Willkommen in der Welt der Künstlichen Intelligenz (KI) und des Machine Learnings (ML). Wahrscheinlich sind Sie bereits mit diesen Begriffen vertraut, aber lassen Sie uns einen Blick hinter die Kulissen werfen.
ML ist nichts anderes als das pulsierende Herz der KI. Hier kommen beeindruckende Algorithmen zum Einsatz, die in riesigen Datensätzen nach versteckten Mustern und Gesetzmäßigkeiten suchen. Und was dabei entsteht, sind wahre Wunderwerke der Automatisierung - vielseitig einsetzbare Lösungsmodelle, mit Automatisierungspotential.
Der entscheidende Unterschied zum Deep Learning liegt darin, dass beim ML menschliches Eingreifen bei der Analyse der Daten, dem Lernprozess und dem eigentlichen Entscheidungsprozess zum Tragen kommt, was bei Banken und Finanzdienstleistern mehr Transparenz schaffen kann.
Unsere Services
Mit unserer umfassenden ML-Toolbox bieten wir Ihnen Werkzeuge und Ressourcen, um Ihre eigenen ML-Modelle zu erstellen und von den endlosen Möglichkeiten der Künstlichen Intelligenz zu profitieren. Egal, ob Sie die Bewegung von Finanzkennzahlen oder das Kündigungsverhalten beim Tagesgeschäft erklären, komplexe Vorhersagen treffen, Anlagedaten klassifizieren, Muster erkennen oder Ausreißer identifizieren möchten - unsere Toolbox steht Ihnen zur Seite.
Stellen Sie sich vor, dass ML-Systeme Entscheidungen treffen können, welche sich einem beliebigen Modell oder der Denkweise eines Menschen annähern, oder diese sogar übertreffen können. Es ist fast schon magisch, wie solche Modelle Vorhersagen treffen, Klassifikationen durchführen und Daten in Clustern organisieren. Es ist, als ob sie die verborgenen Geheimnisse der Daten enthüllen und uns eine neue Perspektive bieten.
Unser engagiertes Team von Experten begleitet Sie dabei auf Ihrer Reise und spart Ihnen wertvolle Ressourcen wie Ihre Zeit und personelle Kapazitäten. Damit heben wir Ihre Effizienz und steigern bei Bedarf die Produktivität. Wir helfen Ihnen, Ihre Daten zu analysieren, den Lernprozess zu optimieren und den Entscheidungsprozess - der sowohl automatisiert als auch menschlich begleitet wird - zu verfeinern. Gemeinsam erschaffen wir Transparenz und Innovation.
Gelangen Sie über die unteren Schaltflächen zu unserem umfassenden Repository und unseren Referenzen.
Grundlagen
In diesem Bereich erklären wir Ihnen die Grundlagen von maschinellem Lernen und zeigen, welche unterschiedlichen Arten, Modelle und Algorithmen es gibt.
ML-Systeme lernen Muster und Zusammenhänge aus Daten und verbessern sich mit zunehmender Erfahrung, ohne explizit programmiert zu sein.
Machinelles Lernen ist vielschichtig: Es unterteilt sich in die drei Methoden
ML/AI-Systeme …
… verwenden algorithmische und statistische Methoden, um aus historischen Daten zu lernen,
… werden mit Daten außerhalb einer Stichprobe mit dem Ziel der Verallgemeinerung validiert und
… erkennen Muster während dem Einsatz.
Artikel zu Grundlagen
Strategie & Events
Finbridge unterstützt Sie dabei, KI-Strategien und Prozesse zu entwickeln, welche auf die Ziele und Geschäftsstrategie Ihres Unternehmens sowie die aktuell geltenden regulatorischen Anforderungen abgestimmt sind.
Neben unbestrittenen Vorteilen bringen KI/ML-Ansätze in Banken neue Arten von Risiken mit sich, die im bestehenden Modell-Risiko-Management bisher nicht ausreichend berücksichtigt werden. Die gewählte KI-Strategie ist dabei mit nationalen und internationalen regulatorischen Frameworks, Gesetzen und Verordnungen in Einklang zu bringen. Hierzu zählen die wachsenden regulatorischen Anforderungen wie der “EU AI Act”.
