Vom Scoring zum Reasoning: Vertrauenswürdige KI mit Cloudera, NVIDIA und Dell Technologies für Finanzdienstleistungen operationalisieren.

KI in Unternehmen hat in den letzten zwei Jahren eine wichtige Schwelle überschritten. Bei der Konversation geht es nicht mehr darum, ob KI funktioniert oder welche Modelle evaluiert werden sollten; vielmehr geht es darum, KI zuverlässig in den Produktivbetrieb zu überführen, in großem Umfang zu betreiben und für jede von ihr getroffene Entscheidung einzustehen. Die Fragen, die IT- und Unternehmensverantwortliche heute beschäftigen, sind operativer Natur. Wo sollten KI-Workloads ausgeführt werden, wie sollten sie mit den Daten verbunden werden, die sie nützlich machen, und wie kann das Unternehmen die Kontrolle über die Antworten behalten, die die KI erzeugt?

Dem operativen Wandel liegt ein tiefgreifenderer Wandel zugrunde. Für Finanzdienstleistungsunternehmen, die Betrugserkennung und Kreditrisiken managen, lag der Fokus früherer KI-Implementierungen auf isolierten Vorhersagen und binären Ergebnissen. Die heutigen Anforderungen verlangen Systeme, die über mehrere Datenquellen hinweg Schlussfolgerungen ziehen, ihre Entscheidungen erklären und sofort koordinierte Maßnahmen ergreifen können. Dieser Wandel vom Scoring zum Schlussfolgern verändert, wie Unternehmen an ihre folgenreichsten Workflows herangehen.

Dieser Wandel erfordert eine andere Grundlage. Vertrauenswürdige Daten, auf die sich KI verlassen kann, eine speziell entwickelte KI-Infrastruktur oder KI-Fabriken, die Inferenz in Echtzeit in großem Maßstab liefern können, sowie die Fähigkeit, sensible Daten in souveränen, sicheren Umgebungen zu halten. Cloudera AI, durch NVIDIA beschleunigt und auf der Infrastruktur von Dell Technologies bereitgestellt, bietet Unternehmen eine praktische Grundlage für diesen Moment, wobei der Finanzdienstleistungssektor als überzeugender Beleg dient und das Wertversprechen für jede Organisation gilt, die KI vom Pilotprojekt in die Produktion überführt.

Von der Experimentierphase zum Betrieb

Studien der Enterprise Strategy Group, mittlerweile Teil von Omdia, zeigen, dass 78 % der Finanzdienstleistungsunternehmen KI-Agenten im Vergleich zu anderen KI-Initiativen als oberste oder hohe Priorität einstufen. Dieser Bedeutungszuwachs ist nicht auf Finanzdienstleistungen beschränkt. In regulierten Branchen hat sich KI von experimentellen Projekten zu einer Priorität auf Vorstandsebene entwickelt, wobei der Fokus auf den folgenreichsten Geschäftsprozessen liegt. Geldwäschebekämpfung, Kreditprüfung, Risikomanagement und Betrugserkennung zählen zu den wichtigsten Anwendungsfällen, doch dasselbe Muster zeigt sich auch im Gesundheitswesen, in der Telekommunikation, im öffentlichen Sektor und in der Fertigung.

Dieselbe Forschung bringt Reibungspunkte zutage. 51 % der Finanzdienstleistungsunternehmen äußern Bedenken hinsichtlich des Datenschutzes und des Umgangs mit sensiblen Informationen bei der Nutzung von KI-Agenten. 45 % äußern Bedenken hinsichtlich der Ungenauigkeit der Entscheidungsfindung durch KI-Agenten. Dies sind keine Vorbehalte gegen die Einführung, wie sie in der Experimentierphase auftraten. Es sind operative Anforderungen, die jedes KI-System im Produktivbetrieb erfüllen muss, und die heute getroffenen Architekturentscheidungen werden diese Anforderungen über Jahre hinweg entweder unterstützen oder untergraben.

