Validierung von KI-Modellen im Banking

Von Ralf Keuper

Welch gravierende Auswirkungen Modellrisiken im Banking haben können, wurde u.a. in der letzten Finanzkrise [1]Verzerrte Wahrnehmung des Gesamtrisikos durch Modellrisiken oder in Gestalt von Flash Crashs deutlich. Mit der Verbreitung von KI-Systemen über nahezu alle Unternehmensbereiche hinweg und der rasant wachsenden Komplexität der Algorithmen sind neue Modellrisiken hinzugekommen.

Banken und Unternehmen setzen heutzutage KI-Modelle mit einer großen Anzahl von Parametern ein, die nicht nur die IT-Systeme an ihre Grenzen führen, sondern auch die Möglichkeiten, Fehler in den Modellen rechtzeitig zu erkennen, limitieren. Wie können KI-Systeme dennoch validiert werden?

Rahmenwerke für die Bewertung von Modellrisiken existieren schon länger; das bekannteste und gebräuchlichste dürfte wohl SR 11-7 Supervisory Guidance on model risk management der Federal Reserve sein. Obschon die Möglichkeiten, Modellrisiken zu bewerten, groß sind, lassen sich nicht alle Risiken eliminieren. Die Aufgabe bleibt bestehen, nach immer neuen Methoden und Werkzeugen Ausschau zu halten, die zu einer besseren Einschätzung der Modellrisiken führen, so die Federal Reserve im Jahr 2011:

Even with skilled modeling and robust validation, model risk cannot be eliminated, so other tools should be used to manage model risk effe…

Dieser Beitrag wurde unter Banking, Künstliche Intelligenz, Technik und Gesellschaft abgelegt und mit , , , , , , , verschlagwortet. Setze ein Lesezeichen auf den Permalink.