de.wedoany.com-Bericht: Datenfriktion ist das erste weit verbreitete Problem der Chicago Metropolitan Bank. Viele Banken verlassen sich weiterhin auf lokale Altsysteme für Kernanwendungen und nutzen Batch-Datenfeeds für Kundenanalysen. Diese Vorgehensweise verlangsamt Entscheidungsprozesse und schränkt den praktischen Einsatz generativer KI ein. Eine Umfrage von Google Cloud unter US-Bankführungskräften aus dem Jahr 2023 ergab, dass 49 % der Befragten die größten Vorteile von KI in gesteigerter Betriebseffizienz und Kosteneinsparungen sehen, während 45 % bessere Daten und prädiktive Analysen als Schlüsselergebnisse betrachten. Jedoch geraten Projektfortschritte oft ins Stocken, sobald neue Modelle maßgeschneiderte Daten aus COBOL-basierten Kernsystemen oder SQL Server-Instanzen in Rechenzentren am Stadtrand extrahieren müssen.
Die Sicherheitskomplexität stellt eine weitere Herausforderung dar. Eine hybride Topologie, die Filialen mit mehreren Rechenzentren verbindet, führt zu inkonsistenten Firewall-Richtlinien. Teams müssen in der Regel jede neue Anwendung manuell prüfen, was zu Verzögerungen führt. Gleichzeitig betonen Aufsichtsbehörden wie die Federal Reserve, das Office of the Comptroller of the Currency (OCC) und die Federal Deposit Insurance Corporation (FDIC) gemeinsam, dass Banken, die Public Cloud nutzen, eine hohe Betriebsresilienz und ein starkes Drittanbieter-Risikomanagement nachweisen müssen. Daher suchen Banken, die Cloud-Dienste in Betracht ziehen, nach einem Weg, der eine schrittweise Migration bei gleichzeitiger vollständiger Prüfbarkeit ermöglicht.
Die Vorhersagbarkeit der Kosten ist zu einem Schwerpunkt auf Vorstandsebene geworden. Führungsteams möchten vom Kapitalausgabenmodell, das an Hardware-Erneuerungszyklen gebunden ist, zu einem Betriebsausgabenmodell wechseln, das sich am Verbrauch orientiert, erwarten aber dennoch klare Kostenprognosen. Dies ist besonders wichtig für Analysesandboxen, deren Ressourcenverbrauch schnell ansteigen kann, wenn Datenwissenschaftler mit großen Sprachmodellen experimentieren.
Banken in der Region bewerten Cloud-Modernisierungslösungen in der Regel durch die Fokussierung auf Dateninfrastruktur, KI-Fähigkeiten und Sicherheitsarchitektur. Jeder Bereich erfordert andere Entscheidungen. Die Datenbewertung beginnt meist mit der Prüfung bestehender Data-Warehouse- und Data-Lake-Architekturen. Teams untersuchen, ob ihre SQL Server-, Teradata- oder Oracle-Umgebungen Echtzeit-Datenfeeds unterstützen oder auf nächtliche ETL-Batchverarbeitung angewiesen sind. Ein IDC-Bericht zeigt, dass weltweit über 65 % der Banken planen, bis 2025 cloudbasierte Datenplattformen zu priorisieren, um Echtzeit-Risiken, Personalisierung und regulatorische Berichterstattung zu unterstützen. Daher bauen Käufer Bewertungsrahmen um langfristige Skalierbarkeit statt um eine direkte Migration auf.
Die KI-Bewertungsphase dreht sich darum, ob die Organisation kundenorientierte Fähigkeiten, interne Produktivitätstools oder Risikobewertungsmodelle priorisiert. Die Wells Fargo hat ihre strategische Partnerschaft mit Google Cloud ausgeweitet, um Mitarbeitern KI-Tools zur Automatisierung alltäglicher Aufgaben und Verbesserung des Kundenservice bereitzustellen, was als Referenzvorlage für die Ausweitung solcher Initiativen im Filial- und Investmentbanking dient. Banken, die ähnliche Modelle bewerten, vergleichen in der Regel die von verschiedenen Cloud-Anbietern angebotenen Modell-Hosting-Optionen, die Implementierung der Datenisolation und ob die Vektorsuchfunktion in bestehende Dokumentenarchive integriert ist.
Die Sicherheitsbewertung wird oft durch die für die Prüfung erforderlichen Kontrollen bestimmt. Einige Teams bilden ihre Architektur auf das NIST Cybersecurity Framework und die SP 800-53-Kontrollen ab, während andere eine an ISO 27001 ausgerichtete Struktur bevorzugen. Käufer achten darauf, wie sich Protokollierung, Paketerfassung und IAM-Struktur in ihre SIEM-Systeme oder Compliance-Tools integrieren lassen. Sie bewerten auch, wie hybride Verbindungen funktionieren, da mehrere Banken in Chicago Scheckverarbeitungs- oder Kartensysteme weiterhin auf internen Mainframes betreiben.
Sogeti US adressiert diese Probleme, indem es Technikteams anleitet, ein hybrides Bereitstellungsmodell aus lokalen Rechenzentren und Cloud-gehosteten Diensten zu übernehmen. Sobald eine Bank eine Richtung gewählt hat, wird in der Regel eine schrittweise Einführung einer Komplettmigration vorgezogen. Die Anfangsphase konzentriert sich oft auf den Aufbau sicherer Netzwerkverbindungen. Einige Institute beginnen mit IPSec-VPN-Tunneln und wechseln später zu dedizierten Interconnects, sobald die Anforderungen an Durchsatz und Zuverlässigkeit klarer sind. Routing-Architekturen, NAT-Richtlinien und überlappende IP-Bereiche werden oft zu frühen Hindernissen.
