52 lines
1.8 KiB
Markdown
52 lines
1.8 KiB
Markdown
#### Inhalt des Anwendungsbeispiels
|
|
- **Social Robots**: Begrüßung, Unterstützung in Banken/Sparkassen.
|
|
- **Chatbots**: Kundenkontakt im Bank-/Finanzsektor.
|
|
- **OCR & JP Morgan COin**: Text-Digitalisierung, Fehlererkennung.
|
|
- **Social Media-Analyse**: Aktienprognosen, Hedge Fund.
|
|
---
|
|
|
|
- **Parkplatzanalyse**: Unternehmensgesundheit.
|
|
- **Pandemieprognosen**: Maßnahmen, Prävention.
|
|
- **Aktienhandel**: Prognosen, Kettenreaktionen.
|
|
- **Reinforcement Learning**: Broker-Nachahmung.
|
|
- **Fraud Detection**: Erkennung verdächtiger Transaktionen.
|
|
- **Robo Advisors**: Automatisierte Beratung.
|
|
- **CNNs**: Schadensbewertung.
|
|
- **Versicherungen**: Lebenserwartung, Policy-Definition.
|
|
|
|
---
|
|
|
|
### Wer Profitiert davon?
|
|
|
|
- **Firmen**: Kostenreduktion, verbesserte Entscheidungen.
|
|
- **Kunden**: Kürzere Wartezeiten, 24/7-Service.
|
|
- **Hedge Funds**: Datenbasierte Entscheidungen.
|
|
- **Gesellschaft/Regierung**: Prävention, Ressourcenverteilung.
|
|
- **Versicherungen**: Schnellere Prozesse, objektivere Entscheidungen.
|
|
|
|
---
|
|
|
|
### Unternehmen Beispiele
|
|
|
|
- **JP Morgan Chase**: NLP & OCR für Vertragsprüfung.
|
|
- **NASDAQ**: Deep Learning für Fraud Detection.
|
|
- **Tractable**: CNNs für Schadensbewertung.
|
|
- **Lapetus**: Neuronale Netze für Lebensversicherungen.
|
|
- **EquBot**: Prognosen für Day-to-Day-Trading.
|
|
|
|
---
|
|
|
|
### Weitere Anwendungen
|
|
|
|
- **Compliance Monitoring**: Regulatorien überwachen, Reports erfassen.
|
|
- **Personalisierte Vorschläge**: Kundenreisen, Investments.
|
|
- **Cyber Security**: Traffic-/Transaktionsanalyse, Angriffserkennung.
|
|
- **Generative AI**: Finanzberichte, Visualisierungen.
|
|
|
|
---
|
|
|
|
### Kategorie Einordnung
|
|
|
|
- **Deep Learning**: Kundenhilfestellung, Vertragsprüfung, NLP
|
|
- **Machine Learning**: Risikoanalyse, Versicherungen.
|
|
- **Data Science & Forecasting**: Aktienprognosen, Day-to-Day-Trading. |