Expertensysteme [Teil 2]: Human-Learn
Mit welcher Python Bibliothek kann man den Einsatz von Expertenwissen und künstlicher Intelligenz für Finanz- & Risikoprozesse kombinieren?
Expertensysteme wurden im ersten Teil als Vorläufer zum Machine-Learning vorgestellt. Dabei wurde argumentiert, dass das Nutzen von Expertenwissen und künstlicher Intelligenz keine Entweder-Oder-Frage für die Optimierung oder Automatisierung von Finanz- und Risikoprozessen sein muss. In diesem Artikel wird die Open-Source Bibliothek „Human-Learn“ für die Programmiersprache Python präsentiert, mit der man menschliches Fachwissen und Machine-Learning kombinieren kann. Sie lässt sich nahtlos mit Scikit-Learn (der verbreitetsten ML-Bibliothek für Python schlechthin) integrieren. In diesem Zusammenhang wollen wir auf drei Features von Human-Learn genauer eingehen, die besonders zu Finanz- und Risikoprozessen passen.
1. Regeln als ML-Modelle
Für Finanz- und Risikoprozesse gibt es sowohl aufsichtsrechtliche als auch institutseigene Regeln (oft in Form von mathematischen Formeln) zur Schätzung von Risikokennzahlen oder -ratings. Mit dem Feature „Regeln als ML-Modelle“ können solche Regeln in ML-Modelle für Regressions- oder Klassifikationsalgorithmen überführt werden. Das wiederum ermöglicht das Feinstimmen und Validieren jener Regeln über ML-Modelle und somit auch für die Finanz- und Risikoprozesse selbst.
2. Einzeichnen von Modellen & Ausreißern
Das beste System zur universellen Mustererkennung ist und bleibt das menschliche Gehirn. Daher bietet Human-Learn ein Feature zum Einzeichnen von Modellen oder Ausreißern. Auf einer grafischen Nutzeroberfläche können Experten Muster in ihren Daten erkennen und damit bspw. Entscheidungsgrenzen für Klassifikationsprobleme oder statistische Ausreißer händisch einzeichnen. Demgegenüber wirken moderne ML-Modelle zur Klassifikation oder Ausreißer-Erkennung wie eine Blackbox. Das manuelle Einzeichnen reduziert also den Programmieraufwand und erhöht die menschliche Interpretierbarkeit der entstandenen ML-Modelle (auch für interne & externe Prüfer).
3. Datenaufbereitung
Daten zur Analyse von Finanz- und Risikoprozessen werden oft, unter Einhaltung komplexer Regeln, aus verschiedenen Datenbanken zusammengeführt und aufbereitet. Ein weiteres Feature von Human-Learn ermöglicht es solche Regeln zur Aufbereitung von Daten zu formalisieren und in einer wartbaren Pipeline zu implementieren. Somit führt eine Änderung der Regeln nicht zu erheblichem Mehraufwand bei der Datenaufbereitung.
Es ist also möglich menschliche und künstliche Intelligenz zu kombinieren, um das Beste aus beidem herauszuholen. Mehr Informationen zu Human-Learn finden Sie hier.