Artikel zu Strategie & Events
Business Cases
Machine Learning bietet ein großes Spektrum an Anwendungsmöglichkeiten im Geschäftsbereich, welches über die vorgestellten Funktionen im Finance hinausgeht.
Lernen Sie in diesem Bereich Anwendungsfälle aus dem Geschäftsbereich kennen, um ein Gefühl für das Potential und den geschaffenen Mehrwert von Machine Learning zu bekommen:
- Alternative Modelling: Instruments, Portfolios, Risk & Financial Metrics
- Deep Pricing: Stresstests in Risc for Financial Instruments
- Credit Risk Analysis: Default, Ratings, Risk-Networks
- Customer Risk Analysis: Clustering, Churn, Creditworthiness
- Fraud Detection: Transaction, Money Laundering
- Robo-Advisor/Recommender for Traders or Customers
- Algorithmic Trading & Portfolio Optimization
- Stock & Time-Series Data Forecasting
- Sentiment Analysis for Stock & Market Data
- Automated Document Processing: E-Mails, Invoices, Cheques
- Summarization & Question-Answering for Long Texts: Regulations, Documentation, Contracts, etc.
- Customer Service: Biometrics, Chatbots
- Model Explanation & Compliance through XAI
- Process Automation & Optimization
- Data Analysis & Insights
Artikel zu Use Cases
Tools & Services
Wir geben Ihnen an dieser Stelle einen Einblick in unsere entwicklungsnahen Tools und Techniken.
Es ist ein großes Spektrum an Software für das maschinelle Lernen auf dem Markt verfügbar. Wir setzen derzeit unter anderem die folgenden Bibliotheken ein: Scikit Learn, PyTorch, TensorFlow, KNIME, Streamlit und Dash.
Diese bringen Features mit sich, z.B. Data Preparation, Data Mining & Analysis, Modelle & Algorithmen, Optimierung, Automatisierung, XAI-Techniken, die Entwicklung von interaktiven Applikationen und viele weitere.
Demos
Entdecken Sie die von uns verwendeten Machine Learning Tools und Techniken in interaktiven Demos*:
ML Engineering Stack
Auf dem Weg von den Rohdaten bis zur fertigen Benutzeroberfläche zur Darstellung von Ergebnisobjekten aus den verwendeten Machine Learning Modellen gibt es zahlreiche Standard-Bibliotheken. Wir verwenden ausgewählte bekannte Bibliotheken* in allen Entwicklungsstufen:
[*]: Die Verlinkungen verweisen auf externe Daten außerhalb unserer Domain. Trotz sorgfältiger inhaltlicher Kontrolle übernehmen wir keine Haftung für die Inhalte externer Links.
Artikel zu Tools & Services
Referenzen
Mit unserem umfassenden Angebot an KI- und ML-Services unterstützt Finbridge Kunden in jeder Phase der ML-Einführung mit einem Set an KI- und ML-Services sowie softwaretechnischen Lösungen.
Unsere modularen und interaktiven Applikationen finden bereits Anwendung (Vorhersagemodelle für Finanzparametern, Anomalie-Detektierung, XAI-Techniken uvm.) in diversen Prozessen.
Artikel zu Referenzen
Die EU macht Ernst: Nach erneuter Konsultation des Europäischen Parlaments wurde das „VAT in the Digital Age“ (ViDA)-Maßnahmenpaket am 11. März 2025 offiziell verabschiedet und wird schrittweise bis Januar 2035 eingeführt. Damit kommt ein neues Zeitalter der Umsatzsteuer-Compliance auf Unternehmen zu – digital, transparent und verpflichtend.
