Check it out
awards
WiWo Award TRUSTEQ
BrandEins Berater 2026 Award
TRUSTEQ kununu awards
TRUSTEQ
CooperativeExcellence

Klassische Technologien mit neuer Relevanz

Machine Learning im Glow-Up

Klassische Machine-Learning-Technologien (ML-Technologien) wirken auf den ersten Blick oft unspektakulär im Vergleich zu generativer Künstlicher Intelligenz (KI) oder großen Sprachmodellen (LLMs). Doch gerade sie übernehmen in vielen Unternehmen die entscheidenden Aufgaben im Hintergrund: Sie erkennen Risiken, prognostizieren Entwicklungen und liefern datenbasierte Vorhersagen mit hoher Präzision. Und das schon lange: schon in den 1980er Jahren begannen Finanzunternehmen erste Formen von ML-Technologien zur Analyse großer Daten einzusetzen. Auch wenn aktuell der Fokus stark auf generativer KI liegt, schaffen bewährte ML-Technologien weiterhin messbare Mehrwerte. 

Es lohnt sich daher, diesen etablierten Verfahren besondere Aufmerksamkeit zu schenken. Unter ML-Technologien versteht man bewährte Methoden des maschinellen Lernens, die Daten systematisch analysieren, Muster erkennen, Vorhersagen treffen und datenbasierte Entscheidungen unterstützen. Typische Beispiele sind Random Forests, Gradient Boosting, Support Vector Machines oder tiefe neuronale Netze, welche seit Jahren erfolgreich im Einsatz für die Analyse strukturierter Daten sind. 

Besonders in datenintensiven Branchen wie im Finanzsektor entstehen durch die Anwendung von ML-Technologien auf diese Weise bereits heute konkrete, messbare Mehrwerte. Durch die gezielte Verbindung klassischer ML-Technologien mit modernen KI-Entwicklungen ergeben sich darüber hinaus zusätzliche Potenziale für datengetriebene Innovationen. 

Neue Ansätze für klassische ML-Technologien im Finanzsektor

Klassische ML-Technologien sind, im Finanzsektor längst etabliert und bilden die Grundlage vieler datengetriebener Prozesse.  Neue technologische Ansätze erweitern nun die Einsatzmöglichkeiten der klassischen Modelle, insbesondere im Umgang mit sensiblen Daten oder im Kontext starker Regulierung. Vier Beispiele: 

1. Federated Learning

Daten nutzen, ohne sie zu teilen 

Der Umgang mit sensiblen Daten ist für stark regulierte Branchen wie Versicherungen und Bankwesen besonders relevant.. Klassische ML-Technologien stoßen hier schnell an Grenzen, da Daten häufig nicht zentral zusammengeführt werden dürfen. 

Der Umgang mit sensiblen Daten ist für stark regulierte Branchen wie Versicherungen und Bankwesen besonders relevant.. Klassische ML-Technologien stoßen hier schnell an Grenzen, da Daten häufig nicht zentral zusammengeführt werden dürfen. Federated Learning bietet hierfür einen neuen Ansatz: Modelle werden dezentral trainiert, direkt dort, wo die Daten entstehen. Anstatt Daten zu übertragen, werden lediglich Modellparameter zwischen den beteiligten Parteien ausgetauscht. In der Praxis bedeutet das: Mehrere Versicherungen oder Finanzinstitute können gemeinsam leistungsfähigere Modelle entwickeln, ohne sensible Kundendaten offenzulegen. Daraus ergeben sich klare Vorteile:

Quellen

Nutzung verteilter Datenquellen ohne Verletzung von Datenschutzanforderungen

Qualität

Bessere Modellqualität durch größere, diversere Datenbasis

Möglichkeiten

Neue Möglichkeiten für unternehmensübergreifende Anwendungsfälle, z. B. in der Betrugserkennung

2. Temporal Graph Networks

Dynamik verstehen 

Viele relevante Fragestellungen im Bereich Finanzdienstleistungen sind nicht statisch, sondern entwickeln sich über die Zeit. Klassische Modelle und einfache Graph-Ansätze – also Modelle, die Beziehungen zwischen Akteuren wie Konten, Kunden oder Transaktionen als Netzwerk abbilden – berücksichtigen diese Dynamik oft nur unzureichend. Wer überweist wem wie viel, wie oft und seit wann? Betrug, Geldwäsche oder Kreditrisiken zeigen sich oft erst, wenn Modelle Transaktionsmuster über längere Zeit verfolgen. 

Genau das machen “Temporal Graph Networks”. Sie erweitern Graph-basierte Modelle um eine Zeitdimension. Dadurch können nicht nur Beziehungen zwischen Entitäten analysiert werden, sondern auch deren Entwicklung. 

