Big Data und künstliche Intelligenz im Finanzwesen

Inhaltsverzeichnis

1. Einleitung

1.1 Hintergrund und Bedeutung der Thematik

1.2 Zielsetzung dieser Arbeit

1.3 Aufbau und Methodik

2. Begriffsbestimmungen und technische Grundlagen

2.1 Künstliche Intelligenz

2.1.1 Annäherung an den Begriff der Intelligenz

2.1.2 Beschreibung von KI anhand der Merkmale menschlicher Intelligenz

2.1.3 Grundzüge der Funktionsweise von künstlichen neuronalen Netzen

2.3 Big Data

3 Status Quo deutscher Banken in Bezug auf künstliche Intelligenz

3.1 Motivation und Relevanz des Einsatzes von künstlicher Intelligenz

3.2 Die primären Anwendungsfelder für KI in Kreditinstituten

3.3 Der Einsatzgrad von KI

4 Herausforderungen bei der Implementierung von KI in deutschen Banken

4.1 Big Data als Grundvoraussetzung für KI

4.2 Fehlende Kompetenz in der Etablierung von künstlicher Intelligenz

4.3 Unzureichendes Budget

4.4 Regulatorik

4.4.1 Regulatorischer Überblick

4.4.2 Die Bestimmungen des europäischen AI Acts

4.4.3 Überlegungen zu aufsichtsrechtlichen Mindestanforderungen der BaFin

5 Strategische Handlungsoptionen

5.2 Cloud-Systeme

5.2.1 Cloudsysteme als Handlungsoption

5.2.2 Praktische Umsetzung der Cloudtechnologie in deutschen Banken

5.3 Kooperationsstrategien

5.3.1 Kooperative Entwicklung von künstlicher Intelligenz

5.3.2 Kooperation der Deutschen Bank und Nvidia

5.4 Change-Management

5.4.1 Potenzial des Change-Managements bei der Einführung neuer Technologien

5.4.2 Die Phasen des Change-Prozesses

6 Künstliche Intelligenz in Sparkassen

6.1 Betrachtung der Sparkassen Finanzgruppe

6.1.1 KI-Entwicklung in der Sparkassen Finanzgruppe

6.1.2 Sparkassen KI-Pilot

6.1.3 KI-Chatbots Linda, Anna und Linda+

6.2 Künstliche Intelligenz in der Berliner Sparkasse

7 Fazit

Zielsetzung & Themen

Diese Arbeit untersucht die Bedeutung und Implementierung von künstlicher Intelligenz (KI) sowie Big Data im deutschen Bankensektor. Ziel ist es, aktuelle Anwendungsbereiche zu identifizieren, Herausforderungen bei der praktischen Umsetzung zu analysieren und strategische Handlungsoptionen für Kreditinstitute abzuleiten, wobei insbesondere die Sparkassen-Finanzgruppe und die Berliner Sparkasse beleuchtet werden.

• Grundlagen der künstlichen Intelligenz und Big Data
• Status Quo der KI-Nutzung in deutschen Banken
• Herausforderungen (Datenqualität, Regulatorik, Kompetenzmangel)
• Strategische Handlungsoptionen (Cloud, Kooperationen, Change-Management)
• Praxisbeispiele aus der Sparkassen-Finanzgruppe

Auszug aus dem Buch

Zusammenfassung der Kapitel

1. Einleitung: Dieses Kapitel führt in die Relevanz von KI im deutschen Bankensektor ein, definiert das Ziel der Arbeit und erläutert den methodischen Aufbau sowie die angestrebte Analyse.

2. Begriffsbestimmungen und technische Grundlagen: Es werden grundlegende Begriffe wie KI, Intelligenz, maschinelles Lernen und neuronale Netze definiert sowie Big Data als essenzielle Datenbasis charakterisiert.

3 Status Quo deutscher Banken in Bezug auf künstliche Intelligenz: Das Kapitel untersucht die aktuelle Relevanz, primäre Anwendungsfelder wie Risikomanagement und Marketing sowie den gegenwärtigen Einsatzgrad von KI in deutschen Banken.