In diesem Insight wollen wir erläutern, was das ViDA-Maßnahmenpaket mit den Anforderungen an die E-Rechnung, an das E-Invoicing und an das E-Reporting (digitale Meldepflichten) zu tun hat und wie Sie die Umsetzung der regulatorischen Anforderungen ganzheitlich angehen. Denn E-Rechnung, E-Invoicing und digitale Meldepflichten sind mehr als nur (zukünftige) Regulierung: Sie sind der Schlüssel zu einer zukunftssicheren, effizienten und sicheren Finanz- und IT-Infrastruktur. Der Erfolgsfaktor dabei? Eine integrierte Denkweise.
Die Digitalisierung bringt insbesondere für die Planungsfunktion von Unternehmen erhebliche Potenziale mit sich. Gleichzeitig sind die Auswahl und die Implementierung einer auf die individuellen Bedürfnisse zugeschnittenen Lösung mit einigen Herausforderungen verbunden. Um in einem vielfältigen, wettbewerbsintensiven und dynamischen Markt die passende Software zu finden und Fehlinvestitionen zu vermeiden, ist ein systematischer Auswahlprozess für Unternehmen unerlässlich. Dieser Artikel beschreibt einige dieser Herausforderungen und befasst sich mit Lösungsansätzen sowie Best Practices, damit Sie die optimale Entscheidung bei der Auswahl Ihres Planungstools treffen.
Finbridge - Ihr Partner für ML-Dienstleistungen in der Finanz- & Bankenlandschaft. Durch den Einsatz von Machine Learning (ML) fördern wir Innovationen, steigern die Effizienz und verbessern die Kundenerfahrung. Unsere KI-Lösungen unterstützen Bereiche wie Kundenservice, Risikomanagement, Prozessautomatisierung und Datenanalyse. Wir bieten modulare ML-Lösungen aus unserer umfangreichen ML-Toolbox und passen diese flexibel an Ihre Bedürfnisse an, sei es durch maßgeschneiderte Beratungsprojekte oder effiziente Softwarepakete. Entdecken Sie Business-Cases für erfolgreiche Anwendungsfälle!
Die pbb Deutsche Pfandbriefbank AG und das Beratungsunternehmen Finbridge haben ihre Kräfte gebündelt, um den Prozess der Stillen Reserven und Lasten (HRL) durch Automatisierung und maschinelles Lernen zu verbessern. Dies führte zu einer signifikanten Reduzierung des Gesamtaufwands unter Steigerung der Automatisierung, wodurch Mitarbeiter bei Routineaufgaben entlastet wurden. Der innovative ML-Ansatz von Finbridge ermöglicht es, komplexe Finanzdaten effizient und präzise zu analysieren und dabei neue Erkenntnisse und Optimierungspotenziale zu entdecken. Die Lösungen sind maßgeschneidert, robust und nachvollziehbar, wobei erklärbare KI-Verfahren (mittels XAI) eingesetzt werden, um eine intuitive Interpretation der Ergebnisse zu ermöglichen.
Die breitere Akzeptanz und aktive Weiterentwicklung von Techniken des Machine-Learnings und der Datenanalyse haben neue Möglichkeiten der Optimierung und Automatisierung von Geschäftsprozessen ermöglicht. Dies bietet Banken neue Wege ihre Abläufe so umzugestalten, dass Bearbeitungszeiten eingespart, die Transparenz verbessert und Ressourcen eingespart werden können. Wir stellen das Potenzial solcher Verfahren am Beispiel eines stille Lasten und Reserven Prozesses vor, der unter anderem in den Finance-Abteilungen von Banken Anwendung findet.
In ihrem Artikel stellen unsere Kollegen David Israel und Jördis Helmers die Herausforderungen bei der Informationsgewinnung aus gescannten Dokumenten dar. Sie beschreiben anhand verschiedener Anwendungsbeispiele, wie Dokumente klassifiziert werden, d.h. welche Formate typischerweise bei Verträgen vorkommen können, und wie diese mit verschiedenen Parsing-Regeln jeweils optimal gehandhabt werden können.