Das ermöglicht beispielsweise: 

  • Nachverfolgung sich entwickelnder Betrugsnetzwerke
  • Früherkennung von Veränderungen im Kundenverhalten
  • Analyse komplexer Ereignisketten über mehrere Zeitpunkte hinweg 

Diese Modelle rücken näher an reale, sich kontinuierlich verändernde Prozesse und liefern aussagekräftigere Ergebnisse. 

3. Decision Intelligence

Vom Wissen zur Handlung 

 

Ein wesentlicher Entwicklungsschritt im ML besteht darin, den Fokus von reinen Vorhersagen hin zu konkreten Handlungsempfehlungen zu verschieben. Decision Intelligence kombiniert ML mit Optimierungsverfahren und fachlichen Entscheidungsregeln. Optimierungsverfahren berechnen dabei unter gegebenen Einschränkungen – etwa Budget oder Kapazität – die beste Handlungsoption; fachliche Entscheidungsregeln setzen regulatorische oder unternehmensinterne Leitplanken, die kein Modell übersteuern darf." Ziel ist es, nicht nur zu prognostizieren, was passieren könnte, sondern aktiv zu bestimmen, welche Entscheidung unter gegebenen Bedingungen die beste ist. 

In der Praxis bedeutet das:  Modelle unterstützen nicht nur bei der Risikobewertung, sondern geben konkrete Empfehlungen, etwa zur optimalen Preisgestaltung, zur Auswahl geeigneter Maßnahmen oder zur Priorisierung von Fällen. 

Die Vorteile: 

Damit werden ML-Technologien vom Analysewerkzeug zum aktiven Bestandteil der Entscheidungsfindung. 

4. Self-Supervised Learning: Mehr aus Daten herausholen 

 

Ein großer Teil der verfügbaren Daten in Versicherungen und im Finanzsektor ist unstrukturiert oder nicht gelabelt und wird daher in klassischen ML-Projekten nur eingeschränkt genutzt. 

Self-Supervised Learning (SSL) adressiert genau dieses Problem. Modelle lernen eigenständig Strukturen und Zusammenhänge in großen Datenmengen, ohne dass umfangreiche manuelle Annotationen erforderlich sind. Ein Beispiel: Eine Versicherung hat Millionen archivierter Schadenmeldungen als Freitext – aber nur ein Bruchteil davon ist manuell kategorisiert. Ein Self-Supervised-Modell kann aus den ungelabelten Texten selbstständig lernen, welche Formulierungen auf Betrug, Doppelmeldungen oder ungewöhnliche Schadensverläufe hindeuten – ohne dass ein Mensch jeden Fall vorher markiert hat.  

SSL-Modelle ermöglichen: 

  • Nutzung großer Mengen bisher ungenutzter Daten 
  • Reduzierung des Aufwands für Datenaufbereitung und Labeling
  • Bessere Generalisierung der Modelle auf neue, unbekannte Fälle 

Gerade in datenreichen Organisationen entsteht dadurch ein erheblicher zusätzlicher Mehrwert, da vorhandene Datenbestände deutlich effizienter genutzt werden können. 

Fazit 

Klassische ML-Technologien sind im Finanzsektor längst etabliert und liefern verlässliche, messbare Ergebnisse.  

Die spannendsten Entwicklungen ergeben sich an der Schnittstelle von bewährten und neuen Ansätzen: Temporal Graph Networks, Federated Learning, Self-Supervised Learning und Decision Intelligence erweitern die Möglichkeiten, Daten gezielter zu nutzen. 

Wer diese Technologien gezielt kombiniert und kontinuierlich weiterentwickelt, kann nicht nur Prozesse optimieren, sondern echte Wettbewerbsvorteile generieren und das volle Potenzial von KI ausschöpfen. 

Wir bei TRUSTEQ unterstützen Ihr Unternehmen dabei, klassische ML-Technologien und moderne KI-Technologien wirkungsvoll zu kombinieren. So ermöglichen wir es Ihnen, das Potenzial von KI gezielt zu nutzen – von intelligenten Assistenzsystemen über automatisierte Analysen bis hin zu fundierten, datenbasierten Entscheidungsmodellen. 

Als Trusted Advisor stehen wir Ihnen entlang des gesamten Prozesses zur Seite: von der Identifikation geeigneter ML-Use-Cases über Pilotierung und Implementierung bis hin zur kontinuierlichen Sicherstellung regulatorischer Compliance – einschließlich der Anforderungen des EU AI Act. Mit diesem ganzheitlichen Ansatz verankern wir innovative KI-Lösungen praxisnah, sicher und nachhaltig in Ihrem Unternehmen. 

Sophia Hofbauer

AI Developer @TRUSTEQ