KYC für alle: Sicherer Self-Service zu Kundendaten

Guten Morgen. Herzlich willkommen, liebe Zuhörer. Guten Morgen, guten Nachmittag oder guten Abend – je nachdem, von wo aus Sie uns gerade verfolgen.

Willkommen zum Webinar. Wir warten noch ein paar Minuten, damit noch ein paar Teilnehmer dazustoßen können. Wir sehen, dass gerade einige dazustoßen.

Es ist also 8:00 Uhr in meiner Zeitzone, 11 Uhr Ostküstenzeit – ganz gleich, von wo aus Sie sich zuschalten. Wir sind also gerade zu Beginn der vollen Stunde. Wir warten noch ein paar Minuten, bevor wir dann richtig loslegen.

Wir bedanken uns daher für Ihre Geduld. Wir möchten einfach sicherstellen, dass jeder die Möglichkeit hat, sich einzuloggen.

Gebt uns also noch etwa zwei Minuten, dann geht es los. Hallo nochmal. Herzlich willkommen.

Ich sehe, dass noch ein paar Leute zum Webinar dazustoßen. Vielen Dank dafür. Wir warten noch etwa eine Minute, vielleicht auch zwei Minuten.

Ich sehe, dass sich gerade ein paar Leute dazu gesellen. Wir möchten jedem die Chance geben, mitzumachen. Keine Sorge, wir haben reichlich Zeit, um den gesamten Stoff durchzunehmen.

Aber herzlich willkommen. Wir werden in etwa einer Minute loslegen. Vielen Dank an alle.

Nochmals: Guten Morgen, guten Nachmittag oder guten Abend, je nachdem, von wo aus Sie sich zu uns zuschalten. Vielen Dank an alle, die an dieser Sitzung teilnehmen. Wir warten noch etwa 30 Sekunden.

Ich sehe, dass gerade noch ein paar Leute dazukommen, und dann legen wir los. Keine Sorge, wir haben reichlich Zeit, um den Stoff durchzugehen, und ich glaube, wir werden euch sogar früher als geplant nach Hause schicken können. Also noch einmal: Vielen Dank, dass ihr dabei seid, und wir werden hier ganz schnell loslegen.

Also gut, Team. Herzlich willkommen. Wir können loslegen.

Wie ich sehe, melden sich gerade die letzten Teilnehmer an. Guten Morgen allerseits. Herzlich willkommen zum Webinar.

Ich freue mich sehr, dass ihr alle hier seid – oder besser gesagt: Guten Abend, wo auch immer ihr gerade dabei seid. Bevor wir das Wort an unseren Referenten und die übrigen Podiumsteilnehmer übergeben, möchte ich noch ein paar Dinge ansprechen. Auf der Tagesordnung für heute stehen also einige organisatorische Hinweise, damit sich alle mit den Fragen im Webinar, der Beantwortung von Fragen und ähnlichen Themen vertraut machen können.

Darauf werde ich gleich eingehen. Anschließend stelle ich euch unser Team vor. Einige von ihnen seht ihr bereits jetzt im Chat oder im Fenster.

Wir werden zunächst die Teilnehmer vorstellen, damit Sie wissen, wer hier anwesend ist. Anschließend kommen wir zum Kern des Themas, um das es heute geht, nämlich unserem „Actian AI Analyst“. Ich gebe Ihnen einen kurzen Überblick, und dann beginnen wir mit der Demo.

Wir werden das Gespräch mit einem Aufruf zum Handeln abschließen. Wir haben eine kleine Hausaufgabe für Sie. Nur ein Scherz, es gibt keine Hausaufgabe, aber wir möchten sicherstellen, dass Sie alle Informationen erhalten, die Sie zu unserem Actian AI Analyst benötigen, und anschließend werden wir alle Fragen durchgehen und beantworten, die Sie im Laufe dieses Webinars haben.

Kommen wir also zu den organisatorischen Hinweisen. Für diejenigen unter Ihnen, die zum ersten Mal an einem Actian-Webinar teilnehmen: Wir werden Ihre Mikrofone leider stummgeschaltet lassen. Der Ton ist also stummgeschaltet – machen Sie sich keine Sorgen, falls der Ton nicht funktioniert.

Dies ist eine Zoom-Sitzung. Sie können während der gesamten Dauer der Sitzung Fragen stellen. Wir werden Ihre Fragen beantworten.

Ich habe ein Expertenteam bereitstehen, das Ihre Fragen beantwortet. Für diejenigen, die Zoom noch nicht kennen, gibt es ein eigenes Fenster für Fragen und Antworten. Sie gelangen über das Menü am unteren Bildschirmrand zu diesem Fenster.

Sie sollten drei Punkte und den Text „Mehr“ sehen. Wenn Sie darauf klicken, öffnet sich das Frage-und-Antwort-Fenster. Sie können Ihre Fragen während der gesamten Sitzung live eingeben, und wir stehen Ihnen gerne zur Beantwortung zur Verfügung.

Wir zeichnen die Sitzung auf, und diese Aufzeichnung wird anschließend versendet. Wir werden etwa 45 Minuten brauchen, wahrscheinlich etwas weniger, sodass genügend Zeit bleibt, um Fragen zu beantworten, den Inhalt zu behandeln und Ihnen ein wenig Zeit in Ihrem Tagesablauf zurückzugeben. Und noch einmal: Alle Ressourcen, die wir behandeln, die Aufzeichnung sowie alle zusätzlichen Materialien werden wir den Teilnehmern und den Anwesenden nach der Sitzung zur Verfügung stellen.

Und dann noch eine letzte kurze Anmerkung: Falls jemand technische Probleme hat oder mich kontaktieren möchte, damit ich ihm bei der Lösung dieser Probleme helfen kann, nutzt bitte den Fähigkeiten . Ihr seht den Chat dort.

