An sich sollten selbstfahrende Autos längst auf den Markt gerollt sein. Doch ganz so glatt lief das nicht – tatsächlich scheint sich die Branche derzeit weniger begeistert für autonome Fahrzeuge ins Zeug zu legen als noch vor fünf Jahren. Wie es aussieht, sind Menschen einfach die sichereren Fahrer. Doch bei vielen anderen Aufgaben sorgen Maschinen tatsächlich für Erleichterungen und leisten Enormes. Bei der Verarbeitung großer Mengen von ESG-Daten sind Maschinen beispielsweise klar im Vorteil. Und das machen sich manche Investmentmanager zunutze.

Bruno Poulin

CEO
Ossiam
Intelligente Maschinen vergrößern unsere kognitiven Stärken und verhelfen uns zur rechten Zeit zu den richtigen Informationen.

Wo die Maschinen an ihre Grenzen stoßen

Roboter können vieles. Autonom fahren können sie jedoch noch nicht. Elon Musk zufolge hätten wir schon 2017 selbstfahrende Autos haben müssen. Mittlerweile gehen wir ins nächste Jahrzehnt und sind noch immer nicht soweit. Wenn überhaupt, macht die Branche offenbar Rückschritte.

Uns wird allmählich klar, wie komplex solche Tätigkeiten wie Autofahren sein können – und wie gefährlich es für den Menschen wird, wenn wir das nicht richtig hinbekommen. Computern fällt es viel leichter, uns im Schach oder im Go zu schlagen, als Auto zu fahren. Ein Auto sollte zwischen einem echten Stoppschild und einer Person unterscheiden können, die mit einem Stoppschild auf dem Bürgersteig steht.

Einem Kleinkind muss man nur zwei Katzenbilder zeigen, damit es künftig jede Katze erkennt. Eine Maschine benötigt dafür Hunderte von Katzenbildern. Es gibt also ein paar Dinge, die Maschinen nicht intelligenter, sicherer oder besser können als Menschen.

Intelligente Maschinen und wozu sie gut sind

Intelligente Maschinen vergrößern unsere kognitiven Stärken und verhelfen uns zur rechten Zeit zu den richtigen Informationen. Ihr Kreditkartenanbieter wird den Zahlungsprozess beispielsweise sofort unterbrechen, wenn er eine Sicherheitslücke befürchtet.

Auch bei den Interaktionen mit Kunden oder Beschäftigten können wir unsere Zeit und Kraft verstärkt anspruchsvolleren Aufgaben widmen. Bei Ossiam nutzen wir maschinelles Lernen beispielsweise zum Ausfüllen von Ausschreibungsunterlagen, bei denen für einen vorgegebenen Fragenkatalog viele ähnliche Antworten erforderlich sein könnten.

Das Zusammenspiel zwischen Maschinen und ESG-Investments

ESG und maschinelles Lernen sind die perfekte Mischung. In erster Linie geht es darum, seine Kunden zu kennen. Amazon schlägt uns auf der Grundlage früherer Käufe vor, was wir als Nächstes bestellen könnten. Und die Vorschläge werden immer besser, weil das System dazulernt. Der Lernprozess läuft von selbst, sodass ohne menschliches Zutun Entwicklungsmuster herausgearbeitet werden können.

Dann ist da noch die Rechenleistung. Wir könnten es mit 600 verschiedenen ESG-Indikatoren zu tun haben – und Maschinen ermöglichen es uns, aus riesigen ESG-Datenbanken Informationen effizient zu extrahieren und zu analysieren. Außerdem sind sie flexibel und stellen sich rasch auf Veränderungen der ESG-Richtlinien von Unternehmen oder der Vorschriften ein.

Wo ein Black-Box-Modell Probleme macht

Damit Algorithmen effektiv funktionieren, müssen wir die richtigen Daten eingeben. Wir müssen aber auch erklären, was aus der Box herauskommt, und warum. Sie haben jedes Recht, von Ihrer Bank zu erfahren, warum Ihr Kreditantrag abgelehnt wurde. Ebenso müssen wir in der Vermögensverwaltungsbranche die Ergebnisse maschineller Lerntätigkeiten erklären können – vor allem, wenn diese kontraintuitiv oder kontrovers sind. Es ist unsere Aufgabe, für einen verantwortungsvollen Einsatz von Maschinen zu sorgen. Tun wir das nicht, drohen uns weitere Vorschriften, die uns dazu zwingen.