Quantum Machine Learning: Die Revolution der Finanzwelt durch KI und Quantencomputing

Unternehmen weltweit bereiten sich genau wie die Gesetzgeber auf Quantencomputing vor. Meist geht es dabei um die Gefahren, die durch Quantencomputer und deren schiere Rechenkraft ausgehen. Obwohl noch kein serienreifer Quantencomputer existiert, wirft das kommende IT-Zeitalter seine Schatten voraus: Insbesondere „Harvest now, decrypt later“ (verschlüsselte Daten heute abgreifen, um sie in einigen Jahren mit Quantencomputing zu entschlüsseln) stellt die Wirtschaft vor enorme Herausforderungen. Wie meine Kollegin Elisabeth Wolter in ihrem Blogbeitrag schreibt, benötigen Banken und Versicherungen einen Fahrplan, um sich auf Quantencomputing vorzubereiten.

Trotz aller Gefahren gilt es aber auch, sich die möglichen Vorteile zu vergegenwärtigen, welche mit Quantencomputing einhergehen. Eine der großen Stärken von Quantencomputern stellt deren Fähigkeit dar, in Sekundenbruchteilen Zusammenhänge zu erkennen und dabei auch noch eine Vielzahl möglicher Variablen zu berücksichtigen. Das macht sie zum idealen Sparringpartner für eine andere Technologie, welche in den vergangenen Jahren für Furore gesorgt hat und immer noch nahezu im Alleingang die Börsenkurse bestimmt: Künstliche Intelligenz. Gemeinsam wachsen sie zu Quantum Machine Learning zusammen. Quantencomputer helfen also künftig dabei, höher entwickelte KI-Modelle zu trainieren. Mögliche Einsatzgebiete dafür drängen sich heute bereits auf.

Im International Journal of Quantum Information haben Nouhaila Innan, Muhammad Al-Zafar-Khan und Mohamed Bennai bereits eine Studie veröffentlicht, in der die Autoren bewiesen haben wollen, dass bestimmte QML-Modelle mit einer Sicherheit von 0,98 in der Lage sind, zwischen echten und betrügerischen Finanzdaten zu unterscheiden. Ergebnisse wie diese zeigen, welches Potenzial in QML steckt und wie Banken etwa im Zahlungsverkehr davon profitieren:

• Komplexität: Zahlungsströme erzeugen große Mengen an Daten mit vielen einzelnen Merkmalen, wie Zeitpunkt, Betrag, Herkunft und Ziel sowie eine gewisse Historie, die für Quantencomputer leichter zugänglich ist als für herkömmliche IT-Systeme.
• Plausibilität: Quantencomputern fällt es leichter, Fälle zu erkennen, in denen sich die wesentlichen Informationen hinter der Komplexität von Massendaten verstecken. Im Tandem mit einer KI lassen sich solche Situationen einfacher durchschauen.

Vereinfacht ausgedrückt, könnte die KI darauf trainiert werden, bereits bekannte Muster in den Daten aufzuspüren, während die Quantencomputer nach unerwarteter Korrelation suchen und so beispielsweise bislang unbekannte Betrugsmuster aufdecken. Einmal bekannt, lassen sich die KI-Modelle anschließend darauf trainieren, auch diese Muster sicher aufzuspüren und Betrug effektiv zu verhindern. Quantencomputer trainieren KI-Modelle.

Freilich befinden sich solche Projekte erst im Pilotstadium. Dennoch zahlt es sich aus, schon frühzeitig mit ersten Projekten zu beginnen, um im Wettrüsten mit Kriminellen die Oberhand zu behalten, sobald die ersten Quantencomputer in der Breite verfügbar werden. Auf einen gewissen Vorsprung kommt es auch an, wenn es darum geht, Einsatzszenarien zu finden, in denen ein Quantencomputer Wettbewerbsvorteile verspricht. Drei Bereiche drängen sich dabei besonders auf:

