Aufrufe
vor 4 Jahren

RISIKO MANAGER 10.2019

  • Text
  • Banken
  • Informationen
  • Beispielsweise
  • Parameter
  • Historical
  • Blockchain
  • Schadenanzahl
  • Unternehmen
  • Risiken
  • Risiko
RISIKO MANAGER ist das führende Medium für alle Experten des Financial Risk Managements in Banken, Sparkassen und Versicherungen. Mit Themen aus den Bereichen Kreditrisiko, Marktrisiko, OpRisk, ERM und Regulierung vermittelt RISIKO MANAGER seinen Lesern hochkarätige Einschätzungen und umfassendes Wissen für fortschrittliches Risikomanagement.

24 firm Frankfurter

24 firm Frankfurter Institut für Risikomanagement und Regulierung Trend Radar für eine bessere Risikonavigation Eine spannende Reise durch die Welt der Chancen und Risiken. Moritz Bachmann von Novartis International im Dialog mit Frank Romeike. Trotz aller digitalen Anwendungen sieht Schmid den Menschen als zentralen Punkt bei der Kontrolle der Auswertungen, wenn er sagt: „Es braucht den Menschen zur Kontrolle, der das Wissen hat.“ Die ausgewerteten Daten fließen bei der Munich Re in einen jährlichen „Emerging Risks Trend Radar“ ein. Schmid erklärt diesen Trend Radar am Beispiel des Bereichs Technologie, wo die Felder Energie, Transport, Industrie und IT aufgeführt sind. Die Risikobetrachtung erfolgt in drei zeitlichen Bandbreiten – kleiner als fünf Jahre, fünf bis zehn Jahre und größer als zehn Jahre. Bei den Top-Risiken der Industrie sowie im IT-Bereich stehen in den kommenden fünf Jahren unter anderem Supply Chain, aber auch autonomes Fahren im Mittelpunkt. Damit setzt der Rückversicherer mit dem Trend Radar auf ein Tool, um grundlegend eine bessere Risikonavigation bereits im Vorfeld durchführen zu können. Der Risikoblick nach vorne Mit Blick auf die kommende Risikolandschaft beschäftigt sich die Munich RE mit einer Vielzahl an Risiken in den einzelnen Segmenten. Sei es im Bereich der Technologie zu E-Mobilität, den Cyber-Gefahren durch die Digitalisierung oder zu autonomen Waffensystemen. In der Gesellschaft mit dem Auseinanderdriften der Einkommen, einer zunehmenden Spaltung der Gesellschaft oder bei den Themen Umwelt, mit dem Verlust an Biodiversität und vermehrter Gentechnik. Und auch die Politik steht mit geopolitischen Spannungen, dem Terrorismus sowie dem Zerfall von Staatengemeinschaften im Fokus der Betrachtungen. Gleiches zähle nach Schmids Worten für den Wirtschaftsbereich, wo neue Risikofelder durch Handelskriege oder die Banken- und Schulden entstehen könnten. In Summe stünden viele Risiken in direkter oder indirekter Abhängigkeit zueinander. Ein wichtiger Faktor, der die Vorhersagen für Risikomanager nicht leichter mache. Schmid: „Globale Wechselwirkungen, eine zunehmende Komplexität und rasante Veränderungen wirken sich auf die Risikolandschaft aus.“ Gerade die Vernetzung – von der Globalisierung des Handels und der Finanzwirtschaft über sich verändernde Kommunikationstechnologien bis zur steigenden Mobilität der Menschen – brauche ein Dr. Holger Klier, Director Enterprise Risk Management der Magna Steyr Gruppe, beschäftigt sich mit „The Art of Managing Uncertainty“. Prof. Dr. Michael Huth (Hochschule Fulda) präsentiert die Ergebnisse des Workshops zu Supply Chain Risk Management. Prof. Dr. Jürgen Döllner im Interview: „Ich sehe Machine Learning als Schlüssel, weil es mehr kann als der Mensch.“