Falls das nicht möglich ist, finden Sie hier meine E-Mail-Adresse, über die Sie mich erreichen können, und ich werde gerne alle Ihre Fragen beantworten. Gut. Lernen wir nun unser Team kennen.

Als heutigen Referenten darf ich Ihnen voller Freude Alex Sidler vorstellen. Er wird den Vortrag halten und dabei während des gesamten Webinars von zwei hervorragenden Vertriebsingenieuren unterstützt. Phil Wall und David Nidiffer betreuen unser Chat-Fenster für Fragen und Antworten.

Also noch einmal: Wenn ihr Fragen habt oder euch etwas einfällt, schreibt eure Frage bitte in das Q&A-Feld, und wir werden diese Fragen auf jeden Fall beantworten. Und nun, ohne weitere Umschweife, übergebe ich das Wort an Alex.

Alex, bitte fangen Sie an. Vielen Dank, John, für die Einführung. Und guten Morgen an alle – oder guten Abend, je nach Zeitzone.

Und vielen Dank, dass Sie heute dabei sind. In den letzten Jahren haben wir ein explosionsartiges Interesse an generativer KI und KI-Assistenten in Unternehmen und im Alltag erlebt. Heutzutage behauptet fast jede Plattform, man könne einfach mit seinen Daten chatten, doch in stark regulierten Branchen wie dem Bankwesen besteht die eigentliche Herausforderung nicht darin, Antworten zu generieren.

Die eigentliche Herausforderung besteht darin, ob man diesen Antworten tatsächlich vertrauen kann. Das gilt insbesondere für Untersuchungen im Bereich der Geldwäschebekämpfung und der Kundenidentifizierung im Finanzwesen, bei denen Geschäftsdefinitionen, Governance, Datenherkunft und auch der Kontext eine Rolle spielen. Deshalb möchten wir Ihnen heute zeigen, wie ein Mitarbeiter des Compliance-Teams seine Untersuchung mit dem „Action AI Analyst“ beschleunigen kann, der mit vertrauenswürdigen Daten, Geschäftsverständnis, Metrikdefinitionen, Governance-Details sowie dem Kontext unseres Unternehmens angereichert ist.

Stellen Sie sich also vor, ich sei Leiter der Abteilung für die Bekämpfung von Finanzkriminalität bei einer Privatkundenbank. Morgen Vormittag steht eine Überprüfung durch den Compliance-Ausschuss im Vorfeld einer anstehenden behördlichen Prüfung an. Einer unserer Analysten hat etwas entdeckt, das möglicherweise Anlass zur Sorge gibt.

Mehrere Kunden, die als risikoarm eingestuft wurden, weisen Transaktionsaktivitäten auf, die nahe an den Schwellenwerten für verdächtige Aktivitäten liegen oder diese überschreiten. Theoretisch sollte dies eigentlich nicht vorkommen. Wenn sich risikoarme Kunden plötzlich wie risikoreiche Kunden verhalten, gibt es nur wenige Möglichkeiten.

Die Klassifizierung ist veraltet, die Onboarding-Daten sind unvollständig, der Anreicherungsprozess ist fehlgeschlagen oder verdächtiges Verhalten tritt früher als erwartet auf. Das Problem ist, dass die Untersuchung solcher Vorfälle in der Regel Stunden, manchmal sogar Tage in Anspruch nimmt. Daher müssen die Teams mehrere dashboard durchforsten, abfragen Systeme abfragen , widersprüchliche Definitionen in Einklang bringen und die Untersuchung manuell zusammenstellen.

Schauen wir uns also einmal an, wie unser KI-Analyst-Agent uns dabei helfen kann. Gehen wir also die Demo durch. Was wir jetzt tun können, ist, unsere Demo aufzurufen.

Das ist hier also ziemlich einfach. Zu Beginn unserer Untersuchung müssen wir besser verstehen, welche Kunden zwar als risikoarm eingestuft werden, aber dennoch den Schwellenwert für die Meldung verdächtiger Aktivitäten (SAR) überschreiten. Fragen wir also unsere Mitarbeiter hier – zum Beispiel: Haben wir, ach ja, eine neue Aufgabe.

Nehmen wir zum Beispiel Folgendes: Bankanalyst – ich überprüfe gerade meine Daten, da wir mehrere Analysten haben können, und wir werden später noch darauf zurückkommen, wie wir das umsetzen können. Aber zu Beginn der Untersuchung müssen wir besser verstehen, welche Kunden als risikoarm eingestuft werden.

Wenn wir uns nun dem Actian-KI-Analysten zuwenden, können wir folgende Frage stellen: Gibt es Kunden, die als „geringes Risiko“ eingestuft sind und in den letzten 30 Tagen den SAR-Schwellenwert überschritten haben? Ich werde also einfach diese Eingabe machen, und wie Sie sehen können, arbeitet mein KI-Analyst bereits für mich. Er erstellt gerade einen Plan für seine Analyse, und wir werden diesen Schritt für Schritt durchgehen, um meine Frage zu klären.

Damit wollen wir unsere Daten abdecken, aggregieren, Daten auf Kundenebene erfassen, Diagramme erstellen und einen Compliance-Bericht erstellen. Genau das erwarten wir nun von der KI – nicht nur, dass sie Rohdatentabellen durchsucht und dabei rät, was wir meinen. Wir brauchen eine KI, die unseren geschäftlichen Kontext versteht.

Was unter einem Kunden mit geringem Risiko zu verstehen ist, d. h. einem Risikofaktor unter 12. Wie unser SAR-Risiko berechnet wird, welche Schwellenwerte gelten und welcher vertrauenswürdige Datensatz verwendet werden sollte. Diese Analyse kann ein oder zwei Minuten dauern, daher haben wir sie hier bereits vorab erstellt.

