In der Vergangenheit stand eine angesehene Zentralbank vor einer beträchtlichen Herausforderung: Die Notwendigkeit, eine automatisierte Lösung für die Erstellung von aufsichtlichen Berichten im Bereich des Risiko-Reportings zu finden. Angesichts der immer komplexer werdenden regulatorischen Anforderungen und der steigenden Datenmenge war es für die Bank schwierig geworden, ihre Berichte manuell zu erstellen. Die Berichte waren nicht nur zeitaufwändig und arbeitsintensiv, sondern auch anfällig für menschliche Fehler. Die Zentralbank brauchte eine effiziente und präzise Lösung, um diese Herausforderungen zu bewältigen.

Um diese Herausforderung zu meistern, haben wir eine spezielle Lösung zur automatisierten Erstellung von aufsichtlichen Berichtsentwürfen entwickelt. Wir haben Beispielberichte und Best Practices genutzt, um die ideale Struktur und den Inhalt der Berichte zu identifizieren. Durch unsere Expertise in Datenanalyse und Künstlicher Intelligenz konnten wir eine Lösung entwerfen, die sowohl die Genauigkeit als auch die Effizienz der Berichtserstellung verbessert.

Unsere Lösung wurde rigoros getestet, um ihre Effektivität zu gewährleisten. Wir haben Testdaten aus vorherigen Use Cases verwendet, um die Genauigkeit der Lösung sicherzustellen und mögliche Verbesserungen zu identifizieren. Schließlich wurde der Proof of Concept (PoC) mitsamt Dokumentation, Evaluationsergebnissen und vorgeschlagenen Next Steps ausgeliefert.

Das Ergebnis war ein überzeugender PoC für die automatisierte Erstellung von aufsichtlichen Berichtsentwürfen. Die Lösung ermöglichte es der Zentralbank, ihre Berichte mit einer höheren Genauigkeit und in einem Bruchteil der bisher benötigten Zeit zu erstellen. Dies hat nicht nur zu einer Verbesserung der internen Prozesse geführt, sondern auch das Risiko-Reporting insgesamt effektiver gemacht.

Darüber hinaus haben wir umfassende Dokumentationen und Trainingsmaterialien für die Lösung bereitgestellt, um sicherzustellen, dass die Bankmitarbeiter die Technologie effektiv nutzen können. Diese Materialien tragen dazu bei, das Verständnis und die Akzeptanz der Lösung im gesamten Unternehmen zu fördern.

Neugierig geworden? Lassen Sie uns zeigen, was uns von anderen Unternehmen unterscheidet und wie wir Ihnen helfen können, Ihre Ziele zu erreichen.

In der Vergangenheit stand eine Zentralbank vor einer besonderen Herausforderung: Die Mitarbeiter sollten in der Lage sein, Daten aus ihrem hochvertraulichen Data Lake effizient abzufragen. Es handelte sich um einen komplexen Prozess, da das KI-System aus Sicherheitsgründen nicht direkt auf den Data Lake zugreifen durfte. Stattdessen sollte es SQL-Abfragen generieren, die dann von den Mitarbeitern selbst ausgeführt werden. Dies stellte hohe Anforderungen an die Nutzerfreundlichkeit und Sicherheit der Lösung

Um diese Herausforderung zu meistern, haben wir uns für die Entwicklung eines innovativen Tools entschieden, ein Proof of Concept, das die Abfrage des Data Lakes erheblich vereinfachen sollte. Unser Ziel war es, den Mitarbeitern der Bank die Möglichkeit zu geben, ihre Datenanfragen in natürlicher Sprache in ein einfaches Chat-Fenster einzugeben. Unter Verwendung des Language Models (LLM) und ChatGPT haben wir ein System geschaffen, das in der Lage ist, aus diesem Text eine SQL-Abfrage zu generieren, die der Mitarbeiter dann nutzen kann.

Diese Lösung vereint die Vorteile von künstlicher Intelligenz und menschlichem Input, indem sie die Komplexität von SQL-Abfragen verbirgt und stattdessen die Eingabe in natürlicher Sprache ermöglicht. Unser Chatbot ist in der Lage, die gestellten Fragen zu interpretieren und in SQL-Code zu übersetzen.

Die Implementierung dieses Systems wurde in Python realisiert und in vier Schritten durchgeführt. Zunächst erfolgte das Natural Language Understanding (NLU) der eingegebenen Frage. Dies ermöglichte es dem System, die Bedeutung hinter den Wörtern und Sätzen zu verstehen. Anschließend wurden die erkannten Entitäten normalisiert (Named Entity Normalization), um Inkonsistenzen in der Eingabe zu beseitigen.

Der dritte Schritt beinhaltete den Data Point Model Lookup, bei dem die normalisierten Entitäten mit den entsprechenden Datenpunkten im Data Lake abgeglichen wurden. Schließlich generierte das System die SQL-Abfrage, die der Mitarbeiter zur Extraktion der angeforderten Daten verwenden konnte.

Durch die Implementierung dieser Lösung konnten wir den Zugriff auf den Data Lake für die Mitarbeiter der Zentralbank erheblich vereinfachen und gleichzeitig die Sicherheit der Daten gewährleisten. Dieses Projekt ist ein Paradebeispiel dafür, wie innovative Technologien wie künstliche Intelligenz und Natural Language Processing dazu beitragen können, komplexe betriebswirtschaftliche Herausforderungen zu meistern. Daher stehen wir bereit, Ihnen und Ihrem Unternehmen dabei zu helfen, ähnliche Herausforderungen zu bewältigen. Unsere Erfahrungen mit Projekten wie diesem machen uns zu Ihrem idealen Partner im Bereich Datenanalyse und künstlicher Intelligenz.

Neugierig geworden? Lassen Sie uns zeigen, was uns von anderen Unternehmen unterscheidet und wie wir Ihnen helfen können, Ihre Ziele zu erreichen.