4 Herausforderungen bei der Implementierung von KI in deutschen Banken: Hier werden kritische Hürden thematisiert, darunter die Notwendigkeit hochwertiger Daten für Big Data, Fachkräftemangel, Budgetbeschränkungen und regulatorische Anforderungen wie der EU AI Act.

5 Strategische Handlungsoptionen: Das Kapitel präsentiert Lösungswege für Banken, einschließlich Cloud-Systemen zur Datenzusammenführung, Strategien zur Kooperation mit Tech-Unternehmen und effektivem Change-Management bei der KI-Einführung.

6 Künstliche Intelligenz in Sparkassen: Diese Analyse widmet sich den spezifischen Entwicklungen innerhalb der Sparkassen-Finanzgruppe, inklusive des KI-Kompetenzzentrums, der Pilotprojekte und aktueller Chatbot-Lösungen, mit besonderem Fokus auf die Berliner Sparkasse.

7 Fazit: Das Fazit fasst die Ergebnisse zusammen, bestätigt die Notwendigkeit von KI für die Wettbewerbsfähigkeit und betont die strategische Relevanz der adressierten Herausforderungen.

Schlüsselwörter

Künstliche Intelligenz, KI, Bankensektor, Big Data, Maschinelles Lernen, Kreditinstitute, Regulatorik, EU AI Act, Cloud-Systeme, Change-Management, Sparkassen-Finanzgruppe, Datensilos, Prozessautomatisierung, Risikomanagement, Digitale Transformation

Häufig gestellte Fragen

Was ist das grundlegende Thema dieser Bachelor-Thesis?

Die Arbeit behandelt die Integration und Bedeutung von künstlicher Intelligenz (KI) und Big Data innerhalb des deutschen Finanzwesens und analysiert, wie Banken diese Technologien zur Stärkung ihrer Wettbewerbsfähigkeit nutzen können.

Welche zentralen Themenfelder werden bearbeitet?

Zentrale Felder sind die technischen Grundlagen von KI, der Status Quo in Banken, die Herausforderungen bei der Implementierung (insbesondere regulatorische und datentechnische Aspekte), strategische Lösungsansätze sowie Fallstudien aus der Sparkassenwelt.

Was ist das primäre Ziel der Untersuchung?

Das Hauptziel ist die Identifikation relevanter Anwendungsbereiche für KI in Banken sowie die Erarbeitung von Strategien zur Überwindung der identifizierten Implementierungshürden.

Welche wissenschaftliche Methode kommt zum Einsatz?

Die Arbeit basiert im Wesentlichen auf einer umfassenden Literaturrecherche, der Auswertung aktueller Studien sowie der Analyse von Experteninterviews, die gezielt mit Fachvertretern der Berliner Sparkasse geführt wurden.

Was steht im inhaltlichen Fokus des Hauptteils?

Der Hauptteil analysiert die Notwendigkeit von KI zur Wahrung der Wettbewerbsfähigkeit, beleuchtet Problemfelder wie mangelnde Datenqualität und fehlende Ressourcen und bewertet strategische Optionen wie Cloud-Technologien und Kooperationen.

Welche Schlagworte charakterisieren diese Arbeit?

Zu den prägenden Begriffen gehören KI-Implementierung, Regulatorik, Big Data, digitale Transformation, Sparkassen-Finanzgruppe und strategisches Management von KI-Projekten.

Welche Rolle spielen die Cloud-Systeme in der Argumentation des Autors?

Cloud-Systeme werden als strategische Lösung für das Problem isolierter Datensilos identifiziert, da sie eine zentrale Datenzusammenführung und effiziente Bereitstellung von Rechenleistung für KI-Anwendungen ermöglichen.

Wie bewerten die untersuchten Sparkassen-Experten den aktuellen Stand?

Die Experten, wie Herr Dr. Nolte von der Berliner Sparkasse, sehen erhebliches Potenzial in KI zur Effizienzsteigerung und Kundenbetreuung, betonen jedoch gleichzeitig die Notwendigkeit der Qualitätsverbesserung bei den verfügbaren Daten.