Eine Gründungswelle an digitalen Plattformen, die einen digitalen Schuldscheinprozess anbieten, gibt dem bereits boomenden Schuldscheinmarkt nochmals Aufwind hinsichtlich unerreichter Transaktionsvolumina und Anzahl an Deals. Der traditionelle Emissionsprozess birgt gewisse Ineffizienzen, die relativ einfach durch eine Plattform-Lösung vermieden werden können: Eine Plattform kann die Standardisierung, Transparenz und Prozessdauer erheblich verbessern. Dieser Artikel gibt einen aktuellen Überblick über die Plattform-Evolution auf dem Schuldscheinmarkt.
Die Bedeutung der Bereiche Audit und Compliance nimmt stetig zu und gewinnt als Thema an Geschwindigkeit. Seitens des Regulators, der Aufsicht sowie der externen und internen Prüfer wächst der Druck, mit der zunehmenden Digitalisierung und der damit einhergehenden Beschleunigung der Geschäftstätigkeit schrittzuhalten. Der aktuelle, risikoadjustierte Prüfungsansatz setzt umfangreiches Expertenwissen voraus und basiert in der Regel auf einer intelligenten, aber stichprobenhaften Prüfung. Im Rahmen dieses Umfelds haben wir die Commerzbank im Bereich Audit unterstützt, Lösungen für Tools zur Prozessautomatisierung und technischen Prüfungsunterstützung zu entwickeln.
Open Banking, oder auch API-Banking ist in aller Munde. Nicht nur durch die PSD2-Richtlinie der EU, die in Kürze alle Banken in die Pflicht nehmen wird, herrscht Aufbruchstimmung. Sicher ist schon jetzt, dass das Thema die Finanzbranche nachhaltig verändern wird. Es fordert die klassischen Strukturen in der Branche heraus und hat somit Revolutionspotential.
Kaum ein Thema wird in der Finanzbranche aktuell kontroverser diskutiert als die PSD2, die „Payment Services Directive 2“ der EU. Die neue Richtlinie nimmt nun EU-weit alle Banken in die Pflicht, neue Sicherheitskonzepte und Schnittstellen umzusetzen und zwingt die Institute so indirekt, sich mit dem Thema der Marktöffnung der Branche gegenüber Drittanbieter und – im weiteren Kontext – mit der Digitalisierung und Umstrukturierung der Finanzwelt auseinander zu setzen.
Die Finanzbranche sieht sich im Moment mit einer Vielzahl neuer Technologien wie Cloud Computing und Open Banking konfrontiert. Richtig angewendet bergen diese enormes Potenzial, höhere Agilität und Flexibilität jenseits von starren IT-Strukturen zu gewährleisten. Gemeinsam mit unserem Partner Finastra zeigen wir Ihnen im Webinar, wie das funktioniert.
Die aktuelle Entwicklung hin zu mehr agilem Projektvorgehen sowie Continuous Integration und Continuous Delivery stellt neue Herausforderungen an das Testen. Im Folgenden werden wir daher einige wichtige Stellschrauben zur Effizienzsteigerung beim Testvorgehen benennen.
Robotic Process Automation (RPA), oder auch kurz Robotics, ist in aller Munde, was die Welt etablierter Geschäftsprozesse anbelangt. Als Tool um eindeutige, aber zeitintensive Standardprozesse kosteneffektiv zu automatisieren, haben RPA-Technologien vielfältige Anwendungsmöglichkeiten.
In unserem Hauptartikel haben wir einen Überblick über das etablierte, klassische Zweitschriftverfahren gegeben und Vorschläge zur Einsatzoptimierung der vorhandenen Ressourcen vorgestellt. Der folgende Proof of Concept illustriert den ersten Schritt zur Optimierung bzw. Automatisierung des Zweitschriftverfahrens durch die Digitalisierung der Arbeitsschritte der Zweitschrift-prüfenden Bank.
RPA gewinnt in der Banken IT zunehmend an Bedeutung. Unsere Experten haben drei konkrete Anwendungsfälle aus Ihrer Projektpraxis in der Banksteuerung für Sie aufbereitet.