Schauen wir uns also die Ergebnisse an. Wie Sie sehen können, gibt es mehrere Eingabeaufforderungen, um den Trichter zu erhalten. Aber nur um es Ihnen zu verdeutlichen: Wenn Sie sich die Zusammenfassung ansehen, stellen Sie fest, dass wir mit Actian AI Analyst nicht damit beschäftigt sind, Daten zu suchen und die Richtigkeit der Daten im Hinblick auf Regeln und Vorschriften zu überprüfen.

Wir führen keine Tabellenzusammenführungen durch und schreiben keine SQL-Abfragen. Unsere wertvolle Zeit verwenden wir darauf, die Ergebnisse zu prüfen und den nächsten Schritt zu planen. Und das ist ziemlich interessant, denn wie Sie sehen können, erhalten Sie eine Zusammenfassung, alle zentrale Kennzahlen meine vorherige Frage beantworten, die Verteilung aller Risikofaktoren, wichtige analytische Erkenntnisse sowie empfohlene Compliance-Maßnahmen, die Ihnen helfen, den nächsten Schritt zu gehen.

Und Sie können spezifische Informationen wie einen speziellen Bericht usw. erhalten. Und alles wurde in zwei Minuten erstellt, denn wenn Sie hier zurückgehen – wenn ich zum Beispiel hier zurückgehe, um zum Ergebnis der ersten Erwartung mit geringem Risiko zurückzukehren –, wie Sie sehen können, beginnt die Erstellung meines Berichts, und ich werde dasselbe Ergebnis wie zuvor sehen, denn es dreht sich alles um den Kontext usw. Und wie Sie sehen können, schreibt es gerade und erledigt die Arbeit von selbst.

Genau hier kommt es also entscheidend auf kontextbezogene, geregelte Daten an. Der Kontext umfasst das Verständnis des Geschäfts, unsere Definitionen und unsere KPIs. Ohne Governance und KI könnte unser LLM leicht inkonsistente Definitionen verwenden, abfragen falschen Datensatz abfragen , widersprüchliche Interpretationen liefern oder gar eine ganze Analyse aus der Luft greifen, die auf etwas basiert, das es auf Reddit gelesen hat.

Und wie ihr sehen könnt, ist es genau dasselbe Ergebnis wie zuvor, das ich vorab generiert habe, und alles läuft ziemlich gut. Ich schummle nicht. Es ist Demo .

Gehen wir also noch einmal darauf zurück. Oder bleiben wir einfach dabei, denn ich werde weiterhin Fragen stellen. Das ist also der Grund, warum Unternehmen den Actian AI Analyst einsetzen.

Wir gewinnen das Vertrauen unserer Kunden Nutzer , weil unsere Analyse und Argumentation vollständig auf Ihrer vertrauenswürdigen Geschäftsdefinition, Ihren Governance-Daten, Ihren KPI-Metrikdefinitionen und – was am wichtigsten ist – Ihrem Kontext basieren. Da wir nun erste Anzeichen von Besorgnis in unserem Kundenstamm erkennen, wollen wir einen Schritt weiter gehen und nicht nur Probleme erkennen, sondern auch Prioritäten für unsere Untersuchungen setzen. Wenden wir uns also dem Actian AI Analyst zu und stellen wir ihm eine solche Frage.

Zeigen Sie mir die fünf Kunden mit der höchsten Abweichung zwischen KYC-Klassifizierung und Transaktionsverhalten, sortiert nach ID. Und da er über ein Gedächtnis verfügt, werden wir die Arbeit fortsetzen, um die endgültige Ursachenanalyse usw. zu erstellen und so die richtige Entscheidung für Sie zu treffen. Wie Sie sehen können, macht sich der KI-Analyse-Agent sofort an die Arbeit und analysiert unsere Daten.

Zur Beantwortung der Frage wurden mithilfe von SemQL, einer Abstraktionsschicht über SQL, zwei Abfragen gleichzeitig ausgeführt. Zunächst wurden, wie Sie hier sehen können, die vollständigen Details auf Kundenebene abgerufen, einschließlich eines berechneten Mismatch-Scores, der KYC-TL-Kennzeichnung und der Angabe, um wie viel jeder Kunde den Schwellenwert von 10.000 SAR überschreitet. Anschließend wurde ein sortierter Datensatz vorbereitet, der speziell für die Visualisierung in einem Diagramm aufbereitet wurde.

Das Ergebnis wird dann sowohl als Diagramm als auch als Detailtabelle dargestellt. Ich zeige Ihnen nun Folgendes, da ich es hier bereits vorab erstellt habe; im Grunde werden Sie diese beiden Diagramme sehen. Nun, da die Anzeige umgeschaltet ist, können wir erkennen, dass eine klare Methodik zur Einstufung der Kunden angewendet wurde.

Na gut, dann fangen wir mal an. Wenn ich auf die Methodik des „Mismatch-Scores“ eingehe, was sagen uns die Daten? Der Mismatch-Score entspricht also dem SAR-Betrag multipliziert mit 12 unter dem Risikofaktor.

Dabei wird die KYC-Einstufung jedes Kunden mit seinem SAR-Risiko der letzten 30 Tage abgeglichen. Alle fünf weisen den Risikofaktor 1 auf, die niedrigste Bonitätsstufe, für die lediglich eine Standard-Sorgfaltsprüfung erforderlich ist. Es wurde keine verstärkte Sorgfaltsprüfung durchgeführt, und dennoch hat jeder einzelne von ihnen den SAR-Schwellenwert von 10.000 überschritten, wobei die Werte zwischen 121.797 und 121.997 liegen.