25 Ausgabe 10/2019 Jochen Derrer, Leiter Enterprise Risk Management der adidas Group zeigt einen Weg auf, wie Risikomanagement mit der Unternehmensstrategie sinnvoll verknüpft werden kann. Sabine Müller, Konzernsicherheit BMW Group, belegte, dass bei einem richtigen Methodeneinsatz auch „Freude am Risikomanagement“ entstehen kann. Umdenken und vor allem schnelleres Identifizieren potenzieller Risiken. Denn unvorhergesehene Ereignisse nehmen zu, in einer geopolitischen Welt mit einer sich schnell ändernden Risikolandschaft. Und darauf sucht die Munich RE Antworten. Kein leichtes Unterfangen in einer digital und eng vernetzten Welt – immer schneller, höher und weiter. Schmid leitet daraus eine Herausforderung für das Risikomanagement ab, gerade mit Blick auf neue Risiken und die möglichen Antworten. Risiken besser vorhersagen mit Machine Learning und Analytics „Ist künstliche Intelligenz die größte Bedrohung für die Menschheit?“ und „KI schreibt ganze Texte – und zwar erschreckend gut“. Zwei Meldungen der letzten Wochen, die die ganze Bandbreite in der Diskussion um künstliche Intelligenz, kurz KI, aufzeigen. Will heißen von Bedrohungsszenarien bis zum alltäglichen Mehrwert mischen sich Tatsachen mit Halbwahrheiten, Spekulationen und Endzeitprognosen. Die Wahrheit dürfte indes irgendwo in der Mitte liegen. Das heißt: Weder Horrormeldungen noch pauschale Lobpreisungen auf KI sind zielführend. Vielmehr kommt es darauf an, worüber man im KI-Umfeld überhaupt spricht, und was das eigentliche Ziel der jeweiligen Lösung ist. Von Unterschieden und den Trainingsdaten Genau das tut Jürgen Döllner, Professor am Hasso-Plattner-Institut (HPI) der Digital Engineering Fakultät der Universität Potsdam, auf dem RiskNET Summit 2019. Döllner referiert über „Big Data, Machine Learning and Artificial Intelligence: Reality, Opportunities and Misunderstandings”. Sein Einstieg ist eindeutig: „Es gibt einen Paradigmenwechsel.“ Damit einher gehe seiner Meinung nach, dass Artificial Intelligence, kurz AI, die Industrie grundlegend verändere. Und er folgert: „In den nächsten Jahren wird sich alles umdrehen.“ Und damit meint er den Einsatz von AI in der Wirtschaft, aber auch mit Blick auf die Forschung sowie die gesellschaftlichen Herausforderungen. Doch wo liegen die Unterschiede im KI-Bereich? Döllner zeigt zunächst anhand der Historie die Entwicklungen im KI-Umfeld auf, Frank Romeike baute eine Brück vom Altertum zur Neuzeit und lieferte einige Impulse für die Weiterentwicklung des Risikomanagements: So lehrt uns Odysseus das Szenario denken, um aus der Zukunft zu lernen. das heißt einer KI-Geschichte, die bis in die 1950er Jahre zurückreicht. Ab den 1980er-Jahren wurde Machine Learning eingesetzt, und heute gehe es auch um Deep Learning. Drei Themenfelder, die nach Döllner auseinandergehalten werden müssen. So sei Deep Learning eine Sonderform des maschinellen Lernens. Der Ursprung gehe nach Aussagen des Wissenschaftlers auf die Bilderkennung zurück. Döllner konzentriert sich auf die KI-Teilbereiche Machine Learning und Deep Learning. Damit verbunden ist die zentrale Frage für die KI-Forschung: Wie kann man nicht-prozedural (nicht durch Anweisungsfestlegung) einen Input in einen Output verwandeln? Das ist das große Thema von Machine Learning und Deep Learning. Im Grunde geht es um die Vorhersage von Output, ohne vorher die Regeln festzulegen. Am Beispiel des Erkennens eines Hundes in einem Foto beschreibt er den Weg von eingangs bestehenden klassifizierten Trainingsdaten bis zu Feature-Vektoren. Diese werden final ausgewertet und aus ihnen ergibt sich eine Wahrscheinlichkeit für die Kategorie Hund. Wichtig ist bei dem kompletten Prozess, dass die Trainingsdaten stimmen müssen. Doch das sei nach Döllners Worten etwas die Krux beim Maschinellen Lernen und innerhalb der Künstlichen Intelligenz. Döllner: „Es kommt auf die richtigen Trainingsdaten an.“ Zudem sei es wichtig, die richtige Menge an Trainingsdaten zu verwenden. Sonst würde ein System mit Daten eventuell übertrainiert.

RISIKO MANAGER

 

Copyright Risiko Manager © 2004-2017. All Rights Reserved.