AI - Das Wundermittel der Payment Welt?
Potenzielle Kunden fragen uns regelmäßig, ob IXOPAY künstliche Intelligenz (KI) einsetzt, vor allem im Zusammenhang mit dem Routing von Transaktionen. In Anbetracht des Hypes um KI sind Fragen wie diese keine große Überraschung. Aber dahinter steckt eine inhärente Annahme: dass der Einsatz von KI die Lösung ist und unweigerlich Vorteile bringt. Doch wie jedes Werkzeug ist auch KI kein Wundermittel. Bevor wir unseren Kunden eine bestimmte Funktion vorschlagen, muss sie echte, greifbare Vorteile bieten. Zum Zeitpunkt der Erstellung dieses Artikels sind wir noch nicht davon überzeugt, dass KI-Routing bedeutende Vorteile bietet, obwohl die Gründe dafür nuanciert und komplex sind. Im Folgenden werden wir einige dieser Gründe sowie die Herausforderungen, die KI mit sich bringt, näher beleuchten.
Eine kurze Einführung in Machine Learning
Bevor wir uns mit dem "Warum" beschäftigen, sollten wir ein paar gängige Missverständnisse aufklären. Wenn Menschen nach "KI" fragen, meinen sie im Allgemeinen angewandtes Machine Learning (ML). Diese Technologie gibt es eigentlich schon seit vielen Jahrzehnten und ist eine von vielen Unterdisziplinen der künstlichen Intelligenz. Maschinelles Lernen stützt sich auf große Datensätze, um ein Modell zu trainieren. Ein gutes Beispiel dafür ist die optische Zeichenerkennung (OCR): Um das Modell zu trainieren, werden dem System Trainingsdaten mit bekannten Symbolen zur Verfügung gestellt. Das System hat dann die Aufgabe, die Symbole in der Menge zu identifizieren, wobei die Antworten des Systems mit den tatsächlichen (bekannten) Symbolen verglichen werden. Anfänglich ist die Erfolgsquote sehr niedrig, da das System zufällig rät. Durch die Rückmeldung, ob die Antworten richtig oder falsch sind (auch bekannt als "Validierung"), nähert sich das System jedoch langsam einem Modell an, das die Symbole mit hoher Genauigkeit identifiziert.
Was sich in den letzten Jahrzehnten verändert hat, ist nicht die Technik des maschinellen Lernens, sondern die Rechenleistung und die Kosten. Große Datensätze zu verarbeiten und Modelle iterativ zu trainieren ist weitaus schneller und günstiger geworden. Beim Training wird der Entstehungsprozess von Inhalten, ihrer Bewertung und der Bereitstellung von Feedback viele Tausende Male wiederholt. Diese Fortschritte bei der Verarbeitungsleistung haben es ermöglicht, Modelle wie ChatGPT auf riesigen Datenmengen (z.B. im Internet verfügbare Texte) zu trainieren, und zwar in einem Umfang, der früher nicht möglich war.
Datenqualität und das Kaltstartproblem
Natürlich spielt die Qualität der Trainingsdaten eine wichtige Rolle. Keine noch so große Rechenleistung kann einen Datensatz ausgleichen, dem es an Quantität und/oder Qualität mangelt. Dies gilt sowohl für das Training eines Modells für die Weiterleitung von Transaktionen als auch für große Sprachmodelle wie ChatGPT. Machine Learning ist großartig im Erkennen von Mustern, aber wenn diese Muster nicht die realen Umstände widerspiegeln oder wichtige Daten fehlen, wird das KI-Modell unweigerlich bei jener Aufgabe versagen, für die es trainiert wurde.
Dies steht in direktem Zusammenhang mit dem Problem des "Kaltstarts". Um das zu verstehen, werfen wir einen Blick auf Plattformen wie YouTube, Spotify oder Amazon, die alle sog. Empfehlungssysteme verwenden: Wenn sich ein neuer Nutzer bei der Plattform anmeldet, ist zunächst nichts über seinen Geschmack und seine Vorlieben bekannt. Diese Informationen entstehen erst durch die Interaktion des Nutzers mit der Plattform – sei es durch das Ansehen von Videos, das Hören von Musik oder das Suchen nach Produkten. Das Sammeln dieser wertvollen Daten ist ein Prozess, der Zeit benötigt und kontinuierliche Beteiligung erfordert.
