safeFBDC - Untersuchung der Eignung eines Financial Big Data Clusters zur Absicherung der Datensouveränität im Finanzsektor

© Projekt safeFBDC

Im Rahmen des Forschungs- & Entwicklungsprojektes safeFBDC werden entlang verschiedener Anwendungsfälle im Finanzsektor Ansätze und Konzepte für die Datenlieferanten-übergreifende Nutzung von Finanzdaten untersucht und entwickelt. Als Vision dient dabei ein föderiertes Ökosystem, das Stakeholdern aus Wirtschaft, Wissenschaft und Aufsicht eine sichere, die Datensouveränität wahrende Infrastruktur für den Austausch und die KI-gestützte Analyse von Finanzdaten bietet. Neben den sich damit eröffnenden analytischen Möglichkeiten steht in dem Projekt die uneingeschränkte Wahrung der Datensouveränität im Mittelpunkt.

Die verschiedenen Anwendungsfälle im Finanzsektor eröffnen facettenreiche Perspektiven auf mögliche Lösungsansätze: So sollen etwa Finanzdaten von Unternehmen, Behörden und Banken zur Geldwäschebekämpfung oder der Verbesserung der ESG-Datengrundlage mithilfe von Datenanalysetechniken, wie etwa künstlicher Intelligenz, Mehrwerte liefern. Diese basieren auf den Anforderungen der jeweiligen Anwendungsfälle:

• Sustainable Finance
• Geldwäschebekämpfung
• Erhöhung der Marktintegrität
• Erkennen und Verhindern von Marktmanipulation
• Geldpolitische Entscheidungen
• Stable Supply Chain Finance

Die Arbeiten in den Anwendungsfällen werden ergänzt durch ein übergreifendes Arbeitspaket zur Datenarchitektur und -infrastruktur sowie zu Geschäfts- und Organisationsmodellen.

Partner

Deloitte Consulting GmbH, Deutsche Börse AG, Frankfurt School of Finance and Management, Fraunhofer-Institut für Materialfluss und Logistik (IML), Hawk AI GmbH, Helaba Landesbank Hessen-Thüringen, neosfer GmbH, SAP Fioneer GmbH, spotixx GmbH, TechQuartier – FinTech Community Frankfurt GmbH, TU Darmstadt.

Herausforderung

Viele Unternehmen der Finanzwirtschaft speichern Daten zunehmend in großen Clouddatenspeichern von meist außereuropäischen Betreibern. Das bringt das Risiko mit sich, die Datenhoheit über diese Daten zu verlieren. Gleichzeitig schränken diese „Datensilos“ einzelner Unternehmen oder Banken beispielsweise die Möglichkeiten zur Entwicklung und Anwendung leistungsfähiger KI-Methoden deutlich ein. Für die Analyse komplexer Zusammenhänge im Finanzmarktkontext, wie etwa Geldwäschepraktiken, werden zudem ergänzende Daten aus ganz unterschiedlichen Quellen benötigt. Der Lösungsansatz des safeFBDC ist es, entlang der Anwendungsfälle und den verfügbaren Daten anwendungsorientierte Data Spaces zu evaluieren, in denen Daten DSGVO-konform und unter Wahrung der Datensouveränität verknüpft werden können. Dabei werden modernste Datenanalysetechniken wie künstliche Intelligenz und Machine Learning angewandt und verschiedene organisatorische Gestaltungswege untersucht.

Umsetzung

Im Rahmen des safeFBDC-Projekts entstehen Konzepte, die sowohl eine vertrauenswürdige IT-Infrastruktur als auch ein zukunftsweisendes KI-Konzept umfassen. Im Kern stehen hier Optionen für dedizierte Infrastruktur- und Technologie-Stacks, der es ermöglichen sensible Daten zweckgebunden über Organisationen hinweg miteinander zu teilen. Dabei entscheidet immer der Dateneigentümer für welchen Zweck die Daten verwendet werden dürfen, etwa für bestimmte Anwendungsfälle, zentrales oder dezentrales Lernen.

