COVID-19: Wie kann Künstliche Intelligenz helfen?

von Prof. Dr. Martin Vogt, Inhaber der Professur für Business Intelligence, insbesondere Advanced Analytics an der Hochschule Trier, Equity Partner und Scientific Advisor bei CURE S.A. und Independent Director.

Die COVID-19-Pandemie betrifft momentan fast die gesamte Welt und verändert auf dramatische Art und Weise unser Leben, Handeln und Arbeiten. Noch gibt es kein Medikament und keinen Impfstoff gegen die Krankheit.

Im Kampf gegen die Krankheit setzt Deutschland deshalb vor allem auf das Tragen eines Mundschutzes, auf Abstandsregeln sowie eine geplante Tracking App. Gerade die App lässt aufhorchen: Wie kann KI in Corona-Zeiten auch für Unternehmen genutzt werden?

Kann Künstliche Intelligenz in Corona-Zeiten helfen?

Die kurze Antwort lautet: Ja! Künstliche Intelligenz kann sowohl bei der Bekämpfung der Krankheit als auch beim Umgang mit der Krankheit helfen. Zudem können (Finanz-)Unternehmen gerade jetzt Künstliche Intelligenz auf verschiedene Weisen nutzen. Mehr denn je gilt: Kreativität zahlt sich aus.

Im Folgenden sollen aus der Fülle der Anwendungsmöglichkeiten zwei herausgegriffen und im Zusammenhang mit COVID-19 und der Finanzbranche beleuchtet werden: Bilderkennung und Social Media Intelligence. Zunächst wird generell beschrieben, wie die Methoden zur Bekämpfung von COVID-19 helfen können, und anschließend werden spezifische Anwendungsfälle für den Finanzsektor herausgearbeitet.

Bilderkennung zur COVID-19-Bekämpfung

COVID-19 ist eine Lungenkrankheit. Forscher entwickeln derzeit einen Algorithmus zur Erkennung von Mustern, der auf Basis von Computertomografieaufnahmen Hinweise auf COVID-19 erkennen soll (siehe ZEIT-Beitrag). Hierzu werden Bilder der Lunge von Menschen mit COVID-19-Erkrankung verwendet, um ein Neuronales Netz zu trainieren. Die Basisidee dabei ist wie folgt: Ein Bild besteht aus Pixeln. Je nachdem, welche Pixel hell oder dunkel sind, wird ein anderes Objekt beschrieben. So stellt etwa das folgende Bild einen Sneaker dar (siehe Klassifikation).

Das Bild besteht aus 28 mal 28 = 784 Pixeln und die Werte geben an, wie dunkel oder hell eine Stelle ist. Diese 784 Pixel können nun genutzt werden, um ein Neuronales Netz zu trainieren. Beispielsweise könnte der Algorithmus lernen: Bilder von Sneakern sind links oben tendenziell hell.

Allgemein besteht ein Neuronales Netz aus verschiedenen Schichten: Input Layer, Hidden Layer und Output Layer (siehe Abbildung).

Die 784 Pixel des Sneakers werden in je einen Input-Neuron gespeist. Diese Neuronen werden über Gewichte und Aktivierungsfunktionen mit den Hidden-Neuronen und dem/den Output Neuron(en) verbunden. Sowohl bei der COVID-19-Anwendung als auch dem Sneaker-Beispiel wird supervised learning verwendet: In dem Trainingsdatensatz ist bekannt, ob ein Patient an COVID-19 erkrankt ist oder nicht. Dieses Wissen wird genutzt, um die Gewichte des Neuronalen Netzes geeignet einzustellen. Nach erfolgtem Training sowie einer Testphase kann das Modell verwendet werden, um Bilder neuer Patienten zu analysieren und auf eine Erkrankung zu schließen.

Bilderkennung in der Finanzwelt

Bildanalysen sind nicht nur zur Entdeckung von Krankheiten nützlich, sondern können auch in verschiedenen Abteilungen im Marketing, Vertrieb und dem Risikocontrolling eingesetzt werden.

Da die Reisemöglichkeiten momentan eingeschränkt sind, nutzen Unternehmen verstärkt andere Kanäle, wie z.B. Social Media, um potenzielle Kunden zu erreichen. Auch hier kann die Bilderkennung dabei helfen, den Marketing- und Produktmix zu optimieren, etwa indem folgende Fragen beantwortet werden: Wie oft wird mein Logo im Vergleich zur Konkurrenz gezeigt? In welchem Zusammenhang? Welche Gegenstände oder wie viele Personen sind noch auf dem Foto zu erkennen?

Eine weitere spannende Anwendungsmöglichkeit ergibt sich im Rahmen des Portfolio- und Risikomanagements durch die Auswertung von Satellitendaten. Hierdurch können gerade bei Real Asset-Fonds wie Immobilien- oder Infrastrukturfonds der momentane visuelle Status und der visuelle Projektfortschritt von der Ferne aus beobachtet werden. Insbesondere in Zeiten von Reisebeschränkungen kann dies eine nützliche Ergänzung zu den klassischen Datenquellen darstellen.

Die folgenden Abbildungen sollen die Anwendungsmöglichkeiten verdeutlichen. Das obere Bild zeigt ein Satellitenfoto der Stadt Frankfurt. In dem unteren Bild wurde ein einfaches Clusterverfahren angewendet, um einzelne Farbcluster zu bilden. Ganz deutlich ist etwa der Main zu erkennen. In weiteren Schritten der Analyse können nun etwa alle Gewässer oder Häuser automatisch markiert werden. Solche Analysen können auch als Basis für verschiedene Wirtschaftsanalysen dienen, etwa um aus der Anzahl der Schiffe, der Füllmenge gewisser Lagerplätze oder dem Umschlag eines Hafens Rückschlüsse auf die Weltwirtschaft bilden zu können.


