Im Rahmen des Projekts für eine große deutsche Bank wurden regulatorische Normen systematisch auf ihre MaRisk-Relevanz, potenzielle finanzielle Auswirkungen sowie mögliche Reputationsschäden hin analysiert und klassifiziert. Ziel war es, eine transparente Grundlage für die Einordnung und Priorisierung regulatorischer Anforderungen zu schaffen. Dabei wurden auch die relevanten Fachbereiche identifiziert, für die die jeweiligen Normen von Bedeutung sind.

Zur Umsetzung wurde ein mehrstufiger Ansatz entwickelt: Nach einer umfassenden Analyse und Aufbereitung der Datenbasis wurden mithilfe von Feature Engineering geeignete Merkmale für die Klassifizierung abgeleitet. Anschließend kamen verschiedene Machine-Learning-Algorithmen – von linearer Regression über Random Forests und Support Vector Machines bis hin zu neuronalen Netzen und generativer KI – zum Einsatz, um eine präzise und automatisierte Klassifizierung der Normen zu erreichen. Die Validierung der Ergebnisse erfolgte durch den Abgleich mit regulatorischen Vorgaben sowie internen Experteneinschätzungen.

Die technische Umsetzung fand in der Azure Cloud statt und ermöglichte so eine skalierbare und sichere Infrastruktur für die Analysen und den späteren Betrieb. Ergänzend wurde eine OpenAI-Schnittstelle integriert, um die Begründungen der Klassifizierungsergebnisse automatisiert und nachvollziehbar zu dokumentieren. Zudem wurde ein Konzept für die Erweiterung der Anwendung erarbeitet, das die Ergebnisse der KI-gestützten Analysen über eine API-Schnittstelle zur Verfügung stellt. Dadurch konnte ein umfassendes System zur Bewertung und Einordnung regulatorischer Normen etabliert werden, das als Grundlage für strategische Entscheidungen im Compliance- und Risikomanagement dient.