• Portfolio- & Risikomanagement: Jiawei Zhou hat in Springer Nature Link ein Paper veröffentlicht, in welchem er darstellt, wie Quantenalgorithmen dabei helfen können, ein bestehendes Portfolio zu optimieren oder Derivate zu bepreisen. Insbesondere die beiden Kennzahlen CVaR (Conditional Value at Risk) und VaR (Value at Risk) spielen dabei eine große Rolle. Relevant ist das sowohl für Banken als auch für Versicherungen, weil sie regelmäßig vom Regulator dazu aufgefordert sind, Risiken zu quantifizieren und mit ausreichend Kapital abzudecken. Durch Quantencomputing lassen sich mehr und komplexere Szenarien abbilden, welche die KI wiederum analysiert.
• Zahlungsabwicklung & Liquiditätsoptimierung:McKinsey zufolge kann QML dazu beitragen, Zahlungen besser abzuwickeln und die Liquidität in Unternehmen besser zu steuern. Eine KI übernimmt etwa das Routing von Zahlungen und überwacht, genauer gesagt prognostiziert Zahlungsausfälle, während ein Quantencomputer die optimale Kombination aus Zahlungswegen und Korrespondenzbanken ermittelt. Auch wie sich die Zahlungsströme auf die Liquidität einer Bank am Zentralbankkonto auswirken, ließe sich so besser bewerten. Mit alternativen Leitwegen dürfte zudem die Komplexität in diesem Bereich weiter zunehmen.
• Kryptografie & Sicherheit: Einerseits werden Quantencomputer bestehende Krypto- und Verschlüsselungsverfahren aushebeln. Andererseits lassen sich durch KI potenziell gefährliche Muster bei Datenzugriffen frühzeitig identifizieren und verhindern. QML-Modelle analysieren zu diesem Zweck, welche Daten als kritisch gelten, wie sie zu verschlüsseln sind und welche Angriffsvektoren überhaupt bestehen. Angesichts der Risiken, über die heute schon hinsichtlich gehackter Kryptobörsen berichtet wird, dürfte klar sein, dass sich Datensicherheit in den kommenden Jahren zu einem der wesentlichen Entscheidungskriterien im modernen Banking entwickeln wird.

Stand heute geht es vorwiegend darum, sich methodisch und organisatorisch für das Quantenzeitalter zu rüsten. Dazu gehört, genau zu verstehen, was Quantencomputing ist und was es nicht ist.

Am einfachsten betrachten Banken und Versicherungen Quantencomputing als eigenständige Ressource, ähnlich wie einen Prozessor (CPU), eine Grafikkarte (GPU) oder ein KI-Modell (Googles TPU). Die Unternehmen müssen sich deshalb überlegen, wie sie einerseits Zugang zu Quantencomputing als Ressource bekommen und andererseits, wie sie diese Ressource im Unternehmen einsetzen und integrieren. Dies erfordert eine gewisse Hoheit über die Kern-IT-Infrastruktur, weil sich Quantencomputing nicht über eine API, ein Gateway, ein Plug-in oder eine Middleware in die bestehenden Architekturen einbauen lässt.

Quantencomputing ersetzt folglich auch keine Bank-Schnittstellen. Es stellt weder eine neue Art von Core-Banking-Integration dar noch kommuniziert es mit Zahlungsverkehrssystemen.

All das macht die bevorstehende Integration in bestehende Systeme anspruchsvoll. Hybride Architekturen dürften entstehen, welche klassische IT-Systeme, KI-Systeme und QML auf einer Plattform zusammendenken. Dazu gehören auch die Daten: Sowohl Qualität als auch Format der Daten müssen für QML vorbereitet werden (Preprocessing). Gleichzeitig müssen die Datenbestände auditierbar und nachvollziehbar bleiben, um den geltenden regulatorischen Anforderungen zu genügen.

Weil viele Anwendungsfälle bislang nur als Forschungsprojekt existieren, bleiben auch die wirtschaftlichen Vorteile zumindest derzeit noch schwer zu greifen. Sowohl Banken als auch Versicherungen sind daher gehalten, den Markt genau zu beobachten und dort erste Projekte zu beginnen, wo sie sich auf die Fähigkeit des eigenen Hauses auswirken, künftig die richtigen Entscheidungen zu treffen. Die PPI AG berät Finanzinstitute gerne bei der Planung und Umsetzung dieser Projekte.

Quantencomputing und KI zu QML zu verbinden, birgt zahlreiche Chancen für Banken und Versicherungen, ihre Abläufe effizienter, sicherer und smarter zu gestalten. Gleichzeitig bleibt das Feld noch weitgehend unerschlossen, insbesondere weil die Infrastruktur, um die es geht, bisher nicht in Serie verfügbar ist.

Finanzunternehmen sollten die Forschungslandschaft rund um Quantencomputing, QML und Post-Quanten-Kryptografie im Blick behalten, um handlungsfähig zu bleiben und möglichst viele Optionen bereits im Vorfeld aufgeklärt zu haben, sobald die ersten Quantencomputer verfügbar werden.