Interpretierbarkeit von Machine-Learning-Modellen
- Erschienen in
- Zeitschrift für das gesamte Kreditwesen
- Ausgabe
- Ausgabe 20-2021
- Autoren
- Reichenberger, Schieborn, Vorgrimler
Maschinelle Lernmodelle erzielen im Kreditrisikomanagement oft bessere Prognosegüten als klassische Regressionsmodelle — bleiben dabei aber häufig intransparent. Der Fachartikel gibt einen strukturierten Überblick über aktuelle Methoden zur Erklärbarkeit von ML-Modellen (Explainable AI), darunter SHAP-Werte, LIME und modellspezifische Ansätze.
Die vorgestellten Verfahren werden anhand konkreter Anwendungsbeispiele aus dem Kreditrisiko bewertet. Besonderes Augenmerk gilt der Frage, welche Methoden sich für den regulierten Bankbetrieb eignen und welche Anforderungen sich aus dem EU AI Act und der EZB-Guidance ergeben.
Autoren
Prof. Dr. Dirk Schieborn und Prof. Dr. Volker Reichenberger
Steinbeis-Transferzentrum Data Analytics und Predictive Modelling
Interesse an einer Zusammenarbeit?
Wir forschen und publizieren zu KI, Machine Learning und Predictive Analytics — gerne auch in Kooperation mit Unternehmen und anderen Institutionen.
Kontakt aufnehmen