Mit dem Aufkommen daten\u00adge\u00adtrie\u00adbener Modelle sind KI-Kompo\u00adnenten l\u00e4ngst fester Bestandteil produk\u00adtiver IT-Systeme. Doch wie geht man archi\u00adtek\u00adto\u00adnisch mit Systemen um, die autonome Entschei\u00addungen treffen? Ein Kunden\u00adprojekt zur Analyse und Prognose von Finanz\u00addaten zeigt, welche Heraus\u00adfor\u00adde\u00adrungen dabei entstehen \u2013 und welche L\u00f6sungen sich bew\u00e4hrt haben.<\/p>\n\n\n\n
Ausgangs\u00adsi\u00adtuation und Zielsetzung<\/strong><\/h3>\n\n\n\n
Im Projekt entwi\u00adckelten wir eine Software zur automa\u00adti\u00adsierten Bewertung von Finanz\u00addaten. Ziel war ein System, das histo\u00adrische und aktuelle Kursdaten analy\u00adsiert, Muster erkennt und daraus Prognosen ableitet \u2013 etwa die Wahrschein\u00adlichkeit eines Kursan\u00adstiegs um mehr als f\u00fcnf Prozent. Dazu konzi\u00adpierten wir ein Zeitrei\u00adhen\u00admodell inklusive Daten\u00adstra\u00adtegie, Feature-Engineering und Modell\u00adar\u00adchi\u00adtektur. F\u00fcr Klassi\u00adfi\u00adka\u00adti\u00adons\u00adauf\u00adgaben kamen zus\u00e4tz\u00adliche Modelle zum Einsatz, insbe\u00adsondere bei ungleichen\/unausgewogenen Klassenverteilungen.<\/p>\n\n\n\n
Die Integration in die bestehende IT-Landschaft stellte eine Heraus\u00adfor\u00adderung dar: Das Modell sollte leistungs\u00adf\u00e4hig, skalierbar und nachvoll\u00adziehbar sein. Zwar lieferte es pr\u00e4zise Vorher\u00adsagen, doch waren die Entschei\u00addungs\u00adpro\u00adzesse f\u00fcr Fachab\u00adtei\u00adlungen zun\u00e4chst schwer nachzu\u00advoll\u00adziehen \u2013 R\u00fcckver\u00adfolg\u00adbarkeit war gefragt.<\/p>\n\n\n\n
Trans\u00adparenz durch R\u00fcckver\u00adfolg\u00adbarkeit und Monitoring<\/strong><\/h3>\n\n\n\n
Ein zentrales Ziel war es, Entschei\u00addungswege des Modells trans\u00adparent zu machen. Ein Reporting-Tool zeigte auf, welche Merkmale f\u00fcr eine Vorhersage ma\u00dfgeblich verant\u00adwortlich waren. Der Fokus lag auf der Identi\u00adfi\u00adkation relevanter Einfluss\u00adfak\u00adtoren, der Quanti\u00adfi\u00adzierung von Unsicher\u00adheiten und der Auswahl geeig\u00adneter Interpretationsverfahren.<\/p>\n\n\n\n
Zur Verbesserung von Erkl\u00e4r\u00adbarkeit und Akzeptanz wurden Verfahren zur lokalen Modell\u00adin\u00adter\u00adpre\u00adtation evaluiert. Besonders das SHAP-Verfahren (SHapley Additive exPlana\u00adtions) erwies sich als geeignet. Durch Tree SHAP f\u00fcr Ensemble-Modelle erzielten wir eine gute Balance zwischen Erkl\u00e4r\u00adqua\u00adlit\u00e4t und Laufzeit. Unter bestimmten Bedin\u00adgungen konnte z. B. der gleitende Durch\u00adschnitt der letzten 30 Tage als dominanter Einfluss\u00adfaktor identi\u00adfi\u00adziert werden.<\/p>\n\n\n\n
Vertrau\u00adens\u00adme\u00adtriken quanti\u00adfi\u00adzierten die Unsicherheit von Modell\u00advor\u00adher\u00adsagen, ohne die System\u00adper\u00adfor\u00admance zu beein\u00adtr\u00e4ch\u00adtigen. Sie basierten auf Konfi\u00addenz\u00adin\u00adter\u00advallen und Wahrschein\u00adlich\u00adkeits\u00adver\u00adtei\u00adlungen. Eine Prognose von +10 %, bei tats\u00e4ch\u00adlichem Anstieg von nur 5 %, wurde als unsicher markiert.<\/p>\n\n\n\n
Heatmaps visua\u00adli\u00adsierten diese Metriken: Farbco\u00addierte Darstel\u00adlungen hoben kritische Daten\u00adpunkte hervor, Unsicher\u00adheiten wurden auf einen Blick sichtbar. Fachab\u00adtei\u00adlungen konnten so auf risiko\u00adbe\u00adhaftete Vorher\u00adsagen gezielt reagieren.<\/p>\n\n\n\n<\/figure>\n\n\n\n
<\/span><\/p>\n\n\n\n
Abbildung 1: Heatmap<\/em><\/p>\n\n\n\n
<\/p>\n\n\n\n
Monitoring-System: \u00dcberwa\u00adchung und Anomalie-Erkennung<\/strong><\/h3>\n\n\n\n
Ein mehrstu\u00adfiges Monitoring-System sicherte die Verl\u00e4ss\u00adlichkeit und Funkti\u00adons\u00adf\u00e4\u00adhigkeit des Modells im laufenden Betrieb:<\/p>\n\n\n\n
\n
Drift Detection<\/strong>: Daten\u00adver\u00adschie\u00adbungen erkennen (z.\u00a0B. durch Zinser\u00adh\u00f6\u00adhungen, politische Ereignisse)<\/li>\n\n\n\n
