nach oben

Erschienen in:

2023 | OriginalPaper | Buchkapitel

8. Erklärbare Künstliche Intelligenz und Geschäftsmodell am Beispiel von Unternehmensratings

verfasst von : Holger Bartel, Mirko Kraft, Jochen L. Leidner

Erschienen in: Entrepreneurship der Zukunft

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

Künstliche Intelligenz (KI) wird in der Praxis zur Entscheidungsfindung eingesetzt (Lossos et al., 2021). Dies erfordert jedoch Vertrauen in die verschiedenen KI-Methoden. Solches Vertrauen bildet sich, wenn Entscheidungsträger und Nutzer mentale Repräsentationen des Systems bilden können und sie die Ausgabe des Systems verstehen. KI muss also erklärbar sein, eine reine Black Box ist selbst bei hoher Qualität eines Systems unzureichend. Die „erklärbare KI“ (engl. „eXplainable Artificial Intelligence“, XAI) befasst sich mit der Entwicklung von KI- Modellen, die durch Menschen nachvollziehbar sind (Adadi und Berrada, 2018; Europäische Kommission, 2020). In diesem Kapitel werden wünschenswerte Eigenschaften industrieller KI-Systeme untersucht – speziell hinsichtlich der Erklärbarkeit – und am Beispiel von Unternehmensratings vorgestellt. Neben XAI als Aspekt der technischen Akzeptanz beleuchten wir die Interaktion zwischen Geschäftsmodell und der kundenseitigen Akzeptanz.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Geschäftsmodelltransformation mit Künstlicher Intelligenz: Strategische Innovationspotenziale der maschinellen Wertschöpfung

Nächstes Kapitel Anwendung Künstlicher Intelligenz in der Psychotherapie: Methodische, technische, wirtschaftliche und zielgruppenspezifische Implikationen

Siehe Lundbergs Vortrag „The Science behind SHAP“ (https://www.youtube.com/watch?v=-taOhqkiuIo, 27.07.2021).

Für einen Kriterienkatalog für vertrauenswürdige KI vergleiche beispielsweise HEG–KI (2018).

Modelle, die auf Trainingsdaten trainiert wurden, bilden evtl. Originaldaten weniger gut ab, weil eine zu starke Anpassung auf die Trainingsdaten erfolgte (sog. Overfitting).

Der Erstautor ist ein Gründer von RealRate.

Zu wesentlichen Grundlagen des Ratingansatzes siehe Bartel (2014a).

Eine solche geringe Aktienquote für deutsche Lebensversicherer meldet die BaFin (2020) mit einer direkt gehaltenen Aktienquote von 0,2 %. Zusätzlich sind gemäß der zuletzt für das Jahr 2015 gemeldeten Kapitalmarktstatistik, siehe BaFin (2016), noch indirekt über Fonds gehaltenen Aktien und Beteiligungen in Höhe von 4,1 % und nicht notierte Aktien und Gesellschaftsanteile in Höhe von 2,4 % zu beachten.

Dieses und weitere Ratings sind frei online verfügbar auf https://realrate.ai/rankings.

Zum Vergleich wurden die ökonomischen Eigenmittel nach Solvency II ohne Übergangsmaßnahmen ebenfalls auf die Bilanzsumme bezogen.

Unter https://github.com/realrate/Causing.

Siehe https://github.com/realrate/Causing/blob/develop/docs/education.md.

Adadi, A., & Berrada, M. (2018). Peeking Inside the black-box. A survey on Explainable Artificial Intelligence (XAI). IEEE Access, 6, 52138–52160.

BaFin, Bundesanstalt für Finanzdienstleistungsaufsicht. (2016). Einzelangaben zu den Kapitalanlagen der Erstversicherungsunternehmen – Bestand in den einzelnen Versicherungssparten 4. Quartal 2015. https://www.bafin.de/SharedDocs/Downloads/DE/Statistik/Kapitalanlagen/dl_kapitalanlagen_4q_2015_va.pdf. Zugegriffen: 10. Jan. 2022.

BaFin, Bundesanstalt für Finanzdienstleistungsaufsicht. (2020). Statistik der Bundesanstalt für Finanzdienstleistungsaufsicht – Erstversicherungsunternehmen und Pensionsfonds 2019. https://www.bafin.de/SharedDocs/Downloads/DE/Statistik/Erstversicherer/dl_st_19_erstvu_gesamtPDF_va.pdf. Zugegriffen: 10. Jan. 2022.