Gleiches gilt für neue Inhalte, die der Plattform hinzugefügt werden: Beim erstmaligen Hochladen fehlt es an Informationen darüber, wie Nutzer mit diesen Inhalten interagieren werden, was bedeutet, dass auch die Kenntnis darüber, wen sie ansprechen könnten, begrenzt ist. Eine unzureichende Handhabung dieses Prozesses kann zu Ergebnissen führen, wie auch Spotify 2014 ungern feststellen durfte, als Statistiken zeigten, dass 20% der Inhalte nie abgespielt worden waren.
Ein ähnliches Problem des Cold Starts besteht beim Transaktions-Routing. Wenn ein neuer Händler zum ersten Mal an Bord ist, existieren normalerweise keine historischen Transaktionsdaten für diesen Händler. Folglich gibt es keinen leicht verfügbaren Datensatz, auf dem ein Modell für den speziellen Anwendungsfall dieses Händlers trainiert werden könnte. Ein Ansatz wäre, Daten von Händlern aus einer ähnlichen Branche zu verwenden. Das ist allerdings nicht ganz unproblematisch:
Zum Beispiel nutzen viele Kryptowährungsbörsen IXOPAY, wobei der Großteil ihrer Transaktionen in den USA stattfindet. In diesem Markt existiert nur eine begrenzte Auswahl an Issuern, die für den Großteil der US-Kreditkarten verantwortlich sind, sowie ein beschränkter Kreis von Acquirern, die bereit sind, mit Kryptowährungsbörsen zusammenzuarbeiten. Diese Limitierungen bedeuten, dass alle diese Börsen mit denselben Issuern und Acquirern operieren.
Man könnte also annehmen, dass aufgrund dieser Gemeinsamkeiten in der Branche und der Abwicklung von ähnlichen Transaktionen über dieselben Banken alle ähnliche Erfolgsquoten aufweisen würden. In der Praxis stellt sich jedoch heraus, dass dies nicht der Fall ist. So beobachten wir, dass einige Börsen Genehmigungsquoten von weit über 80% verzeichnen, während andere nur knapp über 50% liegen.
Blind Spots in den Daten und das Risiko der einseitigen Ausbildung
Was ist der Grund für diese deutlichen Unterschiede? Ein wichtiger Faktor liegt in der Einbindung der Issuer. Börsen mit höheren Autorisierungsraten haben Zeit und Ressourcen in die Kontaktaufnahme mit ausstellenden Banken und Aufsichtsbehörden investiert, um ihnen zu versichern, dass sie seriöse Unternehmen mit soliden AML- und Betrugsmanagement Prozessen sind. Diese direkte Kommunikation mit den Issuern beeinflusst die Genehmigungsdaten unmittelbar, ohne dass dies in den Transaktionsdaten sichtbar wird.
Der Merchant Category Code (MCC) des Händlers ist ein weiterer Faktor, der die Autorisierungsraten beeinflusst. Dieser nimmt Einfluss auf die Risikobereitschaft eines Issuers und somit ebenfalls auf die Wahrscheinlichkeit, ob eine Transaktion genehmigt wird. Auch diese kritische Information wird nicht in den Transaktionsdaten erwähnt.
Die Herausforderung der Trainingsdaten ist jedoch nicht die einzige Sorge der Händler, die im Umgang mit KI zusätzlichen Risiken ausgesetzt werden. In der Payment Branche gibt es viele Kick Back Vereinbarungen und die Interessen von PSPs und Händlern können im Widerspruch zueinander stehen. Es besteht daher das Risiko, dass die KI bei der Weiterleitung jenen PSP bevorzugt, der dem Orchestrator die höchste Rückvergütung bietet, und nicht die Option, von der der Händler selbst am ehesten profitiert. Da die Händler keine Möglichkeit haben, die Entscheidungsgrundlage zu erfahren, sollten sie sich vor solchen Blackboxen in Acht nehmen. Und selbst wenn keine Voreingenommenheit vorhanden ist, kann das Training des Modells mit den falschen Anreizen immer noch zu unerwünschten Ergebnissen führen.