Genau das erwarten wir von der KI: dass sie unseren geschäftlichen Kontext versteht und sich nicht nur auf die reinen Tabellendaten beschränkt. Der Kundenrisikofaktor liegt unter 12, wie Sie hier sehen können. Eine erweiterte Kundenüberprüfung (EDD) ist nicht erforderlich.

SAR-Exposition, gleitender Dreitages-Gesamtwert, der aus unserem vorab aggregierten Rollup-Modell abgeleitet wurde. Der Schwellenwert von 10.000 gilt für alle Risikostufen. Zudem handelt es sich um einen vertrauenswürdigen Datensatz, nämlich den Rollup der Transaktionen der „Gold“-Ebene, nicht um Aufzeichnung rohen Aufzeichnung.

Das ist großartig, denn anstatt Hunderte potenzieller Warnmeldungen manuell zu prüfen, kann ich mich sofort auf die fünf Kunden konzentrieren, bei denen die größte Diskrepanz zwischen ihrer offiziellen KYC-Einstufung und ihrem beobachteten Transaktionsverhalten besteht. Nun können wir erkennen, dass dieser Kunde eine verstärkte Sorgfaltsprüfung erfordert. Wenn Sie so weitermachen.

Das ist ziemlich interessant, da sich auf Kundenebene offenbar ein Strukturmuster abzeichnet, das bei unserer Finanzermittlungsstelle gemeldet werden sollte. Das sind verwertbare Erkenntnisse, die ich mit Actian AI Analyst innerhalb weniger Minuten gewinnen konnte. Noch einmal: Hier sammelt nicht die KI Daten.

Hierbei handelt es sich um KI, die geschäftliche Zusammenhänge interpretiert, die Analysemethodik festlegt und Abweichungen auf der Grundlage unserer Geschäftsregeln und -prozesse aufdeckt. Fahren wir also fort. Ich frage mich, ob es einen bestimmten Kanal gibt, den Kunden im Zusammenhang mit dieser Aktivität nutzen?

Stellen wir ihm also eine Frage, um weitere Informationen zu erhalten. Wie Sie sehen können, läuft das Programm derzeit noch und zeigt das Ergebnis an – es wird mir das Ergebnis anzeigen. Während ich darauf warte, kann ich ihn fragen, welche Transaktionskanäle für das Risiko verantwortlich sind.

Wie ihr also seht, kann es manchmal etwas dauern, denn je mehr Daten ihr habt, desto länger dauert es, bis ihr Ergebnisse erhaltet. Wir werden später noch darauf zurückkommen, wie wir diesen Prozess verbessern können und wie wir zu diesem Ergebnis gekommen sind. Aber lasst uns loslegen.

Lassen wir es für die Demo erst einmal dabei bewenden. Machen wir es auf die erste Art. Welche Transaktionen sind für dieses Risiko verantwortlich?

Und so stellt der Actian AI Analyst automatisch eine Verbindung zwischen diesem Kunden und dieser Transaktion her, basierend auf den verschiedenen Kanälen, die wir im Bankwesen haben, wie beispielsweise Barein- und -auszahlungen am Geldautomaten, Auslandsüberweisungen (aus dem Ausland und ins Ausland), Zelle-Debitkarte und so weiter. Und wie Sie hier sehen können, liegen mir all diese Informationen vor. Es handelt sich ausschließlich um korrekte Angaben zu den üblichen Bankgeschäften des Kunden – keine Einkäufe im Einzelhandel, keine Rechnungszahlungen, keine üblichen Debitkartentransaktionen.

Standardmäßige dashboard zwar hervorragend zur Darstellung wichtiger Kennzahlen, KPIs und Erkenntnisse, beantworten jedoch nur die Frage, für deren Beantwortung sie entwickelt wurden. Wenn Nutzer Analysten tiefergehende Fragen haben oder die Daten aus einer anderen Perspektive betrachten möchten, sind sie gezwungen, die Erstellung eines weiteren Berichts anzufordern, Daten herunterzuladen und die Analyse selbst durchzuführen. Eine Analyse verläuft selten linear.

Genau das macht die dialogorientierte KI so leistungsstark, denn sie ermöglicht es dem Nutzer Fragen Nutzer stellen, die bisher noch nicht beantwortet wurden. Und das Letzte, was ich zeigen wollte, war die Ursachenanalyse – denn wenn wir eine Suche durchführen, erhalten wir Informationen schneller als erwartet. Was ich Ihnen heute zeige, könnte sonst Wochen dauern, bis man verlässliche Informationen dieser Art erhält. Jetzt habe ich alles in weniger als 10 bis 15 Minuten erledigt.

Gehen wir nun etwas tiefer in die Untersuchung ein und fragen uns: Okay, aber warum? Warum ist das passiert? Wir können also fragen: Warum wurde dieser Kunde ursprünglich als geringes Risiko eingestuft?

Genau hier scheitern die meisten KI-Systeme in der Regel. Diese Frage verbindet den prädiktiven Charakter der KI mit deterministischem Denken. Der Actian-KI-Analyst ist in der Lage, meine Frage zu beantworten, da er den Kontext meines Unternehmens berücksichtigen muss, wie beispielsweise unsere Onboarding-Richtlinien, unsere KYC- und AML-Definitionen, unseren Anreicherungsprozess, unsere Unternehmensdatenumgebung, unsere Metriken und KPI-Definitionen, unsere „ Geschäftsglossar “ sowie unser Geschäftswissen und unseren Geschäftskontext.

Deshalb erhält man hier also direkt ein solches Ergebnis. Wenn ich mir das Ergebnis nun anschaue, stelle ich fest, dass alle Kunden, wie Sie sehen können, in den USA ansässig sind. Sie nutzen Privatkundenkonten, und dieser Kunde wurde am 25. Februar 2021 als Neukunde gewonnen.