Eine neue Architektur: Vom Scoring zum Schlussfolgern

Traditionelles maschinelles Lernen bietet weiterhin enormen Mehrwert für Scoring-Prozesse mit hohem Volumen und hoher Geschwindigkeit. Modelle, die mit strukturierten Daten trainiert wurden, bewerten Transaktionen in unter 50 Millisekunden und identifizieren Anomalien in großem Maßstab. Was maschinelles Lernen nicht gut kann, ist, sich selbst zu erklären. Ein Score sagt einem Ermittler, was passiert ist. Er erklärt ihnen nicht, warum, und gibt einem menschlichen Prüfer nicht den Kontext, um eine fundierte Entscheidung zu treffen.

Generative KI schließt diese Lücke. Große Sprachmodelle können Tausende Seiten an Dokumenten verarbeiten, relevante Signale extrahieren und erzählende Zusammenfassungen erstellen, die komplexe Sachverhalte in einfacher Sprache erläutern. Bei einem Betrugsfall erstellt generative KI eine Untersuchungszusammenfassung, die den Kontext dafür liefert, warum eine Transaktion markiert wurde. Für eine Kreditentscheidung erstellt generative KI einen vorläufigen Vermerk, der strukturierte Finanzdaten, Marktinformationen und unstrukturierte Analysen zusammenführt.

Agentische KI orchestriert diese Fähigkeiten zu koordinierten Workflows. Anstatt menschliche Analysten zu bitten, Informationen aus voneinander getrennten Systemen zusammenzutragen, rufen Agenten autonom die relevanten Daten ab, führen die passenden Modelle aus und erstellen eine umfassende Bewertung, die ein Mensch prüft und auf deren Grundlage handelt. Das Ergebnis sind schnellere Entscheidungen und besser nachvollziehbare Ergebnisse, wobei der Mensch bei der endgültigen Entscheidung die Kontrolle behält. Dies ist die Architektur, die NVIDIA als KI-Fabrik für Finanzdienstleistungen bezeichnet: ein produktionsreifes Full-Stack-System, in dem Governance-konforme KI-Agenten mit hohem Durchsatz in zentralen Finanz-Workflows arbeiten – von der Betrugserkennung und Kreditprüfung bis hin zu Risikomodellierung und Kundenanalysen – und traditionelle Rechenzentren in Umgebungen im industriellen Maßstab zur Erzeugung von Intelligenz verwandeln.

Wo KI hingehört: zu den Daten

Die entscheidende operative Frage für Unternehmens-KI ist zugleich die einfachste. Wo soll die KI ausgeführt werden? Die Antwort wird immer klarer. KI bietet den größten geschäftlichen Mehrwert, wenn sie dort ausgeführt wird, wo sich Ihre Daten befinden, unabhängig davon, ob in On-Premises, Cloud- oder Hybrid-Umgebungen. Für Finanzinstitute ist dies keine architektonische Präferenz; es ist vielmehr ein regulatorisches und wettbewerbliches Gebot. Banken und Zahlungsdienstleister, die maßgeschneiderte, domänenangepasste Modelle mit ihren eigenen proprietären Transaktionsdaten trainieren, schaffen einen strategischen Wissensvorsprung, den Wettbewerber nicht nachbilden können. Cloudera ermöglicht den Einsatz von KI überall dort, wo sich diese Daten befinden. 

Was sich ändert, wenn KI direkt bei den Unternehmensdaten betrieben wird, ist die Qualität des Kontexts. Ein Risikoscore für sich allein ist eine Zahl. Ein Risikoscore mit vollem Zugriff auf aktuelle Transaktionen, die Kundenhistorie, Gerätesignale und das Kontoverhalten wird zu einer kontextbezogenen Empfehlung, auf deren Grundlage ein Mensch fundierte und sichere Entscheidungen treffen kann. Diese Kontexttiefe, die Fähigkeit, vorausschauende Signale aus den multimodalen Datensätzen zu extrahieren, über die Finanzinstitute bereits verfügen, unterscheidet Institute, die proprietäre KI-Intelligenz aufbauen, von solchen, die sich auf generische Modelle verlassen.  

Cloudera AI, durch NVIDIA beschleunigt, auf Dell Technologies für den Finanzdienstleistungssektor

Cloudera bietet die vertrauenswürdige Datengrundlage. Die hybride Daten- und KI-Plattform von Cloudera vereint strukturierte und unstrukturierte Daten in einer offenen Lakehouse-Architektur. Bewegtdaten von Cloudera erfassen Echtzeitdatenströme zusammen mit historischen Daten, während die Shared Data Experience eine einheitliche Governance und Sicherheit in On-Premises-, Private-Cloud- und Public-Cloud-Umgebungen gewährleistet. Die Plattform ist darauf ausgelegt, sensible Daten innerhalb ihrer Gerichtsbarkeit zu halten und sie zugleich den KI-Systemen verfügbar zu machen, die sie benötigen.

NVIDIA beschleunigt die KI-Pipeline mithilfe einer Full-Stack-KI-Fabrik-Plattform. NVIDIA Blackwell GPUs reduzieren die Trainingszeit für traditionelles maschinelles Lernen und ermöglichen Inferenz in großem Maßstab für neuronale Netze und Sprachmodelle. Für die Risikomodellierung verwandelt die NVIDIA-Beschleunigung Simulationen, die zuvor über Nacht liefen, in Analysen, die nahezu in Echtzeit durchgeführt werden. Cloudera AI Inference, unterstützt von NVIDIA, ermöglicht es Unternehmen, Modelle lokal bereitzustellen und zu skalieren. Der NVIDIA-KI-Stack umfasst NVIDIA Nemotron, die Familie offener, domänenadaptierbarer Modelle von NVIDIA, die Institutionen mit ihren eigenen proprietären Daten feinabstimmen können, den NVIDIA Dynamo-Triton Inference Server und NVIDIA AI Enterprise, das Betriebssystem der KI-Fabrik. NVIDIA AI Enterprise stellt NIM-Microservices für eine optimierte Inferenz mit geringer Latenz sowie NeMo zum Erstellen und Feinabstimmen benutzerdefinierter Modelle bereit. Der NVIDIA AI Blueprint zur Erkennung von Finanzbetrug basiert auf Graph-Neuronalen Netzen und dem Entwicklerbeispiel Erstellen Sie Ihr eigenes Foundation Model für Transaktionen. Die Blueprints sind bei NVIDIA verfügbar und bieten Unternehmen einen konkreten Ausgangspunkt für die Entwicklung von KI-Anwendungen auf Basis von Finanzdaten.

Dell Technologies stellt die Unternehmensinfrastruktur bereit, die die Lösung zusammenführt. Dell PowerEdge-Server, die mit NVIDIA-Blackwell-GPUs konfiguriert sind, bieten die für anspruchsvolle KI-Workloads erforderliche Rechendichte und halten diese Rechenleistung zugleich in derselben physischen Umgebung wie die sensiblen Daten, mit denen sie arbeitet. Zusammen kann diese Lösung deutlich niedrigere Gesamtbetriebskosten als vergleichbare Inferenz in der öffentlichen Cloud bieten, mit planbaren Kosten, die mit der Nutzung skalieren, statt ihr entgegenzuwirken.

Zwei Anwendungsfälle im Einsatz: Betrugserkennung und Kreditrisiko

Finanzdienstleistungen veranschaulichen den Wert dieser Architektur. Bei der Betrugserkennung in Echtzeit erfasst Cloudera Transaktionen zusammen mit der Kundeninteraktionshistorie, Gerätemetadaten und Verhaltenssignalen. Transaktions-Foundation-Models – Transformer-basierte KI, die anhand von Milliarden von Finanzereignissen trainiert wurde – interpretieren Verhalten im Kontext, in dem Zeitpunkt, Gerät, Standort und vorherige Aktivitäten gemeinsam die Bedeutung prägen. Eine Zahlung um Mitternacht hat beispielsweise eine andere Bedeutung, wenn es sich um die vierte Zahlung innerhalb von zehn Minuten handelt, die über ein unbekanntes Gerät in einer Stadt getätigt wird, von der aus der Kunde noch nie zuvor eine Transaktion durchgeführt hat. NVIDIA-beschleunigte Modelle für maschinelles Lernen, wie Nemotron oder Open-Source-Foundation-Models, bewerten jede Transaktion innerhalb des Latenzfensters, das von Instant-Payment-Netzwerken vorgegeben wird. Wenn eine Transaktion markiert wird, ruft ein agentischer Workflow auf Cloudera AI den relevanten Kontext ab, und ein Sprachmodell erstellt eine Fallakte mit einer Erklärung der Risikofaktoren in natürlicher Sprache. Der Ermittler erhält nicht mehr einen Score und einen Workload. Er erhält eine vorläufige Untersuchungszusammenfassung sowie eine schnellere, besser fundierte Entscheidung.

Die Kreditrisikobewertung zeigt denselben Wandel. Bonitätsbewertungen von Auskunfteien und strukturierte Zahlungshistorien waren schon immer stark begrenzt. Die unstrukturierten Informationen, die eine Kreditentscheidung verbessern könnten, darunter Finanzberichte, Marktanalysen und Nachrichtenberichte, ließen sich bisher nur mit zu hohem Arbeitsaufwand in großem Umfang einbeziehen. Die kombinierte Plattform führt diese Quellen in einem kontrollierten Lakehouse zusammen, nutzt NVIDIA-beschleunigte Monte-Carlo-Simulationen und Risikomodellierung – Workloads, die auf der Full-Stack-Plattform von NVIDIA zu einem Bruchteil der Kosten herkömmlicher Infrastruktur ausgeführt werden –, setzt NVIDIA-Beschleunigung für komplexe Simulationen ein, die Entscheidungsprozesse bisher verlängert hätten, und erstellt vorläufige Kreditvermerke, die Kreditsachbearbeiter verfeinern, statt sie von Grund auf neu zu verfassen.

Dieselbe Logik gilt für die Schadenregulierung in der Versicherungsbranche, die klinische Entscheidungsunterstützung im Gesundheitswesen, Lieferkettenrisiken in der Fertigung und die nachrichtendienstliche Arbeit im öffentlichen Sektor. Der Anwendungsfall unterscheidet sich je nach Branche. Die Architektur tut das nicht.

Von der Erkenntnis zum Ergebnis

Unternehmen, die diesen Ansatz verfolgen, verzeichnen durchweg eine Reihe konsistenter Ergebnisse:

• Schnellere Entscheidungen in den wichtigsten Workflows mit Inferenz unter 50 Millisekunden für Echtzeit-Scoring und drastisch verkürzten Zyklen für analytische Workloads

• Besser begründete Entscheidungen, gestützt auf Datenherkunft, Kontext und Geschäftsmetadaten, die sowohl internen Überprüfungen als auch regulatorischen Prüfungen standhalten

• Geringere Gesamtbetriebskosten im Vergleich zur Inferenz in der Public Cloud, mit planbaren Kosten bei zunehmender Nutzung

• Geringeres Risiko durch eine an Anforderungen an Datensouveränität, Compliance und Governance ausgerichtete Architektur

Diese Vorteile potenzieren sich. Dieselbe Architektur, die heute operative KI bereitstellt, wird zur Grundlage für die nächste Generation von Agenten, die nächste Reihe von Anwendungsfällen und die nächste Phase der Automatisierung – ohne dass die darunterliegende Daten- und Governance-Ebene neu aufgebaut werden muss.

Der Weg zu operativer KI im Finanzdienstleistungssektor

Die nächste Phase der Unternehmens-KI wird weniger durch die Leistungsfähigkeit der Modelle als vielmehr durch operative Disziplin geprägt sein. Die Institutionen, die erfolgreich sein werden, sind diejenigen, die sich von einer datenorientierten zu einer intelligenzorientierten Ausrichtung weiterentwickeln, proprietäre KI auf Basis ihrer eigenen Daten aufbauen, sie in sicheren und souveränen Umgebungen einsetzen und sie mit der Prüfbarkeit steuern, die Aufsichtsbehörden und Risikoausschüsse verlangen. Cloudera AI, beschleunigt durch NVIDIA und bereitgestellt auf der Infrastruktur von Dell Technologies, bietet Unternehmen einen praktischen Weg zu diesem Ziel und verlagert die Diskussion von dem, was KI leisten kann, hin zu dem, was KI jeden Tag in den wichtigsten Systemen tatsächlich leistet.

Um mehr zu erfahren, laden Sie Folgendes herunter: Omdia Showcase Brief zu Betrugserkennung und Kreditrisikobewertung mit Cloudera AI, beschleunigt durch NVIDIA auf Dell Technologies und BrightTALK-Webinar auf Abruf.