Canopy nutzt Machine Learning, um die Verarbeitung von Finanzberichten in AWS zu automatisieren

Für Einzelpersonen mit Finanzvermögen aus verschiedenen Quellen kann es zeitaufwändig sein, einen einzigen, umfassenden Überblick über ihr Vermögen zu behalten, da sie ihre Finanzanlagen manuell verfolgen und zusammenstellen müssen. Dies ist eine ständige Herausforderung für vermögende Privatpersonen, die dazu neigen, ihre Anlagen stärker zu diversifizieren.

Das 2013 in Singapur gegründete Unternehmen Canopy hat sich zum Ziel gesetzt, dieses Problem zu lösen. Canopy bietet vermögenden Privatpersonen einen konsolidierten Überblick über ihre verschiedenen Finanzanlagen, indem es ihre Finanzberichte analysiert, relevante Informationen extrahiert und in einem einzigen Dashboard zusammenfasst. Mit der Plattform von Canopy können vermögende Privatpersonen ganz einfach den Überblick über ihre Anlagen behalten und gleichzeitig die finanzielle Performance, die Strategie und das Markt-Timing mit ihren Mitbewerbern vergleichen.

Als cloudnative Plattform von Amazon Web Services (AWS) hatte Canopy einen Großteil seines Tagesgeschäfts automatisiert. Das Unternehmen analysierte die Jahresabschlüsse jedoch immer noch manuell und wollte diesen Prozess mit Machine Learning (ML) und optischer Zeichenerkennung (OCR) automatisieren, um ihn effizienter zu gestalten.

„Die Anwendung von Machine Learning auf eine Datenanalyse ist ein komplexes Unterfangen. Amazon SageMaker nutzt ML, um automatisch Text und Daten zu extrahieren, was über eine einfache OCR hinausgeht und es uns ermöglicht, bis heute fast 100 000 Finanzdokumente automatisch zu verarbeiten“, sagt Amit Gupta, Chief Technology Officer bei Canopy.

Als Canopy den Betrieb aufnahm, durchsuchte das Datenteam von Canopy die Finanzdokumente eines Kunden manuell aus verschiedenen Quellen. Canopy ist mit etwa 400 Depotbanken verbunden und erhielt Daten in verschiedenen Formaten, darunter Anwendungsprogrammierschnittstellen (APIs), Datenfeeds, Berichtsservices, und im Format der Society for Worldwide Interbank Financial Telecommunications (SWIFT).

Das Team erhielt außerdem Transaktionsabrechnungen von Kunden in Form von E-Mails, Excel-Dateien, PDF-Dateien (Portable Document Format) und gescannten Bildern, was die Analyse der Kundendaten zu einem zeit- und kostenaufwändigen Prozess machte. Canopy machte es sich zur Aufgabe, den Prozess zu automatisieren und seine Geschäftsabläufe zukunftsfähig zu machen.

„Wir verbrachten jede Woche Hunderte von Stunden mit der Bearbeitung von Finanzberichten, was für das Wachstum des Unternehmens nicht tragbar war. Wir begannen, selbst mit Open-Source-ML-Modellen zu experimentieren, und innerhalb von eineinhalb Jahren gelang es uns, die Verarbeitung der Finanzdaten unserer Kunden halbwegs zu automatisieren“, sagt Gupta.

Bald darauf stieß Canopy bei der Automatisierung auf Hindernisse. Das Team musste seine ML-Modelle ständig aktualisieren, um neue Informationen in 20 Prozent der monatlich eingehenden Finanzdaten zu erkennen und zu verarbeiten. Obwohl das Team weniger Zeit mit der Analyse von Kundendaten verbrachte, musste es sich nun auf die Datenverarbeitung und die Verbesserung der Datenqualität für die ML-Modelle konzentrieren, was Zeit von der Verwaltung der Kundeninvestitionen und -beziehungen abzog.

Mit den bisherigen Abläufen konnte Canopy die ML-Modelle nicht neu trainieren, während sie im Einsatz waren, und musste am Wochenende arbeiten, um die Ausfallzeiten der Plattform so gering wie möglich zu halten – der Retraining-Prozess konnte bis zu 48 Stunden pro Woche dauern. Canopy wandte sich an AWS, um sich beraten zu lassen, wie dieser Prozess gestrafft und die OCR-Funktionen verbessert werden können.

„Wir begannen mit der Frage, ob der Prozess des Retrainings unserer ML-Modelle vollständig automatisiert werden könnte – hier erwies sich der Rat von AWS als unschätzbar wertvoll“, sagt Gupta. „Das AWS-Team hat uns mit Amazon SageMaker die richtige Richtung gewiesen und uns während der Implementierung begleitet, um sicherzustellen, dass wir immer unterstützt wurden.“

Amazon SageMaker ermöglichte es Canopy, seine ML-Modelle effizient zu entwickeln und seine OCR-Fähigkeiten zu verbessern, ohne in die Einstellung weiterer Dateningenieure investieren zu müssen. Die Lösung ermöglicht es Canopy, die Erstellung, das Training und die Bereitstellung von ML-Modellen auf einer Plattform zu konsolidieren. SageMaker aktualisiert ML-Modelle automatisch, wenn das Programm beim Analysieren von Finanzdaten neue Informationen entdeckt.

Mit seinen ML-Fähigkeiten verarbeitet Canopy nun 2 000 Kundendatensätze pro Monat und ermöglicht es seinem Datenteam, sich auf Produktinnovationen zu konzentrieren, was zu einem 300-prozentigen Wachstum des Unternehmens geführt hat. Das Unternehmen betreut heute Tausende von Kunden und verwaltete 2021 ein Vermögen von 120 Milliarden USD.

Nachdem das Unternehmen seine Datenverarbeitung mit AWS rationalisiert hat, will es die zehnfache Nutzernachfrage bedienen.

Mit Blick auf die Zukunft plant Canopy für 2021 eine Expansion in die Vereinigten Staaten und hat sich zum Ziel gesetzt, sein verwaltetes Vermögen bis Ende 2021 zu verdoppeln. Das Unternehmen beabsichtigt, AWS Managed Services (AMS) zu nutzen, um mehr Unterstützung für seine Backend-Operationen zu erhalten und seine Wachstumspläne zu unterstützen.

„AWS hat uns geholfen, unsere Fähigkeiten im Bereich ML so weit zu entwickeln, dass wir Daten im Wert von Monaten in wenigen Tagen verarbeiten können. Wenn sich die Anzahl der Finanzdokumente, die wir morgen für unsere Kunden verarbeiten müssen, verzehnfacht, können wir das problemlos bewältigen. Wir haben jetzt mehr Freiheit, unser Geschäft auszubauen, und genau das haben wir auch vor“, schlussfolgert Gupta.

 Weitere Informationen erhalten Sie unter aws.amazon.com/sagemaker.