Was bedeutet das für die Ermittlungen? Das KYC-Modell könnte ausgenutzt worden sein. Bei den Onboarding-Vorgängen in den Jahren 2022 und 2024 lag der Wert dabei bei etwa 23.000 Dollar.

Das ist hier also ziemlich interessant. 20 Dollar pro Jahr deuten eher auf eine kontinuierliche, mehrjährige Anmeldeaktion hin als auf eine einmalige Aktion. Entschuldigung, es geht nicht um Dollar, sondern um Menschen.

Und möglicherweise fehlt in unserem Onboarding-Modell das Feld „KYC-Klassifizierung – Begründung“. Mit dem AI Action Analyst oder Actian AI Analyst – unserem KI-Analysten – wird uns also nicht mitgeteilt, dass dieser Kunde verdächtig erscheint. Vielmehr wird erklärt, warum er sich innerhalb unseres Geschäftsumfelds, unseres Geschäftskontexts und auf der Grundlage unserer Geschäftsregeln befindet.

Es ist dieser angereicherte Kontext durch kontrollierte Daten und Wissen, der den Actian AI Analyst von einem „ generative AI “-System oder einer selbst entwickelten Lösung unterscheidet. Aus diesem Grund setzen Unternehmen auf den Actian AI Analyst als vertrauenswürdiges, unternehmensweites Datenanalysesystem für die Konversationsanalyse. Also, wenn Sie sehen möchten – ich arbeite noch daran … es funktioniert noch, Sie können also sehen, dass ich für diese erste Frage genau dasselbe Ergebnis erhalte, und ich kann ihm die dritte Frage stellen.

Wir werden leider keine Zeit haben, die letzte Frage durchzugehen, das tut mir sehr leid. Aber wie auch immer, ihr habt das Ergebnis gesehen, und ich möchte euch nur zeigen, dass es sich um genau dieselbe Art von Ergebnis handelt. Denn es ist keine Einbildung, was ich euch gerade zuvor erklärt habe.

Wie Sie hier sehen können, sind es die Überweisungskanäle, die das Risiko bestimmen, und hier ist es genau … Ich zeige es Ihnen. Okay.

Zeig mir die fünf wichtigsten Kunden. Es war dieser hier. Tut mir leid.

Los geht’s. Wir haben also dieselben Informationen. Da haben wir’s.

Es werden also keinerlei Informationen erfunden. Wie wird der Actian-KI-Analyst nun zu einem vertrauenswürdigen und sachkundigen Experten für unser Geschäft? Wie versteht er unser Geschäft, unsere Vorschriften, unsere Regeln und unsere Daten?

Dafür gibt es eine spezielle Benutzeroberfläche namens „Studio“, die nun in den Fokus rückt, und über unser semantisches Modell legen wir den Kontext für unser System fest. Also gehen wir ins Studio. Also: Robi Agent.

Und wie Sie sehen können, befinde ich mich auf der Verwaltungsseite. Auf der Verwaltungsseite kann ich mehrere Agenten anlegen, denn derzeit ist sie auf KYC und AML ausgerichtet, aber ich kann mehrere Agenten für jede Art von Geschäftstätigkeit oder für alles andere, was ich benötige, anlegen. Das ist ziemlich interessant.

Konzentrieren wir uns also auf die Bankanalyse. Und hier hat das Actian AI Analyst Studio durch verschiedene Perspektiven – wie beispielsweise die Anleitung – den grundlegenden Kontext für unser System zur Konversationsanalyse geschaffen. Los geht’s.

So können Sie ihm mehrere Anweisungen geben, die Ihrem Analysten den Kontext und eine Orientierungshilfe für eine bessere Analyse liefern. Das wird Ihnen helfen, die richtigen Ergebnisse zu erzielen. Je mehr Anweisungen Sie geben, desto besser wird das Ergebnis sein.

Wir haben auch die Modelle. Hier stellen wir die Verbindung zu Ihren Daten, deren Dimensionen und Kennzahlen her. So können Sie alle Daten auswählen, mit denen eine Verbindung besteht, und Konnektor gibt es Konnektor speziellen Konnektor .

Wie Sie sehen können, bin ich gerade über diese Tabellen mit meinem Snowflake verbunden. Das ist ziemlich interessant. Wir haben, Entschuldigung, die Kennzahlen.

Diese Kennzahlen dienen dazu, Ihr Unternehmen, Ihre Berechnungsregeln, Ihre Geschäftsregeln und Ihre Definitionen zu verstehen, um die Kennzahlen besser einordnen zu können, und der Analyst kann all diese Informationen nutzen. Der letzte Punkt, der besonders interessant ist, ist das Glossar, denn das Glossar dient dazu, den Kontext mit Ihren Glossarbegriffen anzureichern, auf die der Analyst zurückgreifen sollte. So spricht er dieselbe Sprache wie Sie, und Sie können alles nach Ihren Wünschen konfigurieren.

Und zu guter Letzt können Sie verwalten Ihren Zugriff festlegen, denn wie Sie sehen, erfordern AML/KYC-Vorgaben manchmal eine Zertifizierung, um Zugriff auf solche Daten zu erhalten; daher können Sie Agenten anlegen, die Zugriff für bestimmte Personen haben. All dies zusammen ermöglicht es unserem Actian AI Analyst, unser Geschäft und unser Datensemantikmodell zu verstehen. Es sind diese Informationen, die es unserem herkömmlichen AI-Analyst-System ermöglichen, unser Geschäft, unsere Konzepte und Zusammenhänge – oder einfacher gesagt: unseren Kontext – zu verstehen.

Genau das ermöglicht es unserer KI, mit geschäftlichem Verständnis zu argumentieren, anstatt lediglich SQL-Abfragen zu generieren. Was wir bisher gezeigt haben, ist das Ergebnis einer gut strukturierten semantischen und analytischen Grundlage. An dieser Stelle stellen die meisten Unternehmen jedoch in der Regel dieselbe Frage.

Wie schwierig ist die Umsetzung all dessen? Denn traditionell erfordert die Erstellung eines semantischen Modells, eines Glossars, von Beziehungen, eines Governance-Mappings, eines analytischen Kontexts und einer KI-fähigen Geschäftsebene erheblichen Zeitaufwand, Fachwissen und manuelle Konfiguration. Und ehrlich gesagt war diese Komplexität in der Vergangenheit eines der größten Hindernisse für die Einführung von KI in Unternehmen.

Genau aus diesem Grund stellen wir unseren Steward-Agenten vor, und wie Sie hier sehen können, handelt es sich um einen weiteren Agenten. Es ist der Agent im Agenten. Anstatt jede Ebene manuell von Grund auf zu konfigurieren, können Unternehmen nun das Geschäftsproblem beschreiben, das sie lösen möchten, und der Steward-Agent hilft dabei, die Einrichtung der semantischen Governance, die eine Analyseplattform im Hintergrund benötigt, zu beschleunigen.

Anstatt Ihnen also wieder einen statischen Konfigurationsbildschirm zu zeigen, möchte ich Ihnen ein kurzes Video von einer Minute und 30 Sekunden präsentieren, um Ihnen die Leistungsfähigkeit dieses Steward-Agenten zu demonstrieren und Ihnen zu zeigen, wie Sie das Problem lösen können und wie wir dies schneller und effizienter umsetzen können. Also legen wir los. In diesem Beispiel gehen wir von einer nicht leeren Umgebung aus.

Der Nutzer beschreibt Nutzer den analytischen use case ermöglichen möchte, und der Steward-Agent unterstützt ihn dabei, relevante Datenquellen anzubinden, das Geschäftskonzept zu identifizieren, semantische Beziehungen vorzuschlagen, ein Governance-Mapping zu erstellen und den KI-fähigen analytischen Kontext vorzubereiten, der für Untersuchungen wie die heute von uns vorgestellte erforderlich ist. Das Ziel besteht nicht darin, das Governance-Team zu ersetzen. Das Ziel ist es, die Umsetzung erheblich zu vereinfachen und zu beschleunigen.

Ich zeige Ihnen also das Ergebnis, wie wir in fünf Minuten – vielleicht auch in zehn Minuten – ein ganzes semantisches Modell aufbauen und damit beginnen können, in Ihrem Kontext und in Ihrem Unternehmen einen Mehrwert zu schaffen. Und jetzt können Sie eine Verbindung zu dem Modell herstellen. Es wird die Semantik erstellen.

Wir haben das semantische Modell bereits erstellt, und wie Sie sehen können: „Wie hoch ist mein Umsatzwachstum?“ Ich abfragen Daten abfragen , erhalte alle Informationen und stelle sie einfach für meine Nutzer bereit. Ganz einfach.

Was wir heute vorgestellt haben – lassen Sie mich das kurz zusammenfassen. Los geht’s. Was wir heute vorgestellt haben, war also nicht nur herkömmliche KI-Analytik.

Es handelte sich um eine vertrauenswürdige KI-Analyse und -Schlussfolgerung, die auf einem geregelten Unternehmenskontext basierte. Innerhalb weniger Stunden kann Action AI Analyst zur Grundlage Ihrer KI-Strategie für Unternehmensdaten und -analysen werden. Diese vertrauenswürdige KI ist nicht nur generativ, sondern auch deterministisch und vereint semantisches Verständnis, Governance, Datenherkunft, vertrauenswürdige Daten und KI-gestützte Datenverwaltung.

Das ist der Action AI Analyst – die Zukunft der Unternehmens-KI für Daten und Analytik. Vielen Dank an alle. Ich übergebe nun das Wort an John, der Ihnen den Rest vorstellen wird, und anschließend gehen wir direkt zur Fragerunde über, falls Sie möchten. Tolle Leistung, Alex.

Das ist echt cool. Ich weiß, dass schon ein paar Fragen eingegangen sind. Unser Team steht bereit, um diese zu beantworten.

Noch einmal: Wenn ihr weitere Fragen habt, könnt ihr diese gerne in das Q&A-Fenster eingeben, und wir werden Alex tatsächlich live einige dieser eingehenden Fragen stellen. Also, nächste Schritte oder Handlungsaufforderungen, richtig? Ich habe vorhin schon scherzhaft von Hausaufgaben gesprochen.

Aber im Ernst: Falls Sie weitere oder zusätzliche Informationen benötigen, steht Ihnen das gesamte Team gerne zur Verfügung. Deshalb möchte ich Ihnen hier persönlich, John Lysenslee, meine E-Mail-Adresse mitteilen. Wenn Sie Fragen haben oder weitere Informationen wünschen, können Sie sich gerne an mich oder an Alex, unseren Referenten, wenden – hier sind seine E-Mail-Adressen.

Außerdem ist Phil dabei. Nochmals vielen Dank, Phil, für … Ich glaube, ich habe gesehen, wie du eine der eingegangenen Fragen beantwortet hast. Phil steht also zur Verfügung.

Außerdem ist David Neideffer heute hier, um Ihre Fragen zu beantworten. Sollten also Fragen aufkommen oder Sie weitere Informationen benötigen, können Sie sich gerne an uns wenden. Nächste Folie.

Was kann man also noch tun? Es handelt sich hierbei um eine dreiteilige Serie. Jeder Teil ist so konzipiert, dass er für sich allein stehen kann.

Heute fand die erste Veranstaltung statt, bei der unser Actian AI Analyst im Mittelpunkt stand. Es stehen noch einige weitere Veranstaltungen an. Vielleicht haben Sie sich dafür angemeldet, vielleicht auch nicht – aber später in diesem Monat, im Juni, werden wir uns darauf konzentrieren, Ihre Kunden besser zu verstehen.

