KI News: Kurz und klar.

Reproduzierbarkeit ist in der Prognoseforschung ein zentrales Problem, besonders wenn Vorhersagen Entscheidungen mit hohem Risiko steuern. Traditionelle Modelle wie ARIMA sind zwar theoretisch nachvollziehbar, erfordern aber oft aufwändige manuelle Anpassungen und sind schwer in proprietären Systemen zu replizieren. Im Gegensatz dazu bieten moderne Machine‑Learning‑Ansätze hohe Flexibilität, bringen jedoch Herausforderungen hinsichtlich Interpretierbarkeit und reproduzierbarer Trainingsprozesse mit sich.

Eine neue arXiv‑Studie untersucht die Widerstandsfähigkeit von tabellarischen Machine‑Learning‑Modellen in der Finanzwelt. Forscher haben Kredit‑Scoring‑ und Betrugserkennungsdatensätze genutzt, um gradientenbasierte Angriffe durchzuführen und die Auswirkungen auf Diskriminierung, Kalibrierung und finanzielle Risikokennzahlen zu messen.

In den letzten Tagen haben drei sehr unterschiedliche Unternehmen – ein Erotikportal, eine Streaming‑Plattform und ein japanischer Einzelhändler – öffentlich bestätigt, dass bei ihnen Datenlecks aufgetreten sind, die Millionen von Nutzern betreffen.

Build Canada, ein freiwillig betriebenes Non-Profit, hat im Februar 2025 die Initiative Canada Spends ins Leben gerufen, um die finanziellen Daten der kanadischen Regierung für jedermann zugänglich und durchsuchbar zu machen. Das Projekt kombiniert moderne Open‑Source‑Technologien wie Datasette, Ruby‑Skripte, sqlite‑utils und KI‑gestützte PDF‑Extraktion, um die komplexen Finanzberichte der Behörden in ein nutzerfreundliches Format zu überführen.

Ein neues datengetriebenes Verfahren hat die probabilistischen Gesetze hinter der Feynman‑Kac‑Formel aufgedeckt. Durch die Kombination von Stochastik und modernen Identifikationsmethoden können nun die zugrunde liegenden Dynamiken aus realen Finanzdaten extrahiert werden.

Ein neues Forschungsprojekt namens FRAUDGUESS hat gezeigt, wie man bislang unbekannte Betrugsarten in riesigen Finanzdaten erkennt und gleichzeitig nachvollziehbare Beweise liefert. Durch die Analyse von Millionen von Transaktionen – inklusive Käufer-, Verkäufer- und Zeitinformationen – werden potenzielle Betrugsfälle in Form von Mikro‑Cluster‑Mustern im Feature‑Raum identifiziert.

In den heutigen Märkten, in denen Milliarden in Sekunden bewegt werden, ist es nicht mehr akzeptabel, Stunden auf eine Aktienanalyse zu warten. Stattdessen können Sie jetzt einfach „Zeichne mir die Kursentwicklung von X“ eingeben und sofort ein klares Diagramm erhalten – ohne manuelle Datensammlung, Programmieren oder Debugging.

In der Finanzwelt liegen wichtige Informationen über Unternehmensbestände oft in unübersichtlichen, mehrseitigen Tabellen verborgen. 99,4 % dieser Tabellen besitzen keine klaren Begrenzungen, und einzelne Tabellen können bis zu 426 Zeilen umfassen. Um diese Herausforderung zu meistern, hat ein Forschungsteam das System TASER (Table Agents for Schema‑guided Extraction and Recommendation) entwickelt.

In der Finanzwelt ist die Analyse von Kundenkommunikationen entscheidend, um individuelle Bedürfnisse zu erkennen und maßgeschneiderte Angebote zu entwickeln. Doch die Verarbeitung langer Kommunikationssequenzen mit großen Sprachmodellen (LLMs) ist bislang teuer und ineffizient. Das neue Forschungsprojekt LATTE (Learning Aligned Transactions and Textual Embeddings) löst dieses Problem, indem es die Stärken von LLMs mit einem kontrastiven Lernansatz kombiniert.