Expertensysteme [Teil 1]: Einführung
Wie kann man den Einsatz von Expertenwissen und künstlicher Intelligenz für Finanz- & Risikoprozesse kombinieren?
Das Nutzen von Expertenwissen und künstlicher Intelligenz muss keine Entweder-Oder-Frage für die Optimierung oder Automatisierung von Finanz- und Risikoprozessen sein! In diesem Artikel werden Expertensysteme als Vorläufer zum Machine-Learning vorgestellt und es wird thematisiert, wie man den Einsatz von beiden Systemen kombinieren kann.
Bei Expertensystemen handelt es sich um Software, die den Nutzer bei der Lösung bestimmter Probleme unterstützen soll. Diese Systeme werden oftmals zusammen mit Experten entwickelt und bilden deren Wissen entweder in Form von Regeln oder Fallbeispielen ab (siehe auch Diagramm). Daher sind sie u.a. auch als „Regelbasierte Systeme“ oder „Fallbasierte Systeme“ bekannt. Die Nachteile solcher Expertensysteme sind, dass sie oft zu spezifisch für ihren Anwendungsfall bzw. nicht ausreichend flexibel für den allgemeinen Einsatz sind, und neues Wissen nicht einfach dazu lernen können.
Durch das Aufkommen von steigenden Datenmengen (Big Data) und steigender Rechenleistung (Cloud-Computing) werden Expertensysteme zugunsten des Machine-Learning (ML) mehr und mehr verdrängt. ML lernt Muster aus Daten durch mathematische Modelle, was es generisch einsetzbar und lernfähiger macht (denn neue Muster können aus neuen Daten gelernt werden). Ein Nachteil von ML-Modellen wiederum ist, dass sie Wissen nur mathematisch abbilden können und daher auf Nutzer oft wie eine nicht interpretierbare Blackbox wirken.
Eine Kombination aus ML- und Expertensystemen kann daher die Vorteile beider Systeme bei der Optimierung oder Automatisierung von Finanz- und Risikoprozessen vereinen. Einerseits können Experten ihre Faustregeln zur Datenselektion, zur Erkennung von Auffälligkeiten oder zur Bemessung von Risikofaktoren formalisieren und ein ML-System damit interpretierbarer oder flexibler gestalten. Andererseits kann ML genutzt werden, um Expertenregeln zu validieren, menschliche Fehlertendenzen zu minimieren, oder zeitaufwendige, repetitive Aufgaben zu automatisieren.
Die Vorstellung einer Python Bibliothek, mit der man diese Kombinationen aus ML- und Expertensystemen implementieren kann, ist in Teil 2 zu finden: