Künstliche Intelligenz – kein Buch mit sieben Siegeln: Accenture Hackathon im AI Lab der Frankfurt School

Am 24. und 25. April 2019 fand der erste Hackathon in Kooperation mit Accenture im AI Lab der Frankfurt School of Finance & Management statt. Unter dem Titel „EXPLAINABLE AI in Finance“ arbeiteten zwölf Studierende aus den Bachelor-, Master- und MBA-Programmen der Frankfurt School an der Aufgabe, mit Hilfe künstlicher Intelligenz das Risikomanagement für Kreditkartennutzer zu verbessern und die Eigenschaften eines kreditfähigen Kunden zu definieren. Bei Explainable AI, auch XAI genannt, geht es darum, die Nachvollziehbarkeit von Algorithmen zu gewährleisten. So sollen Entscheidungen, die durch künstliche Intelligenz zu Stande kommen, erklärbar gemacht und dokumentiert werden.

Der Hackathon begann mit einer Auftaktveranstaltung am Mittwochabend. Hier konnten sich die Studierenden bereits mit den Mitarbeiterinnen und Mitarbeitern von Accenture Digital austauschen, sich gegenseitig kennenlernen und die Teams für die Bearbeitung der Fallstudien bilden. Nijat Mehdiyev, Forscher beim Deutschen Forschungszentrum für Künstliche Intelligenz, hielt einen Vortrag zu den aktuellen Trends im Bereich XAI, um die Studierenden auf das Thema einzustimmen.

Am nächsten Tag begannen die einzelnen Gruppen die Arbeit an den Datensätzen. Professor Dr. Peter Roßbach, Professor für Allgemeine Betriebswirtschaftslehre und Wirtschaftsinformatik an der Frankfurt School, freute sich über die unterschiedlichen Lösungswege, die dabei entwickelt wurden: „Die Gruppen arbeiteten an einer Fallstudie, bei der es primär um die Erklärbarkeit der Ergebnisse von Black-Box-Prognosemodellen ging. Die Lösungen waren kreativ, wie auch innovativ und hätten unterschiedlicher nicht sein können. Während eine Gruppe sich stärker auf die visuelle Aufbereitung der Ergebnisse konzentrierte, versuchte die andere die Erklärbarkeit über technische Funktionen zu erweitern und die dritte Gruppe widmete sich der Frage, wie man die Ergebnisse im Hinblick auf die spezifischen Denkmuster des Geschäftsfeldes aufbereiten kann.“

Gegen Ende des Tages präsentierten die Gruppen ihre Arbeitsschritte und Ergebnisse vor einer Jury aus Accenture Experten. Wie das erstplatzierte Team die Aufgabe löste, erklärte Felix Schmid, Student im Master of Applied Data Science der Frankfurt School: „Die Grundlage unserer Idee ist ein ‘Gradient Boosting Model‘, das über verschiedene Merkmale die Wahrscheinlichkeit des Zahlungsausfalles eines Kunden prognostiziert. Dabei haben wir Mithilfe von XAI Techniken herausgefunden, welche Kundenmerkmale ausschlaggebend für die Wahrscheinlichkeit eines Zahlungsausfalles sind und wie sich die prognostizierte Ausfallwahrscheinlichkeit ändern würde, wenn sich die Merkmale eines Kunden ändern. Das haben wir in einem Anwendungsfall dargelegt: So kann eine Bank frühzeitig Kunden mit hohen Risikowerten kontaktieren und mit gezielten Maßnahmen beraten.“ Dominik Bette, Eric Lehmann und Sitong Ye, alle Studierende im Master of Applied Data Science, waren ebenfalls Teil des Sieger-Teams.