loading...

 

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.