Syndicated Loans sind ein Beispiel komplexer Finanzprodukte, deren Bearbeitung und Verwaltung über den gesamten Lifecycle und in den verschiedenen Bankbereichen eine große Herausforderung darstellt. In Kombination mit heterogenen IT-Landschaften und wechselnden Hoheiten entlang der Datenlieferstrecken kann die Komplexität solcher Produkte zu fehleranfälligen und schwer zu überblickenden Prozessen führen. In diesem Artikel möchten wir einige Beispiele solcher nicht-trivialer Prozesse vorstellen und diskutieren, wie diese mit Hilfe von Process Mining identifiziert und das verbundene Optimierungspotenzial nutzbar gemacht werden kann.
Die voranschreitende Digitalisierung der Arbeitswelt im Allgemeinen und der Finanzwelt im Besonderen hat über die letzten Jahrzehnte dazu geführt, dass in Finanzinstituten immer komplexere, meist sehr heterogene IT-Landschaften entstanden sind. In der Artikelreihe um das Thema "Process Mining" stellt Finbridge eine Methode vor, wie Banken sich dieser wachsenden Herausforderung im Rahmen von Digitalisierung und Big Data systematisch stellen können und diskutiert zugehörige Anwendungsbeispiele.
Das Zweitschriftverfahren betrifft grundsätzlich jedes Institut, das Wertpapiergeschäfte tätigt. Da die Art und Weise der Erstellung der Zweitschriften individuell historisch gewachsen ist, gibt es keine institutsübergreifende Norm, die eine weitere Verarbeitung der Zweitschriften vereinfachen würde. Einen etablierten Prozess vollständig umzustellen und ad hoc digital abzuwickeln ist ein sehr aufwändiges Unterfangen, unter anderem durch die Vielzahl an beteiligten Parteien. Wir schlagen daher vor, den Prozess schrittweise zu verbessern und zunächst lokal bei den einzelnen Instituten anzusetzen.
Blockchains und deren Einsatz sind bereits seit einigen Jahren im Rahmen von BitCoins & Co in aller Munde. Verschiedene Anwendungen der Blockchain haben hierbei einen Reifeprozess bezüglich ihrer Praktikabilität durchlaufen und stellen für viele Bereiche, vor allem in der Finanzwelt, den nächsten Entwicklungsschritt in der Nutzung moderner Informationstechnologie dar.
Die Blockchain-Technologie hat zahlreiche vielversprechende Einsatzmöglichkeiten. Gemeinsam mit Finastra und der Commerzbank untersuchen wir im Rahmen eines Webinars spezifisch das Potential der Technologie im Trade Finance Geschäft.
KI und ML sind Schlüsselelemente eines digitalisierten Unternehmens
Finanzdienstleister und Banken bauen ihr Engagement in den Bereichen maschinelles Lernen und künstliche Intelligenz aus und setzen diese Techniken in ihren Prozessen ein. Institute benötigen aber auch die richtigen Voraussetzungen für den erfolgreichen Einsatz von ML — vor allem eine qualitative Datengrundlage ermöglicht es Potenziale zu heben und präzise Prognosen zu ermöglichen.
"Die Akzeptanz für Machine Learning ist höher, als den meisten bewusst ist. Das Datenmanagement und langfristiges Denken hat allerdings für den erfolgreichen Einsatz in passgenauen Use-Cases oberste Priorität."
— DR. CARSTEN KELLER
Finbridge ist Ihr Ansprechpartner, wenn es darum geht Ihre Prozesse und Ihr Geschäftsmodell digital auszurichten. Unsere Experten unterstützen Sie im Bereich Machine Learning bei der Formulierung und praktischen Umsetzung einer Strategie im Bereich der künstlichen Intelligenz. Mit unserem ML-Know-How und unseren leistungsstarken Applikationen helfen wir dabei einen Mehrwert für Ihre Prozesse zu generieren.
Weitere Insights
Die EU macht Ernst: Nach erneuter Konsultation des Europäischen Parlaments wurde das „VAT in the Digital Age“ (ViDA)-Maßnahmenpaket am 11. März 2025 offiziell verabschiedet und wird schrittweise bis Januar 2035 eingeführt. Damit kommt ein neues Zeitalter der Umsatzsteuer-Compliance auf Unternehmen zu – digital, transparent und verpflichtend.