Wie dies funktioniert, wird im Folgenden genauer erläutert:

Im Rahmen von safeFBDC definieren wir einen Datenraum als eine Vereinbarung und eine unterstützende (Integrations-)Architektur zwischen zwei oder mehr Teilnehmenden, um die gemeinsame Nutzung und Monetarisierung ihrer Assets wie Daten und Algorithmen zu ermöglichen. Die Architektur muss bestimmte funktionale Anforderungen und Qualitätsmerkmale erfüllen, um die definierten safeFBDC-Anwendungsfälle zu ermöglichen. In einem klassischen Datenraum erfolgt der gesamte Austausch und die Nutzung von Daten im Peer-to-Peer Austausch. Aktuell untersucht safeFBDC Techniken, die über den individuellen Datentransfer hinausgehen und die Entwicklung von kollektiven Datendiensten und -anwendungen ermöglichen. Für diese Fähigkeiten sind zusätzliche funktionale Anforderungen erforderlich, die über die grundlegenden Vertrauens- und Datenermittlungsfunktionen hinaus in das Design eines Datenraums, bzw. Data Spaces aufgenommen werden müssen. 

Im Gegensatz zu anderen Ansätzen benötigt die Data Space-Architektur keinen Hub, der Daten an einer zentralen Stelle sammelt und verarbeitet. Es handelt sich vielmehr um einen dezentralen Marktplatz. In diesem Datenraum wird die gemeinsame Nutzung von Daten durch Datenraum-Konnektoren erreicht, die die gemeinsame Nutzung von Datenbeständen erleichtern, orchestrieren und dabei definierte Richtlinien durchsetzen. Unterschiedliche geschäftliche, regulatorische, rechtliche oder technische Anforderungen, wie Latenz oder Volumen, erfordern jedoch unterschiedliche Architekturen und Ansätze. Einige Datenräume können daher zentralisierte Komponenten erfordern, während andere dezentralisiert mit voller Autonomie konzipiert werden können.

So können nicht nur Daten von einem Teilnehmenden zum anderen gesendet werden, auch Algorithmen können geteilt werden oder eine unabhängige dritte Instanz kann vermitteln. Beispielsweise kann ein Datentreuhänder oder ein Konnektor, der die Einhaltung der Richtlinien für die Verarbeitung der Daten durch beide Seiten garantiert, zunächst Daten von einem Teilnehmenden und dann einen Algorithmus eines anderen Teilnehmenden, zusammenbringen.

Letztlich besteht das Ziel eines Datenraums im Rahmen des safeFBDC darin, den vertrauenswürdigen Austausch von Daten zwischen Teilnehmern zu ermöglichen und gleichzeitig die digitale Souveränität und Autonomie der Teilnehmer zu gewährleisten.

Anwendung und Nutzen

Mit den im safeFBDC erforschten Anwendungsfällen erhalten Akteure des Finanzsektors wie Banken, Behörden sowie Unternehmen initial die Möglichkeit, das Potential von KI-basierte Datenanalysen, Entscheidungsalgorithmen und Analysetools für Finanzdaten zu verstehen. Die Wettbewerbsfähigkeit des deutschen Finanzsektors wird entscheidend gestärkt, da durch die Entwicklung von neuen Daten-basierten Instrumenten etwa die Betrugsprävention erleichtert wird. Davon profitieren besonders auch Mittelständler und Start-ups sowie Forschung und Aufsicht. In der Umsetzung sind Anwendungsfall-spezifische Anforderungen im Detail zu berücksichtigen.

Analyse von Klimarisiken im Risikomanagement von Finanzinstitutionen

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.

Bekämpfung von Geldwäsche

Die Weiterentwicklung sogenannter Anti-Money-Laundering (AML)-Softwareanwendungen ist der Fokus dieses Use Cases. Mithilfe von KI-Anwendungen sollen Transaktionen besser überwacht werden, um Geldwäsche schneller aufzudecken.

Erkennen und Verhindern von Marktmanipulation

Mithilfe von KI-Anwendungen können verdächtige Aktivitäten auf dem Wertpapiermarkt früher erkannt werden, um Preis- und Wettbewerbsverzerrung zu verhindern und deren Auswirkungen einzudämmen.

Datengestützte Einschätzung der Folgen geldpolitischer Entscheidungen

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

Gestaltung neuer Risikomanagement- und Finanzierungsinstrumente entlang komplexer physischer Lieferketten

Das Teilprojekt Stable Supply Chain Finance erforscht, wie mit Hilfe von Daten und Technologien der Industrie 4.0 Finanztransaktionen und Finanzierungen in Lieferketten und komplexen Wertschöpfungsnetzwerken effizienter und resilienter gestaltet werden können.