Aber wie schafft man den entsprechenden Kontext dafür? Betty wird uns einen Überblick über unsere „Actium Data Intelligence“-Plattform geben. Und später im Juli wird sich Scarlet dann mit Beobachtbarkeit von Daten befassen.

Falls Sie also noch nicht teilgenommen haben oder sich noch nicht angemeldet haben, können Sie sich gerne für diese Veranstaltungen anmelden. Und dann noch mein letzter Aufruf zum Handeln, bevor wir zu einigen weiteren Fragen kommen – nächste Folie, Alex: Wie Sie bemerkt haben, ist unser Actian AI Analyst extrem einfach zu bedienen. Auf unserer Website finden Sie jede Menge Informationen, und wir bieten Ihnen außerdem eine kostenlose 14-tägige Testversion an.

Es ist also ganz einfach, die Website aufzurufen und sich für die Testversion anzumelden. Sie haben 14 Tage Zeit, um die Technologie zu nutzen. Und ich denke, Sie werden schnell erkennen, wie einfach es ist, mit Ihrem semantischen Modell zu arbeiten und Ihren Analysten zu nutzen, um praxisnahe Fragen zu stellen und praxisnahe Informationen zu erhalten.

Damit steht diese Testversion allen zur Verfügung. Das ist also unser Aufruf zum Handeln. Und schließlich folgt auf der nächsten Folie die Frage-und-Antwort-Runde.

Also, Alex, ich glaube, wir haben tatsächlich ein paar Fragen – falls es dir nichts ausmacht, diese zu beantworten. Und noch einmal: An alle Teilnehmer des Webinars – wenn ihr Fragen habt, könnt ihr diese gerne stellen. Alex, hier ist eine Frage, die eingegangen ist.

Es scheint um Datenbanken und Data Warehouses zu gehen. Dort heißt es: „Welche Datenbanken und welche Data Warehouses unterstützt Actian AI Analyst?“ Wir decken ein ziemlich breites Spektrum ab, darunter Snowflake, BigQuery, Databricks, Redshift, Azure, Synapse, Microsoft Fabric – also den gesamten modernen Data Stack – sowie relationale Datenbanken wie PostgreSQL, MySQL, MariaDB, SQL Server, ClickHouse, MotherDuck und sogar CSV-Dateien.

Und natürlich auch unsere eigene Actian-Plattform. Also ja, eine ziemlich umfassende Abdeckung. Super.

Und wir entwickeln weiterhin neue Steckverbinder. Das ist großartig. Vielen Dank.

Noch einmal an die Teilnehmer: Wenn ihr weitere Fragen habt, könnt ihr diese gerne hier eingeben. Ich glaube, Alex, das Thema Sicherheit steht bei euch immer ganz oben auf der Tagesordnung. In diesem Fall geht es um die Frage: Sind unsere Daten sicher?

Verlassen die Daten eigentlich unsere vier Wände, oder? Verlassen sie unser System? Ja.

Also, erste Frage: Sind unsere Daten sicher? Ja, natürlich. Und verlassen sie unser System?

Nein, natürlich nicht. Ihre Daten werden also niemals in das Actian-System kopiert. Der KI-Anbieter sieht immer nur die spezifischen Zeilen, die von einer abfragen zurückgegeben werden, nicht Ihre gesamte Datenbank, und es wird nichts zum trainieren verwendet.

Die Verbindungen sind also schreibgeschützt und TLS-verschlüsselt, und die Plattform ist nach ISO 27001:2022 zertifiziert. Großartig. Ich glaube, ich habe das ganz allgemein schon angesprochen, als ich über die 14-tägige kostenlose Testphase gesprochen habe, aber es geht hier um den Nutzen, richtig?

Wie schnell erziele ich einen Nutzen? Die Frage lautet also: Wie lange dauert es, das einzurichten, und ab wann profitiere ich davon? Eine sehr gute Frage.

Die einzige Konfiguration besteht also darin, eine Verbindung zu Ihrer Datenquelle herzustellen und anschließend die semantische Ebene aufzubauen. Und wie Sie sehen können, haben wir das in fünf Minuten geschafft – ohne die Zeitrafferaufnahme im Video –, und zwar mithilfe des Steward-AI-Agenten, da dieser dabei hilft, alles zu automatisieren. Bei einem gezielten use case einer sauberen Datenquelle haben Teams ihren ersten KI-Analysten also innerhalb von höchstens ein oder zwei Tagen einsatzbereit.

In komplexeren Umgebungen mit vielen Datenquellen dauert es zwar länger, aber der Steward-Agent beschleunigt den Aufbau der semantischen Ebene erheblich. So lässt sich in weniger als ein oder zwei Tagen ganz einfach ein Mehrwert erzielen. Großartig.

Vielen Dank. Vielen Dank. Noch einmal: Gibt es noch weitere Fragen?

Wir haben noch ein paar Minuten Zeit. Da sind ein paar schöne dabei. Gib mir kurz Zeit, das durchzulesen.

Eigentlich werde ich das hier erst einmal lesen, und dann kommen wir darauf zurück. Die Frage ist: An wen richtet sich das eigentlich, Alex? Für wen ist das also gedacht?

Ist das für Datenteams gedacht? Ist es für Geschäftsanwender gedacht, oder eigentlich für beide? Wer würde Nutzen der Nutzung einer Lösung wie Actian AI Analyst Nutzen ?

Ich kann ganz klar sagen, dass es für beide gedacht ist, und dass sie unterschiedliche Benutzeroberflächen haben. Das Datenteam nutzt das Studio, um die semantische Ebene aufzubauen und zu pflegen sowie einen oder mehrere KI-Analysten zu konfigurieren. Und die Nutzer den Explorer, um Fragen in einfacher Sprache zu stellen und Diagramme, Berichte sowie allgemeine Erkenntnis zu erhalten.

