Die digitale Transformation macht auch vor der Banken- und Versicherungsbranche keinen Halt. So werden durch den Einsatz von AI zahlreiche neue Möglichkeiten, z. B. zur Analyse des Kundenverhaltens eröffnet. Dabei ist entscheidend, dass AI und Data Analytics richtig im Unternehmen integriert werden, um Risiken zu vermeiden und maximal von der digitalen Transformation zu profitieren.
Doch nicht nur die verfügbaren Datenmengen, die Unternehmen sich zu Nutze machen können, wachsen immer mehr – auch die damit verbundenen Compliance Regularien und Grundsätze werden mehr. Spätestens durch die DSGVO ist Nachvollziehbarkeit zur Erfüllung von Compliance-Anforderungen unabdingbar geworden. Nachvollziehbarkeit bedeutet hierbei, zu verstehen, woher die eigenen Daten kommen und was mit ihnen auf dem Weg passiert ist. Dies soll an jedem einzelnen Punkt der Pipeline geschehen.
Für Data Lake Plattformen ergeben sich hier besondere Anforderungen an Nachvollziehbarkeit, die sich durch den gezielten Aufbau von Metadaten bewältigen lassen. Der Einführung einer automatisierten Data Lineage sowie eines Data Catalogs kommt dabei eine besondere Rolle zu.
Was genau macht Data Lineage „beweisbar“? Wird die Lineage automatisiert aus dem Code extrahiert, bildet sie exakt den tatsächlichen Stand ab, und ist nur eine übersichtliche Darstellung der Implementierung. Bei manuell gepflegten Metadaten ist das nicht der Fall.
Auch Plattform-Frameworks liefern einen wertvollen Beitrag. Sie werden hauptsächlich eingeführt, um die Plattform schnell und standardisiert zu erweitern und gut betreiben zu können. Zusätzlich liefern sie oft auch durch dort generierte Metadaten eine gute Basis, wenn kein dediziertes System für Data Lineage oder ein Data Catalog verfügbar sind. Außerdem helfen eine automatisierte Bereitstellung von Infrastruktur und Konfiguration durch CI/CD Pipelines, die Nachvollziehbarkeit auf einer tieferen Ebene sicherzustellen, und damit Compliance-Anforderungen leichter gerecht zu werden.
Auf organisatorischer Ebene ist die übergreifende Stärkung von DevOps und Data Governance nicht nur durch Tools und Technologie, sondern auch in der Unternehmenskultur ein zentraler Schritt. Moderne Methoden wie Machine Learning bringen eigene Herausforderungen und Möglichkeiten im Bereich Nachvollziehbarkeit und Compliance mit sich. Durch Machine Learning können neue Informationen aus den Daten gewonnen werden, die der Nachvollziehbarkeit zugutekommen können. Allerdings können diese Ergebnisse selbst teilweise nicht bis zur Quelle zurückverfolgt werden. So ist der Bereich Explainable AI Gegenstand aktiver Forschung, aber viele Algorithmen sind in der Praxis nach wie vor eine Black-Box und verursachen eine Lücke in der Nachvollziehbarkeit. Darüber hinaus können durch Machine Learning und AI Daten korreliert werden, was unter Umständen unzulässige Auswertungen ermöglicht und somit Compliance beeinträchtigt.
Mit der Thematik Nachvollziehbarkeit & Compliance im Data Lake beschäftigten sich Markus Salomon (Business Development Manager Data Engineering & AI) und Felix Unverzagt (Data Scientist) am zweiten Tag der digitalen Konferenz KI & Data Analytics in Banken und Versicherungen. In ihrem Vortrag betteten sie Konzepte in Entwicklungs- und Betriebsprozesse ein. Aber auch Metadaten sowie beweisbare Data Lineage standen im Fokus ihrer Präsentation. Welche Rolle dem maschinellen Lernen in diesem Kontext zukommt, wurde auch erläutert. Hier können Sie die Vortragsfolien herunterladen.
Vortragsfolien downloaden (1.3mb)
Vortragsfolien downloaden (1.3mb)
Vortragsfolien downloaden
Danke
Wie steht es um Ihre Compliance?
Gemeinsam können wir Ihrer Data Lineage auf den Grund gehen. Jahrelange Erfahrung und eine starke Expertise im Bankenumfeld machen Adastra zu einem erstklassigen Partner für Ihre Projekte. Kontaktieren Sie uns für ein unverbindliches Erstgespräch.
Heute informieren, morgen loslegen.
Danke
Wir werden uns so schnell wie möglich bei Ihnen melden.