In diesem Insight wollen wir erläutern, was das ViDA-Maßnahmenpaket mit den Anforderungen an die E-Rechnung, an das E-Invoicing und an das E-Reporting (digitale Meldepflichten) zu tun hat und wie Sie die Umsetzung der regulatorischen Anforderungen ganzheitlich angehen. Denn E-Rechnung, E-Invoicing und digitale Meldepflichten sind mehr als nur (zukünftige) Regulierung: Sie sind der Schlüssel zu einer zukunftssicheren, effizienten und sicheren Finanz- und IT-Infrastruktur. Der Erfolgsfaktor dabei? Eine integrierte Denkweise.
Die Digitalisierung bringt insbesondere für die Planungsfunktion von Unternehmen erhebliche Potenziale mit sich. Gleichzeitig sind die Auswahl und die Implementierung einer auf die individuellen Bedürfnisse zugeschnittenen Lösung mit einigen Herausforderungen verbunden. Um in einem vielfältigen, wettbewerbsintensiven und dynamischen Markt die passende Software zu finden und Fehlinvestitionen zu vermeiden, ist ein systematischer Auswahlprozess für Unternehmen unerlässlich. Dieser Artikel beschreibt einige dieser Herausforderungen und befasst sich mit Lösungsansätzen sowie Best Practices, damit Sie die optimale Entscheidung bei der Auswahl Ihres Planungstools treffen.
Finbridge - Ihr Partner für ML-Dienstleistungen in der Finanz- & Bankenlandschaft. Durch den Einsatz von Machine Learning (ML) fördern wir Innovationen, steigern die Effizienz und verbessern die Kundenerfahrung. Unsere KI-Lösungen unterstützen Bereiche wie Kundenservice, Risikomanagement, Prozessautomatisierung und Datenanalyse. Wir bieten modulare ML-Lösungen aus unserer umfangreichen ML-Toolbox und passen diese flexibel an Ihre Bedürfnisse an, sei es durch maßgeschneiderte Beratungsprojekte oder effiziente Softwarepakete. Entdecken Sie Business-Cases für erfolgreiche Anwendungsfälle!
Die pbb Deutsche Pfandbriefbank AG und das Beratungsunternehmen Finbridge haben ihre Kräfte gebündelt, um den Prozess der Stillen Reserven und Lasten (HRL) durch Automatisierung und maschinelles Lernen zu verbessern. Dies führte zu einer signifikanten Reduzierung des Gesamtaufwands unter Steigerung der Automatisierung, wodurch Mitarbeiter bei Routineaufgaben entlastet wurden. Der innovative ML-Ansatz von Finbridge ermöglicht es, komplexe Finanzdaten effizient und präzise zu analysieren und dabei neue Erkenntnisse und Optimierungspotenziale zu entdecken. Die Lösungen sind maßgeschneidert, robust und nachvollziehbar, wobei erklärbare KI-Verfahren (mittels XAI) eingesetzt werden, um eine intuitive Interpretation der Ergebnisse zu ermöglichen.
Die breitere Akzeptanz und aktive Weiterentwicklung von Techniken des Machine-Learnings und der Datenanalyse haben neue Möglichkeiten der Optimierung und Automatisierung von Geschäftsprozessen ermöglicht. Dies bietet Banken neue Wege ihre Abläufe so umzugestalten, dass Bearbeitungszeiten eingespart, die Transparenz verbessert und Ressourcen eingespart werden können. Wir stellen das Potenzial solcher Verfahren am Beispiel eines stille Lasten und Reserven Prozesses vor, der unter anderem in den Finance-Abteilungen von Banken Anwendung findet.
In ihrem Artikel stellen unsere Kollegen David Israel und Jördis Helmers die Herausforderungen bei der Informationsgewinnung aus gescannten Dokumenten dar. Sie beschreiben anhand verschiedener Anwendungsbeispiele, wie Dokumente klassifiziert werden, d.h. welche Formate typischerweise bei Verträgen vorkommen können, und wie diese mit verschiedenen Parsing-Regeln jeweils optimal gehandhabt werden können.