Finance meets AI: Disruptive Lösungen für die Finanzbranche - Teil 2: Natural Language Understanding

Innovative Technologien und intelligente Algorithmen verändern die Wertschöpfung etablierter Finanzunternehmen und führen zur Entwicklung immer neuer Geschäftsmodelle und Wettbewerbsdynamiken, die noch vor kurzer Zeit nicht denkbar gewesen wären. Im zweiten Teil dieser Serie geht es um die Potentiale des Natural Language Understanding zur strategischen Verwertung von Inhalten.

Automatisierung, künstliche Intelligenz und Big Data - wie in anderen Branchen herrscht auch im Finanz- und Versicherungssektor digitale Aufbruchsstimmung. Die basale Frage für eine erfolgreiche Entwicklung automatisierter Kommunikation ist die nach der Maschinenlesbarkeit der zugrundeliegenden Daten. Um digital verwertet werden zu können, müssen Daten strukturiert sein und strukturiert sind sie, wenn sie in flachen Tabellen dargestellt werden können und dieselben Attribute sich denselben Kategorien zuordnen lassen. Relevante Datenwerte sind so maschinell ablesbar und direkt verwertbar. Ein einfaches Beispiel für strukturierte Finanzdaten sind Preis- oder Volumendaten von Aktien.

Liegen die Informationen hingegen in Text-, Bild- oder Videoform vor, gilt es diese sogenannten unstrukturierten Daten zu analysieren, um Relevantes aus ihnen zu extrahieren. Durch den Einsatz künstlicher Intelligenz muss das nicht länger eine zeitintensive, menschliche Aufgabe sein: Natural Language Processing befasst sich, wie im ersten Teil dieser Beitragsreihe thematisiert wurde, mit der maschinellen Verarbeitung natürlicher Sprache.

Als Teilbereich von NLP ermöglicht Natural Language Understanding (NLU) das semantische Verstehen von Inhalten, so wie das Extrahieren von relevanten Informationen und Werten. Diese wertvollen, strukturierten Daten lassen sich beispielsweise automatisiert aus Finanznachrichten, Jahres- oder Geschäftsberichten ableiten, evaluieren und anschließend durch die entsprechenden Abteilungen weiterverarbeiten oder unterschiedlichen Prozessen zuordnen. Das hiermit gewonnene Wissen kann einfacher gemanaged und effizienter an externe wie interne Stakeholder kommuniziert werden.

Prozesse wie diese reduzieren den zeitlichen, meist manuellen Aufwand erheblich und können die Effektivität Ihres Research oder Ihrer Analysten genauso erhöhen wie die Ihres Inbound. Das erlaubt bei niedrigeren Kosten einen erhebliche Zeiteffizienzgewinn, der heutzutage entscheidend ist, um sich vom Wettbewerb zu differenzieren.

So am Beispiel des Service-Inbound: Serviceanliegen werden auf Basis daraus extrahierter Daten vorklassifiziert und dem richtigen Ansprechpartner zugewiesen. Das führt gleichermaßen zu zufriedenen Kunden, die wesentlich schneller Unterstützung bekommen, wie Mitarbeitern, die zielgerichteter unterstützen können.

Aber auch für das interne Wissensmanagement bieten NLU-Technologien zahlreiche Möglichkeiten zur Optimierung. Gegenüber den ursprünglich oft zahlreichen und diversen, nicht maschinenlesbaren Dateiformaten lässt sich mit einer übergreifenden Suche der gesamte Wissensfundus des Unternehmens schneller erschließen. Einzelne Keywords aus diesem Fundus lassen sich beispielsweise in einem Autosuggest für häufige Suchbegriffe und Kombinationen aus mehreren Suchbegriffen oder auch als Navigatoren nutzen, um schneller und intuitiver zum gesuchten Objekt zu gelangen.

Gerade in großen Unternehmen und Institutionen besteht eine große Herausforderung darin, jedem Mitarbeiter das umfangreiche und unüberschaubare interne Wissen direkt und einfach zugänglich zur Verfügung zu stellen. Mithilfe von NLU lassen sich interne Archive und verschiedene Wissensquellen erschließen und die aufbereiteten Inhalte nutzerfreundlich zur Verfügung stellen. Durch die Analyse und Verwertung unstrukturierter Inhalte unterstützt NLU die Prozessoptimierung und das interne Wissensmanagement von Unternehmen.


Welche Potentiale hingegen in strukturierten Daten liegen und wie sich diese mittels Natural Language Generation verwerten lassen wird Thema in Teil 3 der KI-Serie.

Johannes Sommer ist Geschäftsführer der Retresco GmbH. Bereits seit 2008 entwickelt Retresco führende KI-Lösungen im Bereich Content Automation. In den letzten Jahren hat sich das Unternehmen zunehmend zu einem der weltweit führenden Anbieter in der automatischen Textgenerierung (NLG) entwickelt und zahlreiche Projekte für Kunden aus den Bereichen Medien, E-Commerce und Finanzdienstleistungen umgesetzt.

Mail: presse@retresco.de
Web: www.retresco.de 

Über den Autor

  • Johannes Sommer

    Johannes Sommer

    Geschäftsführer der Retresco GmbH

    Johannes Sommer ist Geschäftsführer der Retresco GmbH. Bereits seit 2008 entwickelt Retresco führende KI-Lösungen im Bereich Content Automation. In den letzten Jahren hat sich das Unternehmen zunehmend zu einem der weltweit führenden Anbieter in der automatischen Textgenerierung (NLG) entwickelt und zahlreiche Projekte für Kunden aus den Bereichen Medien, E-Commerce und Finanzdienstleistungen umgesetzt.

    RSS-Feed abonnieren