AI-Grundsätze

Für einen verantwortungsvollen Einsatz von AI.

Für einen verantwortungsvollen Einsatz von AI.

Data-driven Banking mit verantwortungsvoller AI

Wir entwickeln die Finanzindustrie zu einem durchgängigen und sicheren Ökosystem, um ihr volles Potenzial zu entfalten. Deshalb verpflichten wir uns, die Kraft von Daten und AI zum Vorteil unserer Kund:innen zu nutzen. Um eine ethische und verantwortungsvolle Entwicklung und Nutzung von AI sicherzustellen, haben wir klare AI-Grundsätze definiert, die uns leiten.

Unsere AI-Grundsätze

Diese Grundsätze schaffen Vertrauen und Transparenz und ermöglichen uns, verantwortungsvolle AI-Lösungen für unsere data-driven Banking Angebote zu entwickeln und zu implementieren.

Die AI Grundsätze von Contovista

Die AI-Grundsätze von Contovista auf einem Blick.

Privacy by Design

Alle Modelle basieren auf Non-CID Daten. Die Verarbeitung erfolgt DSGVO-konform, vorbereitet auf kommende Regulierungen wie den EU AI Act.

Shared Learning Effekt

Die Modellqualität verbessert sich durch kontinuierliches Training mit anonymisierten Daten. So entstehen robustere Modelle, die Bias und Overfitting signifikant reduzieren.

Erklärbarkeit & Kontrolle

Unsere AI ist vollständig nachvollziehbar. Alle Modelle sind dokumentiert, versioniert und auditierbar. Banken steuern Konfiguration und Einsatzbereich gemäss eigener Risiko- und Compliance-Strategie.

AI für ein besseres Kundenerlebnis: präzise, skalierbar, selbstlernend

Unsere AI-Architektur kombiniert verschiedene Verfahren zu einem modularen System. Der Ergebnis: maximale Datenqualität, Skalierbarkeit und Prognosekraft:

  • Generative AI & LLMs: LLM-basierte Pipelines standardisieren Transaktionsdaten und generieren automatisiert aussagekräftige Bezeichnungen (»Pretty Names»), ergänzen Logos und schlagen passende Händler- oder Gegenparteikategorien vor. Das Resultat: Hochaktuelle Datenbestände als Basis für aussagekräftige Insights.
    LLM-gestützte Finanzanalysen verarbeiten Kundenfragen zu Transaktionen, führt automatisch die notwendigen Analysen durch und präsentiert die Ergebnisse direkt und verständlich in natürlicher Sprache.
  • Überwachtes maschinelles Lernen: Trainierte Modelle prognostizieren z. B. Reiseausgaben, Vertragsverlängerungen oder Produktinteresse – zur datenbasierten Lead-Generierung und nahtlosen Integration in bestehende CRM-Prozesse.
  • Unüberwachtes maschinelles Lernen: Clustering-Algorithmen identifizieren Kundensegmente auf Basis von Verhalten, Lebensereignissen und Finanzmustern – zur gezielten Ansprache und Produktoptimierung.
  • Probabilistische Ansätze: Modellierung von Unsicherheiten erlaubt robuste Forecasts, etwa zur Liquidität, Churn-Wahrscheinlichkeit oder Nutzung von Mehrwertservices.