RBI möchte neuen Meilenstein setzen

Live-Talk. Vom Accelerator-Programm „Elevator Lab“ sollen Banken und Startups gleichermaßen profitieren.
/rbi-moechte-neuen-meilenstein-setzen/

Zusammenfassung aus

Zusammenfassung ein

Michael Höllerer (RBI) und Dejan Jovicevic.
Der Summary Modus bietet einen raschen
Überblick und regt zum Lesen mehrerer
Artikel an. Der Artikeltext wird AI-basiert
zusammengefasst mit der Unterstützung
des Linzer-Startups Apollo AI.

Banken sind im Zeitalter der Digitalisierung mit großen Herausforderungen konfrontiert. Vor allem mit FinTechs hat das klassische Bankengeschäft neue Konkurrenz erhalten. Immer mehr Startups entdecken Nischen im Bankensektor für sich. Im Live-Gespräch mit Michael Höllerer, Generalbevollmächtigter der Raiffeisen Bank International AG, wollte „Brutkasten“ Co-Founder Dejan Jovicevic erfahren, wie die größte Bank Österreichs auf diese Entwicklungen reagiert. „Raiffeisen gibt es seit über 150 Jahren. Wir sind es gewohnt, uns regelmäßig mit neuen Technologien auseinanderzusetzen. Im Laufe der Zeit wuchsen wir zu einem Technologieunternehmen mit großer IT-Kompetenz“, sagte Höllerer. Er gab zwar zu, dass Banken im Digitalisierungsprozess keine Early Birds seien, aber die RBI stelle sich aktiv den Herausforderungen. „Etwa durch Initiativen im Zahlungsverkehr, durch ein neues Finanzportal, oder im Innovationsbereich durch unser Accelerator Programm“, sagt Höllerer.

Miteinander statt gegeneinander

Bei der Umstrukturierung vertraut die RBI auf die hausinterne Innovationskraft. Immerhin hat die Bank rund 50.000 Mitarbeiter in Österreich, Zentral- und Osteuropa. Hauptaufgabe sei, diese interne Innovation zu fördern. Dennoch setzt RBI auch auf Zusammenarbeit mit Startups. „Sie können uns helfen, in manchen Bereichen flexibler zu werden“, so Höllerer. Schon in der Vergangenheit gab es RBI-Kooperationen mit Jungunternehmen. „Im Zahlungsverkehrsbereich zum Beispiel mit Blue Code. Und wir betreiben gemeinsam mit der Wirtschaftskammer Wien den Startup-Wettbewerb Innovation to Company, den im vergangenen Jahr cashpresso gewonnen hat.“

Redaktionstipps

Mit dem Anfang des Jahres ins Leben gerufene RBI Fintech-Accelerator-Programm „Elevator Lab“ möchte die Raiffeisen Bank einen neuen Meilenstein setzen. Ziel ist die langfristige Kooperation von Startups und RBI. Bis Ende Juli können sich noch Fintech Startups bewerben, die bereits mit ersten Produkten oder Dienstleistungen sowie entsprechender Finanzierung am Markt sind. Laut Höllerer sei das Echo enorm. Bewerbungen von Startups aus allen Kontinenten treffen ein. Besonders angesprochen sind Startups aus Österreich, Zentral- und Osteuropa (CEE), wo sich die RBI-Kernmärkte befinden.

Proof of Concept

Nach der Bewerbungsphase geht das Accelerator-Programm in die sogenannte „Proof of Concept“-Phase. Von Oktober bis Februar 2018 werden alle Bewerbungen auf Herz und Nieren geprüft. „Vorgesehen ist, dass wir danach mit fünf Startups zusammenarbeiten.“ Allein für die Proof of Concept-Phase sind 200.000 Euro vorgesehen. „Dazu stellen wir unsere gesamte Expertise und Infrastruktur zur Verfügung.“ Gesucht werden Partner, die in die von RBI definierten Bereiche passen. „Das reicht von der Zukunft des Filialnetzes, über KMU Finanzierung bis hin zum Zahlungsverkehr.“ Höllerer weiß, warum der Andrang auf das Programm so groß ist. „Wir haben 16 Millionen Kunden. Viele potenzielle Kunden für die Produkte und Services, die in diesem Programm entstehen.“

die Redaktion

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

Transfer Learning kann helfen, wenn nicht genug Daten für den Einsatz von KI-Anwendungen zur Verfügung stehen.
/wie-man-auch-mit-wenig-daten-ki-losungen-nutzen-kann/
(c) TRUMPF Maschinen Austria

Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt. Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können? Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden. Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann. Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).

Transfer Learning: Anschaulich illustriert

(c) SCCH

Links: Klassisches Machine Learning from Scratch bei dem für jeden Datensatz mit unterschiedlicher statistischer Charakteristik (z.B. Bilder einer Inspektionskamera für einen speziellen Bauteil) ein eigenes Modell gelernt wird (z.B. um einen Defekt im Bauteil zu erkennen). Das kann bei einem neuen Bauteil welcher nur in kleiner Menge produziert wird zu Problemen führen, da klassische Machine Learning Modelle sehr datenhungrig sind und schlechte Ergebnisse liefern, wenn zu wenige Daten vorhanden sind.

Rechts: Transfer Learning ist eine Erweiterung des klassischen Machine Learning Ansatz, die darauf abzielt Informationen neuer Daten mit Informationen alten Daten derart zu kombinieren, sodass das Problem von zu wenig Information (z.B. zu wenige Inspektionsbilder eines neuen Bauteils) gelöst werden kann.

Industrie als Vorreiter des Transfer Learning

„Seit 2010 setzen wir im Bereich Data Science Methoden des Transfer Learning ein. Vorbild waren Ansätze, mit denen bestehende Daten zur Problemlösung A mittels Künstlicher Intelligenz (KI) auf ein verwandtes Problem B übertragen werden können“, sagt Bernhard Freudenthaler, Area Manager Software Science am SCCH.

Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern. „Der Vorteil für Industriebetriebe liegt in der Zeiteinsparung. Denn ohne Transfer Learning muss für jede Maschinenkonfiguration das Training der KI wieder von Neuem begonnen werden.

Transfer Learning ist auch Thema im COMET-Projekt Deepred (Deep Learning based Predicictive Analytics and Optimization). Ein Schwerpunkt ist die Unterstützung vieler ähnlicher Prozesse mit dem Ziel, die richtige Lösung ohne teure, umfassende und prozessspezifische Datensammlung zu finden. Dadurch können KI-basierte Produktionsprozesse flexibler gestaltet und Trainingszeiten des KI-Modells im besten Fall ganz vermieden werden“, so Freudenthaler.

Künstliche Intelligenz für die Blechfertigung

In einer Forschungskooperation arbeitet das SCCH außerdem mit dem oberösterreichischen Maschinenbauunternehmen TRUMPF Maschinen Austria zusammen. „Wir sehen diese Entwicklung als große Chance“, sagt dazu Bernhard Fischereder, Leiter Forschung und Entwicklung bei TRUMPF: „Ziel der langfristigen Zusammenarbeit ist es, die Erkenntnisse der aktuellen Forschung zur Künstlicher Intelligenz und Industrie 4.0 in der Blechbearbeitung zu verankern.“

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.
Möchtest du in Zukunft mehr von diesen Artikeln lesen?

Dann melde dich für unseren Newsletter an!

Leselisten zum Schmökern

Neueste Nachrichten

Summary Modus

RBI möchte neuen Meilenstein setzen

Es gibt neue Nachrichten

Auch interessant