Perfor\u00admance Monitoring<\/strong>: Bewertung von Kennzahlen wie Genau\u00adigkeit, Latenz, F1-Score \u2013 Dashboard mit Echtzeit\u00fcberwachung<\/li>\n\n\n\n
Fehler\u00adanalyse<\/strong>: Sammlung und Analyse kriti\u00adscher Entschei\u00addungen zur Modelloptimierung<\/li>\n<\/ul>\n\n\n\n
Entschei\u00addungen wurden als kritisch einge\u00adstuft, wenn sie deutlich vom tats\u00e4ch\u00adlichen Ergebnis abwichen oder der F1-Score <0,75 lag. Ein Analy\u00adsetool sammelte Daten\u00adpunkte, um Modelle gezielt weiter\u00adzu\u00adent\u00adwi\u00adckeln. Zus\u00e4tzlich kamen AUC-Werte sowie der Brier-Score zur Kalibrierung zum Einsatz. Eine Konfu\u00adsi\u00adons\u00admatrix unter\u00adst\u00fctzte die Fehler\u00adein\u00adordnung. Erg\u00e4nzend wurden gesch\u00e4fts\u00adre\u00adle\u00advante Metriken wie Treffer\u00adquote bei Kursan\u00adstiegen >5 %, erwar\u00adteter Gewinn pro Trade, Sharpe Ratio sowie maximaler Drawdown einbe\u00adzogen. Die Verbindung aus techni\u00adscher und wirtschaft\u00adlicher Analyse erm\u00f6g\u00adlichte eine fundierte Bewertung der Modellg\u00fcte.<\/p>\n\n\n\n<\/figure>\n\n\n\n
Anony\u00admi\u00adsierung und Schutz der Eingangsdaten<\/strong><\/h3>\n\n\n\n
Die Verar\u00adbeitung sensibler Finanz\u00addaten erfor\u00adderte strikte Ma\u00dfnahmen. Die Daten\u00adpipeline anony\u00admi\u00adsierte Namen und Konto\u00addaten und nutzte verschiedene Verfahren wie Genera\u00adli\u00adsierung, Pseud\u00adony\u00admi\u00adsierung sowie Verschl\u00fcs\u00adselung. Diffe\u00adrential Privacy minimierte Reiden\u00adti\u00adfi\u00adka\u00adti\u00adons\u00adri\u00adsiken und unter\u00adst\u00fctzte die Einhaltung regula\u00adto\u00adri\u00adscher Anforderungen.<\/p>\n\n\n\n
Technische Umsetzung: Modell\u00adver\u00adsio\u00adnierung und R\u00fcckfallebene<\/strong><\/h3>\n\n\n\n
Ein wichtiger Baustein war die Modell\u00adver\u00adsio\u00adnierung: Im Unter\u00adschied zur klassi\u00adschen Software\u00adver\u00adsio\u00adnierung dokumen\u00adtierten wir zus\u00e4tzlich Trainings\u00addaten, Hyper\u00adpa\u00adra\u00admeter und Evalua\u00adti\u00adons\u00adme\u00adtriken. Ein Modell\u00adre\u00adgister speicherte s\u00e4mtliche Versionen inklusive der jeweils verwen\u00addeten Metadaten und Hyper\u00adpa\u00adra\u00admeter. Bei Fehlern griff eine R\u00fcckfal\u00adl\u00adebene mit einfachen, regel\u00adba\u00adsierten Berech\u00adnungen, um kritische Entschei\u00addungen abzusichern.<\/p>\n\n\n\n
<\/p>\n\n\n\n<\/figure>\n\n\n\n
<\/span><\/p>\n\n\n\n
Abbildung 4: Schema der techni\u00adschen Umsetzung<\/span><\/em><\/p>\n\n\n\n
\nLessons Learned: Archi\u00adtektur als Verantwortung<\/strong><\/h3>\n\n\n\n
Die Integration von KI erfordert voraus\u00adschauende Planung, Teamkom\u00admu\u00adni\u00adkation und Disziplin. Zielde\u00adfi\u00adnition, Daten\u00adstra\u00adtegie und System\u00adar\u00adchi\u00adtektur m\u00fcssen fr\u00fchzeitig aufein\u00adander abgestimmt sein. Unser Projekt zeigte: Daten\u00adschutz, R\u00fcckver\u00adfolg\u00adbarkeit, Vertrau\u00adens\u00adme\u00adtriken und Fehler\u00adana\u00adlysen entscheiden \u00fcber Akzeptanz und Zuver\u00adl\u00e4s\u00adsigkeit. KI ist kein Selbst\u00adzweck \u2013 erst im Zusam\u00admen\u00adspiel mit fundierter Archi\u00adtektur, inter\u00addis\u00adzi\u00adpli\u00adn\u00e4rer Zusam\u00admen\u00adarbeit und konti\u00adnu\u00adier\u00adlicher Quali\u00adt\u00e4ts\u00adsi\u00adcherung entsteht ein robustes, verant\u00adwort\u00adbares System.<\/p>\n\n\n\n
KI-Archi\u00adtektur hei\u00dft: gestalten, erkl\u00e4ren, absichern \u2013 und laufend nachjustieren.<\/p>\n\n\n\n
![\"Abbildung](\"https:\/\/www.isaqb.org\/de\/wp-content\/uploads\/sites\/2\/2026\/09\/content_de_1-1.png\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/www.isaqb.org\/de\/wp-content\/uploads\/sites\/2\/2026\/09\/content_de_2.png\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/www.isaqb.org\/de\/wp-content\/uploads\/sites\/2\/2026\/09\/content_de_3.png\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/www.isaqb.org\/de\/wp-content\/uploads\/sites\/2\/2026\/09\/content_de_4.png\")
<\/figure>\n\n\n\n