Als nächstes folgt in der Regel die Datenmigration. Teams priorisieren die Migration von Analyse-Workloads, da diese Systeme weniger mit alltäglichen Transaktionen verbunden sind. Diese Phase umfasst die Umstrukturierung von ETL-Pipelines, die Einrichtung einer Governance-Ebene und die Konfiguration des rollenbasierten Zugriffs in der Cloud-IAM-Struktur. Stark regulierte Banken integrieren Cloud-Überwachungsprotokolle oft direkt in ihre Compliance-Dashboards, bevor sie sensible Daten verschieben.
KI-Dienste erscheinen typischerweise in späteren Phasen. Finanzinstitute testen möglicherweise zunächst interne Anwendungsfälle wie Dokumentenzusammenfassungen oder Transkriptionsanalysen für Callcenter. Dies hilft, Human-in-the-Loop-Workflows und Mechanismen zur Verzerrungskontrolle zu verfeinern, bevor kundenorientierte Systeme eingeführt werden. Viele Institute betonen, dass die Prozesse mit den internen Richtlinien zum Modellrisikomanagement übereinstimmen müssen, einschließlich der Prozesse zur Eingabebereinigung und Ausgabeüberwachung.
Während der gesamten Phase ist die abteilungsübergreifende Koordination entscheidend. Infrastrukturteams kümmern sich um die Konnektivität, Datenteams um die Datenerfassung und -transformation, und Governance-Teams stellen sicher, dass jeder Schritt den regulatorischen Erwartungen entspricht. Partner wie Sogeti US können helfen, diese Arbeitsabläufe zu standardisieren und Architekturentscheidungen zu beschleunigen.
Banken, die die Ergebnisse bewerten, verfolgen Verbesserungen, die direkt mit den Geschäftszielen verbunden sind. Im Datenbereich streben Teams nach einem zeitnäheren Zugriff auf Kundenattribute, einer Reduzierung manueller Datenzusammenführung und der Fähigkeit, produktübergreifende Analysen ohne mehrfache Extraktionen durchzuführen. Viele Banken erwarten, dass diese Funktionen intelligentere Marketing- und Risikoentscheidungen unterstützen, was mit der Schätzung von McKinsey aus dem Jahr 2023 übereinstimmt, dass fortschrittliche Analysen und KI das Betriebsergebnis von Retailbanken um bis zu 25 % steigern können.
Im KI-Bereich messen Führungskräfte die Geschwindigkeit der Bereitstellung neuer Modelle, die Häufigkeit der Nutzung von KI-Assistenten durch Geschäftsbereiche und die Fähigkeit interner Teams, Prompt-Controls zu verwalten. Sie prüfen auch, ob generative Tools die manuellen Prüfzyklen in Kredit- oder Compliance-Prozessen signifikant reduziert haben. In Bezug auf die Sicherheit wird der Fortschritt anhand des Integrationsgrads von Protokollen und IAM-Richtlinien, der Reduzierung von Richtlinienausnahmen über Filialen hinweg und der verbesserten Transparenz von Resilienzberichten bewertet. Aufsichtsbehörden betonen die Notwendigkeit der Rückverfolgbarkeit von Cloud-Workloads für Banken, daher achten Käufer darauf, wie gut Cloud-Protokolle in interne Prüftools integriert sind.
Bei der Erkundung von Google Cloud-Lösungen im Chicagoer Bankensektor sind Käufer allgemein der Ansicht, dass eine schrittweise Migration das Risiko reduzieren kann, insbesondere während das Daten-Governance-System noch verbessert wird. Frühe Investitionen in die Netzwerkarchitektur sparen später Zeit, wenn Transaktionssysteme angebunden werden müssen. Die Ausrichtung der Bereitstellung an NIST- oder ISO-Rahmenwerken vereinfacht Prüfungsgespräche, da die Aufsichtsbehörden diese Kontrollstrukturen bereits erwarten. Evaluatoren stellen auch fest, dass die klare Festlegung, welche Workloads zuerst migriert werden und welche langfristig vor Ort verbleiben, die Ausbreitung einer unübersichtlichen hybriden Topologie verhindert. Eine strukturierte Roadmap hält die Migration vorhersagbar und minimiert Nacharbeiten.
Auch Regional- und Gemeinschaftsbanken außerhalb Chicagos stehen vor ähnlichen Einschränkungen. Derselbe Bewertungspfad ist anwendbar, insbesondere da Kernbankdienstleister wie Jack Henry mit Google Cloud zusammenarbeiten, um die Modernisierung des Technologie-Stacks der nächsten Generation für Finanzinstitute zu unterstützen. Käufer benötigen allgemein klare Datenziele, eine definierte KI-Vision, eine Ausrichtung an regulatorischen Rahmenwerken und eine zielgerichtete Gestaltung der hybriden Konnektivität. Die meisten Banken führen die Bereitstellung phasenweise durch. Der Aufbau der Netzwerkgrundlage erfolgt in der Regel zuerst und erfordert interne Überprüfungen. Es folgt die Datenmigration, die aufgrund der erforderlichen Koordination von Governance- und Herkunftsprüfungen mehr Zeit in Anspruch nimmt. KI-Dienste werden hinzugefügt, nachdem die Sicherheits- und Datenstruktur stabilisiert ist.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