Quelle: SentinelHub

Social Media Intelligence zur Bekämpfung von COVID-19

Neben Bildern können natürlich auch Texte ausgewertet werden. Durch die Auswertung zahlreicher Quellen konnte etwa die Firma BlueDot den Ausbruch von COVID-19 vor allen anderen vorhersagen. Hierzu wurden insbesondere auch Digital Media-Daten verwendet. Eine mögliche solcher Datenquellen bilden Twitter-Tweets.

Im Rahmen eines gemeinsamen Projektes mit der Luxemburger Agentur CURE S.A. wurde dieser Ansatz aufgegriffen und getestet, ob die Zahl von Grippe-Fällen mittels Social Media-Daten geschätzt werden kann. Hierzu wurden die offiziellen Daten des Robert-Koch Instituts (RKI) mit Daten aus Twitter und Google Trends verglichen. Um die Twitter-Daten zu erhalten, wurden etwa Tweets mit einer bestimmten Kombination aus Hashtags wie Kopfweh oder Fieber ermittelt und normiert. Die untere Abbildung zeigt eindrucksvoll, dass ein Zusammenhang insbesondere zwischen den Twitter- und den RKI-Daten zu erkennen ist. Die Schwierigkeit einer solchen Analyse besteht vor allem auch darin, geeignete Daten zu ermitteln und aufzubereiten.

Social Media Intelligence in der Finanzwelt

Darüber hinaus bieten Social Media-Kanäle gerade in Zeiten des Social Distancing die Möglichkeit der kontinuierlichen Kommunikation mit dem Kunden. Die verstärkte Nutzung von Textanalysen (Text Mining) von Social Media-Daten eröffnet somit Finanzunternehmen, ähnlich wie bei der Bildanalyse, vielfältige Chancen gerade im Marketing, Vertrieb oder Risikomanagement und hilft bei der Beantwortung zahlreicher Fragen, etwa: Wie wird mein Unternehmen im Vergleich zum Wettbewerb wahrgenommen? Welche Reichweite hat meine Vertriebskampagne? Wie wurde meine ESG-Initiative gesehen? Welche Reputationsrisiken gibt es in den Sozialen Medien? Welche Kritikpunkte gibt es an meinem Unternehmen? Welche Influencer beschäftigen sich besonders mit meinem Unternehmen und welche Aussagen treffen diese? Was denken meine Kunden über ein bestimmtes Produkt? Gibt es bei Investments Hinweise auf ESG-Verletzungen? Zusätzlich können Textanalysen genutzt werden, um wesentliche Informationen aus längeren Texten, wie Verträgen, Gesetzen oder Zeitungsartikeln, zu ziehen und diese für die Kostenoptimierung zu nutzen.

Als Beispiel sind in der oberen Abbildung die häufigsten Wörter dargestellt, die Bundesgesundheitsminister Jens Spahn in seinen letzten 500 Tweets verwendet hat. Eindeutig ist der Bezug zum Coronavirus zu erkennen. Neben der einfachen Darstellung der Häufigkeit können vielfältige Analysen durchgeführt werden. So können etwa die gewählten Emotionen (positiv/negativ) oder Wortkorrelation mit hinzugenommen werden. Darüber hinaus bietet Twitter die Möglichkeit, Informationen über Follower zu analysieren. Die untere Landkarte etwa stellt verschiedene Follower von Jens Spahn auf der Weltkarte dar. Firmen können dies nutzen, um zum Beispiel herauszufinden, wo über ein bestimmtes Thema geschrieben wird.

Fazit

Durch die COVID-19-Pandemie (Corona) verändern sich momentan Lebens- und Arbeitswelt dramatisch. Künstliche Intelligenz kann zum einen dabei helfen, die Krankheit zu diagnostizieren, früher zu erkennen und etwa mit Hilfe einer Tracking-App zu bekämpfen. Zum anderen können Unternehmen KI nutzen, um sich auf die veränderte Situation einzustellen. Hier ist insbesondere die Auswertung von Bild- und Social Media-Daten zu nennen.

Ergänzend können Unternehmen eventuell freigewordene Kapazitäten aber auch dafür in Anspruch nehmen, den Übergang in das Digitale Zeitalter zu beschleunigen. So könnten etwa Vorhersagemodelle für Bedarfsvorhersagen, Kundenanalysen, Risikoanalysen oder die Durch- bzw. Einführung anderer Auswertungen genutzt werden.

Der Königsweg bei der Datenanalyse ist übrigens die Multi Source Estimation, das heißt die Einbeziehung verschiedener Datenquellen und Datenformate in eine Analyse. Zum Beispiel können im Rahmen des Marketings Bilder (etwa Satellitendaten) mit Zahlen (etwa Verkaufszahlen) und Texten (etwa Social Media) miteinander verbunden werden. Dadurch lassen sich zahlreiche tiefgehende Analysen durchführen.

Der Text stammt von FondsTrends – Die Zukunft des Fondsgeschäftes, veröffentlicht am 07. Mai 2020.


Prof. Dr. Martin Vogt

Prof. Dr. Martin Vogt ist Inhaber der Professur für Business Intelligence, insbesondere Advanced Analytics an der Hochschule Trier, und ist zudem Equity Partner und Scientific Advisor bei CURE S.A. und Independent Director. In diesen Rollen untersucht er insbesondere die Themen Predictive Analytics, Machine Learning und Data Science sowie deren Anwendungen in der (Finanz-)Wirtschaft. Zuvor war er viele Jahre in leitenden Funktionen in der Finanzbranche tätig. Prof. Vogt ist Certified Financial Risk Manager (FRM), Diplom-Mathematiker und hält einen Doktor in Statistik.