Rekurrente Neuronale Netze RNN [Teil 2]: Anwendungsfälle im Finanzwesen

Welche Anwendungsfälle gibt es für Rekurrente Neuronale Netze?

Einführung

In unserem letzten Artikel [Rekurrente Neuronale Netze - Teil 1] haben wir einen Einblick in Rekurrente Neuronale Netze (RNN) und ihre Funktionsweise gegeben. Daran möchten wir heute anknüpfen und stellen einige typische Anwendungen von RNN vor. Ob Chatbots, Aktienprognosen, Betrugserkennung oder Produktempfehlungen, die Anwendungsmöglichkeiten von Rekurrenten Neuronalen Netzen (RNN) sind vielseitig. Im Folgenden werden wir einige Beispiele näher betrachten.

Betrugs- oder Spamerkennung

Wer kennt es nicht? Man stöbert durch seine E-Mails und sieht, dass einige davon als „Spam“ markiert sind. Bei diesen E-Mails mit möglicherweise schädlichem Inhalt sollte man vorsichtig sein. Deshalb ist es wichtig diese Art von E-Mails erkennen zu können. Die Identifikation von Betrugsversuchen bei Banken ist ein weiteres Beispiel für die Wichtigkeit Auffälligkeiten frühzeitig feststellen zu können.

Bei Problemen dieser Art können RNN helfen, da sie Muster in den Daten erkennen können. Diese erlernten Muster ermöglichen es Datenpunkte wie z.B. eine bestimmte E-Mail oder Transaktion, die nicht in das Muster des Datensatzes passen, zu entdecken und dadurch diese als mögliche Spam-Mail oder potenziellen Betrugsversuch zu identifizieren. Daraufhin können dann geeignete Maßnahmen getroffen werden, um einen möglichen Schaden zu verhindern.

Prognose von Finanzinstrumenten

Seit langer Zeit ist die Prognose von Finanzinstrumenten wie beispielsweise Aktien oder Derivaten von Interesse. Zur Prognose gibt es eine große Auswahl an statistischen und ökonometrischen Modellen. RNN sind zu den klassischen Methoden komplementär und erweitern diese.

In statistischen und ökonometrischen Modellen wird oft eine bestimmte Verteilung der Daten unterstellt. RNN hingegen haben keine Verteilungsannahmen und sind in der Lage auch nicht-lineare Zusammenhänge abzubilden. Durch diese Eigenschaften sind RNN um einiges flexibler als klassische Modelle.  Hinzu kommt, dass RNN durch LSTM und GRU als Neuronen auch Abhängigkeiten weit in die Vergangenheit berücksichtigen können.

Chatbots und Kundenhotlines

Amazon und Apple haben mit Alexa und Siri gezeigt, was Machine Learning im Bereich Spracherkennung bereits leisten kann. Im gleichen Zuge haben Unternehmen aus vielen verschieden Branchen Chatbots in ihre Onlineauftritte integriert, um Webseitenbesuchern bei ihren Problemen und Fragen zu helfen.

Produktempfehlungen

RNN ermöglichen Unternehmen Dienstleistungen besser auf bestimmte Kunden anzupassen. So können auf Basis von Suchbegriffen ähnliche Produkte vorgeschlagen werden. Ebenfalls erlaubt eine Bilderkennung mittels RNN ähnliche Produkte wie den Bildinhalt vorzuschlagen

Fazit

RNN sind ein wichtiger Teil Künstlicher Intelligenz. Dabei werden oft verschiedene Architekturen von Neuronalen Netzwerken wie z.B. Rekurrente und Convolutional Neuronale Netzwerke gemeinsam verwendet, um bestimmet Probleme zu lösen. In diesem Artikel haben wir verschiedene Anwendungsbereiche von RNN vorgestellt, welche das Potenzial der RNN in vielen Bereichen einen Mehrwert zu schaffen verdeutlichen.

Das nachfolgende Karussell stellt diesen Artikel noch einmal visuell und kompakt dar.

 

Erstellt von Dr. Carsten Keller und Patrick T. Philipp

Referenzen im Karussell

[1] ODSC-Community (Nicole Königstein). "Recurrent Neural Networks for Financial Time Series Prediction".

https://opendatascience.com/recurrent-neural-networks-for-financial-time-series-prediction/

[2] The App Solutions Inc. "How Business Can Benefit from Recurrent Neural Networks: 8 Major Applications".

https://theappsolutions.com/blog/development/recurrent-neural-networks/

[*]: Link abgerufen am 13.02.2023

[**]: Die Verlinkungen verweisen auf externe Daten außerhalb unserer Domain. Trotz sorgfältiger inhaltlicher Kontrolle übernehmen wir keine Haftung für die Inhalte externer Links.

Erfahren Sie mehr zum Thema Grundlagen:

Neugierig?

Entdecken Sie mehr über unsere Machine Learning Techniken

>> Mehr zu Machine Learning       << Zurück zur Galerie       

Wir stehen Ihnen bei Fragen zur Verfügung!