Bartel, H. (2014a). Simple Solvency – Ein Solvenzmodell für deutsche Lebensversicherer. https://www.researchgate.net/publication/267337608_Simple_Solvency_-_Ein_Solvenzmodell_fur_deutsche_Lebensversicherer. Zugegriffen: 10. Jan. 2022.

Bartel, H. (2014b). Simple Solvency – Ein Solvenzmodell für deutsche Lebensversicherer, Vortrag, qx Club, Regionale Gruppe der Deutschen Aktuarvereinigung e. V. (DAV) für Berlin. https://www.researchgate.net/publication/267337670_Simple_Solvency_-_Ein_Solvenzmodell_fur_deutsche_Lebensversicherer. Zugegriffen: 10 Jan. 2022.

Bartel, H. (2019). Kausale Analyse von Gleichungssystemen mit strukturellen neuronalen Netzen. Technischer Bericht. https://www.researchgate.net/publication/335099531_Kausale_Analyse_von_Gleichungssystemen_mit_strukturellen_neuronalen_Netzen. Zugegriffen: 10. Jan. 2022.

Bartel, H. (2020a). Causal_Analysis – With an application to insurance ratings. https://www.researchgate.net/publication/339091133_Causal_Analysis_-_With_an_Application_to_Insurance_Ratings. Zugegriffen: 10. Jan. 2022.

Bartel, H. (2020b). Explainable Artificial Intelligence (XAI) in ratings. https://www.researchgate.net/publication/344992217_Explainable_Artificial_Intelligence_XAI_in_Ratings. Zugegriffen: 10. Jan. 2022.

Bartel, H. (2020c). Causing CAUSal interpretation using graphs. https://www.researchgate.net/publication/341878489_Causing_CAUSal_INterpretation_using_Graphs. Zugegriffen: 10. Jan. 2022.

Bartel, H. (2020d). RealRate expert system life insurance. https://realrate.ai/download/publications/RealRate%20Expert%20System%20Life%20Insurance.pdf. Zugegriffen: 11. Jan. 2022.

Bartel, H. (2021a). Project simple solvency. https://www.researchgate.net/project/Simple-Solvency. Zugegriffen: 10. Jan. 2022.

Bartel, H. (2021b). Project causing. https://www.researchgate.net/project/Causing. Zugegriffen: 10. Jan. 2022.

Breiman, L., Friedman, H. J., Olshen, R. A., & Stone, C. J. (1984). Classification and regression trees. Wadsworth & Brooks/Cole.

Burkart, N., & Huber, M. F. (2021). A survey on the explainability of supervised machine learning. Journal of Artificial Intelligence Research. https://doi.org/10.1613/jair.1.12228.

Cohen, W. W. (1995). Fast effective rule induction. In Proceedings of the 12th International Conf erence of Machine Learning (ICML ´95).

Crumley, D. G. (2012). Credit Rating Agencies and Conflicts of Interest. Inauguraldissertation (J.D. thesis), Austin, TX: University of Texas at Austin .

Dierkes, S., & Sümpelmann, J. (2019). Digitalisierte Peer-Group-Bestimmung und Beta-Anpassung. In W. Ballwieser & D. Hachmeister (Hrsg.), Digitalisierung und Unternehmensbewertung (S. 173–192). Schäffer Poeschel.

Europäische Kommission. (2020). Weißbuch zur Künstlichen Intelligenz – ein europäisches Konzept für Exzellenz und Vertrauen. https://ec.europa.eu/info/sites/info/files/commission-white-paper-artificial-intelligence-feb2020_de.pdf. Zugegriffen: 10. Jan. 2022.

Europäische Kommission. (2021). Regulating credit rating agencies. https://ec.europa.eu/info/business-economy-euro/banking-and-finance/financial-supervision-and-risk-management/managing-risks-banks-and-financial-institutions/regulating-credit-rating-agencies_en. Zugegriffen: 10. Jan. 2022.

Gesamtverband der Deutschen Versicherungswirtschaft e. V. (GDV) (2012a). QIS6 GDV, PKV Eine Zusammenfassung des vorläufigen Standes quantitativer Solvency II-Anforderungen an Einzelunternehmen zu Testzwecken, Stand 29. Feb. 2012

Gesamtverband der Deutschen Versicherungswirtschaft e. V. (GDV) (2012b). Handbuch Cashflow-Modell (QIS6-Ansatz). Stand: 05.März 2012.

