Herausforderung:

Der Einstieg in die Plattform-Ökonomie kann Banken dabei helfen, vielen aktuellen Herausforderungen zu begegnen und das eigene Geschäftsmodell auf die Zukunft auszurichten. Dafür braucht es jedoch einen smarten Umgang mit Daten. Passende Schnittstellen und die Bereitschaft zur Kooperation über Unternehmensgrenzen hinweg sind Grundvoraussetzungen. Finanzinstitute, die noch unterschiedliche physische Server sowie mehrere öffentliche und private Clouds nutzen, speichern Daten häufig unstrukturiert und in unterschiedlichen Formaten in einer Vielzahl von Datenbanken ab. Die Folge sind historisch gewachsene Datensilos und hohe Aufwände bei der Datenintegration. Diese Datensilos schränken die Möglichkeit zur Entwicklung und Anwendung leistungsfähiger KI-Methoden deutlich ein. Für die Analyse komplexer Zusammenhänge im Finanzmarktkontext, wie etwa Lieferketten, werden zudem ergänzende Daten aus unterschiedlichen Quellen benötigt.

Lösungsansatz:

Vor diesem Hintergrund sollen in Rahmen von safeFBDC cloud-agnostische Infrastrukturen für die Bereitstellung und den sicheren Austausch von Finanzdaten entwickelt, prototypisiert und validiert werden. Dabei hat die Souveränität der Dateneigentümer höchste Priorität.  Auf Basis dessen entwickeln die Projektpartner KI-gestützte Anwendungen zur Aufbereitung, Nutzbarmachung und Monetarisierung von verteilten Datensätzen für Anwendungen etwa zur Geldwäschebekämpfung oder der Aufdeckung von Marktmanipulation. Die Kompatibilität unserer Strukturen und Entwicklungen wird mit den Anforderungen der Märkte und mit wichtigen, im Aufbau befindlichen Datenstrukturen, wie etwa Gaia-X oder der International Data Spaces Association (IDSA) sichergestellt.

Durch safeFBDC erhalten Akteure des Finanzsektors wie Banken, Behörden und andere privatwirtschaftliche Unternehmen erstmals die Möglichkeit, KI-basierte Datenanalyse, Entscheidungsalgorithmen und Analysetools auf einer breiten Grundlage von europäischen Finanzdaten anzuwenden. Dazu sollen anwendungsnahe KI-Ansätze erforscht, entwickelt und prototypisch validiert werden. Die zugrundeliegenden Algorithmen und die benötigten Datengrundlagen werden spezifiziert, erstellt, getestet und bewertet:

1. Analyse von Klimarisiken im Risikomanagement von Finanzinstitutionen (SusFi): Durch die Anwendung künstlicher Intelligenz sollen ESG (“Environmental Social Corporate Governance”)-Datenlücken geschlossen und neue Methoden zur verbesserten Berücksichtigung von ESG-bezogenen Chancen und Risiken entwickelt werden.
2. Bekämpfung von Geldwäsche (OptiNetz): Die Weiterentwicklung sogenannter Anti-Money-Laundering (AML)-Softwareanwendungen ist der Fokus dieses Use Cases. Mithilfe von KI-Anwendungen auf Basis vernetzter Daten (Graphnetzwerek) sollen Transaktionen besser überwacht werden, um Geldwäsche schnelle aufzudecken.
3. Erkennen und Verhindern von Marktmanipulation (EME-Markt): Mithilfe von KI-Anwendungen können verdächtige Aktivitäten auf dem Wertpapiermarkt früher erkannt werden, um Preis- und Wettbewerbsverzerrung zu verhindern und deren Auswirkungen einzudämmen.
4. Datengestütze Einschätzung der Folgen geldpolitischer Entscheidungen (TESIGE): Die Informationsbasis zur Geldpolitik im Euro-Währungsraum weiter zu optimieren ist das Ziel dieses Use Cases. Besonders die Folgen geldpolitischer Entscheidungen der EZB sollen besser prognostiziert und eingeschätzt werden können. Dazu ergänzen KI-Algorithmen die bisher eingesetzten mathematischen und statistischen Werkzeuge.
5. Gestaltung neue Risikomanagement- und Finanzierungsinstrumente entlang komplexer physischer Lieferketten (Stable SCF): In diesem Teilprojekt werden neue Finanzierungslösungen entlang komplexer Supply Chains erforscht. Ein konkreter Use Case “Pay-per-Use Supply Chain Finance” erprobt die im Teilprjekt erarbeiteten Grundlagen zur Gewinnung und gezielten Bereitstellung von finanzierungsrelevanten Daten in Industrie 4.0 Geschäftsmodellen.

Die folgenden Arbeitspakete werden außerdem als Querschnittsthemen im Rahmen des Forschungsprojekts erarbeitet:

1. Technologische Basis: Auf Basis der Ausarbeitungen und Begleitung der Anwendungsfallumsetzungen soll im Rahmen von Use Case 1 eine Referenzarchitektur sukzessive herausgebildet und kontinuierlich verbessert werden. Diese soll den jetzigen und auch zukünftigen Anwendungsfällen innerhalb des Finanzdaten-Ökosystems einen Rahmen für die Entwicklung von auf Künstlicher Intelligenz basierten Modelle bieten.
2. Ökosystem und Verstetigung: Eine weitere wichtige Komponente ist Erarbeitung von Maßnahmen zum Netzwerk- bzw. Community-Management entlang der Ökosystem-Akteure. Das beinhaltet u.a. die Festlegung und Evaluation verschiedener kooperativer Geschäftsmodelle sowie die Erarbeitung von Konzepten zur betriebswirtschaftlichen Fundierung.