SQL ist nicht erforderlich. Sie können einbetten Analysten auch in Ihr Slack- oder Teams-Konto einbetten . Wenn Sie also keine neue Anwendung nutzen möchten, bieten wir eine spezielle Integration mit Slack und Teams an.

Frag ihn einfach und schick eine Nachricht an deine KI – sie wird dir antworten. Das ist toll. Das ist wirklich toll.

Ich glaube, Phil geht gerade auf die letzte oder eine der letzten Fragen in der Fragerunde ein. Noch einmal: Falls es weitere Fragen gibt, stehen wir vielleicht noch die nächsten paar Minuten zur Verfügung. Andernfalls können wir Ihnen, wie ich zu Beginn der Sitzung versprochen habe, viel Zeit zurückgeben.

Lasst uns noch etwa eine Minute warten. Und noch einmal: Für alle, die vielleicht eine Frage gestellt haben und die ich möglicherweise übersehen habe – ich habe versucht, das Fenster zu betreuen. Ich weiß, dass Phil und David sich darum kümmern.

Sollten wir Ihre Frage jedoch versehentlich übersehen haben, werden wir uns auf jeden Fall darum kümmern und diese Fragen in den von uns bereitgestellten Unterlagen behandeln. Wie bereits erwähnt, werden wir den Teilnehmern eine Reihe von Ressourcen zur Verfügung stellen, darunter den Link zur Aufzeichnung, und wir werden alle weiteren Fragen beantworten, die wir möglicherweise übersehen haben. Ich sehe, dass Phil gerade dabei ist, die Frage von Yeswant zu beantworten – also haben Sie noch etwas Geduld, Yeswant.

Die Antwort kommt gleich. Es ist eine gute Antwort. Ich muss sie allerdings erst noch eintippen.

Na ja, du kannst das auch gerne live ansprechen, wenn du möchtest. Also – ja … wir haben noch ein bisschen Zeit.

Nur zu, ja. Na gut. Das ist also eine mehrteilige Frage, die von unseren Teilnehmern eingereicht wurde.

Es war eine interessante Sitzung. Eine der Fragen lautete: Wie erkennt und klassifiziert Actian AI Analyst automatisch sensible Daten in strukturierten und unstrukturierten Quellen? Da es sich hierbei um eine mehrteilige Frage handelt, ist dies nur der erste Teil einer Reihe von Teilen zu diesem Thema.

Zunächst einmal analysiert Actian AI Analyst also tatsächlich Ihre strukturierten Daten, richtig? Wir durchsuchen Ihre Systeme also nicht unbedingt nach sensiblen personenbezogenen Daten oder Informationen, die unter die DSGVO fallen. Als Alex den Aufbau, unser Glossar und unsere Metrikdefinitionen vorgestellt hat, können diese dem Agenten helfen, sich über die entsprechenden Richtlinien, Definitionen und Berechnungen zu informieren, falls Sie diese letztendlich nutzen sollten.

In dieser Hinsicht steht es jedoch im Gegensatz zu eher traditionell strukturierten Daten, nicht zu unstrukturierten. Wir lesen keine PDF-Dateien und versuchen nicht herauszufinden, ob es sich um vertrauliche Daten handelt oder nicht. Das ist also der erste Teil.

Bietet die Actian AI Analyst-Plattform darüber hinaus autonome oder KI-gestützte Datenqualitätsagenten, die Datenprobleme erkennen, bewerten, überwachen und beheben können? John hatte übrigens bereits einige unserer weiteren Webinare erwähnt, die demnächst stattfinden werden. Wir haben tatsächlich einen Beobachtbarkeit „Actian Data Beobachtbarkeit geplant, in dem es darum gehen wird, wie wir Datenprobleme angehen.

Actian AI Analyst arbeitet eng mit anderen Plattformprodukten von Actian zusammen. Bei Bedarf kann es aber auch als eigenständige Punktlösung eingesetzt werden. Wir nutzen dabei den geschäftlichen Kontext, der es uns ermöglicht, durch den Einsatz regulierter Daten Vertrauen zu schaffen, und verfügen in unserer Produktsuite über Tools, die Ihnen dabei helfen, Ihre Data Governance sowie das Framework aufzubauen und den zusätzlichen Kontext zu dokumentieren.

Diese Elemente werden auf allen unseren Plattformen wiederverwendet. Also – Stimmt … das zu tippen hat etwas länger gedauert.

Tut mir leid, so schnell kann ich nicht tippen. Das ist gut.

Hör mal, hey, das war ein gutes Thema für die Live-Sendung, Phil. Wie du schon gesagt hast, war das eine ziemlich ausführliche Frage. Okay.

Sonst noch etwas? Gibt es noch weitere Fragen von den Teilnehmern? Alex, die Präsentation war wirklich toll.

Phil, David, vielen Dank, dass ihr das Q&A-Fenster betreut habt. Ich hoffe, dass es für die Teilnehmer lohnenswert war und ihr euch auf den Actian AI Analyst freut. Ich möchte euch alle dazu ermutigen, die 14-tägige kostenlose Testversion zu nutzen.

Melden Sie sich für unsere kommenden Webinare an. Bei Fragen können Sie sich gerne an uns wenden. Wir warten noch eine Minute ab, um zu sehen, ob noch weitere Anmeldungen eingehen.

Ansonsten möchten wir uns noch einmal für eure Teilnahme bedanken und euch so etwas Zeit zurückgeben. Vielen Dank, Leute. Super.

Vielen Dank an alle. Wir wissen das sehr zu schätzen. Vielen Dank an euch alle.

Ich wünsche euch noch einen schönen Tag. Tschüss, alle zusammen.