Gesamtverband der Deutschen Versicherungswirtschaft e. V. (GDV) (2013). Handbuch Cashflow-Modell (LTGA -Ansatz). Stand: 08.Feb.2013.

GitHub. (2021a). A real world example: Education and wages for young workers. https://github.com/realrate/Causing/blob/develop/docs/education.md. Zugegriffen: 11. Jan. 2022.

GitHub. (2021b). Causing: CAUSal INterpretation using graphs. https://github.com/realrate/Causing. Zugegriffen: 11. Jan. 2022.

Gründl, H., & Kraft, M. (Hrsg.). (2019). Solvency II – Eine Einführung. Grundlagen der neuen Versicherungsaufsicht (3. Aufl.). VVW.

Hochrangige Expertengruppe für Künstliche Intelligenz (HEG–KI). (2018). Ethik-Leitlinien für eine vertrauenswürdige KI. https://op.europa.eu/s/oVfc. Zugegriffen: 11. Jan. 2022.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2017). An introduction to statistical learning: With applications in R. Springer.

Kingma D. P., & Ba, J. (2014). Adam: A method for Stochastic optimization, ICLR 2015 conference paper. https://arxiv.org/abs/1412.6980. Zugegriffen: 11. Jan. 2022.

Kokina J., & Davenport T. H. (2017) The emergence of artificial intelligence: How automation is changing auditing. Journal of Emerging Technologies in Accounting, 14(1), 115–122.

Leidner, J. L (2021). A survey of ethical problems of artificial intelligence. (in Vorbereitung)

Lossos, C., Geschwill, S., & Morelli, F. (2021). Offenheit durch XAI bei ML-unterstützten Entscheidungen: Ein Baustein zur Optimierung von Entscheidungen im Unternehmen? HMD Praxis der Wirtschaftsinformatik, 58, 303–320.

Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. https://arxiv.org/abs/1705.07874. Zugegriffen: 11. Jan. 2022.

Lundberg, S. (2020). The science behind SHAP. https://www.youtube.com/watch?v=-taOhqkiuIo. Zugegriffen: 11. Jan. 2022.

Quinlan, J. R. (1986). Induction of decision trees. Machine Learning, 1(1), 81–106.

Ribeiro, M., Singh, S., Singh, T., & Guestrin, C. (2016). „Why Should I Trust You?’: Explaining the Predictions of Any Classifier. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD). San Francisco: The Association for Computing Machinery, 13–16 August 2016.

Rall, L. B. (1981). Automatic differentiation. Techniques and applications. Lecture Notes in Computer Science. Springer.

Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536.

Samek, W., & Müller, K. -R. (2019), Towards explainable artificial intelligence. In W. Samek, G. Montavon, A. Vedaldi, L.K. Hansen, & K. -R. Müller (Hrsg.), Explainable AI. Interpreting, explaining and visualizing deep learning (Lecture Notes in Computer Science 11700/Lecture Notes in Artificial Intelligence) ( S. 5– 22). Springer.

Sellhorn, T. (2020). Machine Learning und empirische Rechnungslegungsforschung: Einige Erkenntnisse und offene Fragen. Schmalenbachs Zeitschrift für betriebswirtschaftliche Forschung, 72, 49–69.

Shapley, L. S. (1951). Notes on the n-Person Game – II: The Value of an n-Person Game, Technical Report RM-670. Santa Monica, CA : RAND Corporation.

Simpson, E. H. (1951). The interpretation of interaction in contingency tables. Journal of the Royal Statistical Society, Series B., 13, 238–241.

Stuwe, A., Weiß, M., & Philipper, J. (2012). Ratingagenturen: Sind sie notwendig, überflüssig, notwendiges Übel oder schädlich? Bonn: Friedrich-Ebert-Stiftung.

Van Hulle, K. (2019). Solvency requirements for EU insurers. Solvency II is good for you. Intersentia.

Wermter, S., & Sun, R. (Hrsg.). (2000). Hybrid neural systems. Springer.

Titel: Erklärbare Künstliche Intelligenz und Geschäftsmodell am Beispiel von Unternehmensratings
verfasst von: Holger Bartel
Mirko Kraft
Jochen L. Leidner
Verlag: Springer Fachmedien Wiesbaden
Buch: Entrepreneurship der Zukunft
Print ISBN: 978-3-658-42059-8

Electronic ISBN: 978-3-658-42060-4

Copyright-Jahr: 2023
DOI: https://doi.org/10.1007/978-3-658-42060-4_8

Springer Professional

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partner