Das lässt sich am besten von ChatGPTs Affinität zur Fantasie erklären: ChatGPT wurde speziell darauf trainiert, plausible Ergebnisse zu erzeugen, d. h. Ergebnisse, die Texten ähneln, die von echten Menschen erstellt wurden. Es wurde nicht darauf trainiert, sachlich korrekten Content zu erzeugen, so wünschenswert dies auch sein mag. Selbst kleine Anpassungen an den Faktoren, mit denen ein Modell trainiert wurde, können erhebliche Auswirkungen auf das Verhalten der KI haben. Es besteht ebenso das Risiko, dass eine KI auf ein lokales Optimum statt auf ein globales Optimum konvergiert. Die Herausforderung, ein geeignetes KI-Modell zu entwickeln, ist jedoch nicht nur technischer Natur.
Fehlende Klarheit in der Gesetzgebung
Die Gesetzgebung und die Einhaltung von Vorschriften führen eine weitere Ebene der Komplexität von KI ein. Zukünftige KI-Gesetze könnten eine Erklärungspflicht vorschreiben und damit das oben erwähnte Blackbox-Problem aus Sicht der Händler lösen. Für Finanzdienstleister und PSPs - die wahrscheinlich einigen der strengsten rechtlichen Anforderungen unterliegen - eröffnet dies jedoch ein ganz neues Feld. Es ist leichter gesagt als getan, zu erklären, warum eine KI eine bestimmte Entscheidung getroffen hat, wenn die Ingenieure, die diese Systeme entwickeln, selbst nicht dazu in der Lage sind. Wenn wir das am Beispiel der Bilderkennung genauer betrachten, können wir sehen, wie winzige Manipulationen des Bildes - die Bearbeitung einiger weniger ausgewählter Pixel - die Art und Weise verändern können, wie das System ein Bild kategorisiert. Was für einen Menschen noch leicht als Giraffe oder Fernbedienung zu erkennen ist, wird nun als etwas ganz anderes erkannt. Zu erklären, warum diese winzigen Änderungen die Ausgabe des Systems beeinflussen, macht die Erfüllung künftiger Anforderungen an die Erklärbarkeit extrem schwierig, wenn nicht gar unmöglich.
Darüber hinaus muss jedes System, das Kartendaten verarbeitet (d. h. Schulungssysteme), PCI-konform sein. Karteninhaberdaten, die bei Datentrainings verwendet werden, unterliegen der GDPR und anderen Datenschutzgesetzen. Dies ist wichtig, weil Muster in den Transaktionsdaten eines Karteninhabers die Wahrscheinlichkeit einer erfolgreichen Transaktion erheblich beeinflussen. Ein ungewöhnlicher Transaktionsbetrag ist ein starker Indikator für möglichen Betrug und beeinträchtigt somit die Wahrscheinlichkeit, dass die Transaktion genehmigt wird. Da die künftige EU-Gesetzgebung die Unternehmen dazu verpflichtet, sofortigen Zugang zu allen über eine Person gespeicherten Daten zu gewähren, wird der Umgang mit diesen Daten komplexer und es müssen Verfahren zur Offenlegung dieser Informationen eingerichtet werden.
Eine weitere offene Frage ist die der Haftung. Wer ist strafbar, wenn die von einer KI getroffenen Entscheidungen zu finanziellen Verlusten führen? Die Payment Orchestration Plattform? Der Händler, der sich für den Dienst entschieden hat, wohl wissend, dass er auf KI basiert? Wenn diese Fragen unbeantwortet bleiben, könnte ein heute entwickeltes System in ein paar Monaten, wenn neue Vorschriften in Kraft treten, nicht mehr zweckmäßig sein.
KI hat immer noch ihren Platz
Damit soll das Potenzial von KI und Machine Learning aber nicht in Abrede gestellt werden. Einige der Ergebnisse zeigen großes Potential und vor allem Skills, Strategien zu optimieren und sogar unerwartete Systemverhaltensweisen auszunutzen. Es gibt viele Anwendungen, bei denen das maschinelle Lernen bereits seinen Wert unter Beweis stellt, so auch im Bereich des Zahlungsverkehrs. Viele Fraud- und Risk Managementdienste nutzen diese Technologie bereits, um Betrug aufzudecken. Die Mustererkennung - das Herzstück der Risiko- und Betrugserkennung - ist ein Bereich, in dem maschinelles Lernen wirklich glänzt. In diesen Fällen kommt es auch zu einer Eindeutigkeit in Sachen Haftung: Wenn ein Anbieter eine Transaktion als sicher einstuft, übernimmt er die Haftung für alle betrügerischen Transaktionen. Tatsächlich können Risikomanagement-Lösungen, die KI zur Analyse von Transaktionen nutzen, bereits in IXOPAY integriert werden.
Wenn es jedoch um die Weiterleitung von Transaktionen und die vielen Faktoren geht, die für die Wahrscheinlichkeit der Autorisierung einer Transaktion ausschlaggebend sind, sehen wir wenig Anhaltspunkte dafür, dass die derzeitigen "KI-gestützten" Systeme Vorteile gegenüber einer gut durchdachten, von einem Menschen ausgearbeiteten Weiterleitungsstrategie bieten. Sie bringen jedoch zusätzliche Komplexität, Intransparenz und Rechtsunsicherheit sowie das Risiko unbeabsichtigter Folgen mit sich. Angesichts des Mangels an nachweisbaren, greifbaren Vorteilen der KI für das Routing ziehen wir es vor, vorsichtig zu sein und nicht zu viel zu versprechen bei einer Technologie, die noch nicht ausgereift ist. Nach einigen Jahren des Hypes und der unrealistischen Erwartungen, werden wir bald das unvermeidliche Tal der Ernüchterung durchschreiten. Wenn wir das tun, bedeutet das nicht, dass die KI gescheitert ist. Es wird lediglich darauf hinweisen, dass einige der Erwartungen unrealistisch waren und viele KI-Funktionen eher aus FOMO-Gründen hinzugefügt wurden, als dass sie einen tatsächlichen Nutzen gebracht hätten. Wenn wir das Gefühl haben, dass wir unseren Händlern durch KI echte Vorteile bieten können, werden wir das auch tun. Aber wir wollen keine Vorteile versprechen, die wir nicht liefern können, nur um auf der neuesten Hype-Welle zu surfen.
Über IXOPAY
IXOPAY ist eine Payment Orchestration Plattform, die unabhängiges, flexibles und globales payment processing ermöglicht. Als hoch-skalierbarer und PCI-DSS zertifizierter “Fintech Enabler”, erfüllt IXOPAY sowohl die Wünsche von großen Kunden, als auch jene von “White Label” Kunden, wie z.B. Payment Service Providern, Acquirern und unabhängiges Sales Organisations (ISOs). Die moderne, leicht erweiterbare Architektur bietet intelligente Routing- und Cascading-Funktionen sowie modernstes Risikomanagement, automatisierte Reconciliation und Settlement Funktionalitäten mit Plugin-basierten Integrationen von Acquirern, Payment Service Providern und alternativen Zahlungsmethoden (APMs).
IXOPAY betreuet nationale und internationale eCommerce Kunden von seiner Niederlassungen in Wien, Österreich und Florida, USA. Das inhabergeführte und finanzierte Unternehmen ist von einem zwei-köpfigen Team zu einem IT-Spezialisten mit fast 100 Experten gewachsen, das innovative Lösungen und Produkte im Herzen von Wien entwickelt.
Weitere Informationen zu IXOPAY: https://www.ixopay.com
