Pepperstone nutzt Machine Learning auf AWS, um ein nahtloses globales Handelserlebnis zu bieten

Bei der Auswahl eines Online-Brokers sind Vertrauen und Kundenservice wichtige Kriterien. Handelsplattformen mit einer langen Geschichte und mehreren behördlichen Lizenzen sind in der Regel eine sichere Sache. Bei seinen Broker Awards für 2021 zeichnete DayTrading.com Pepperstone als besten Forex-Broker aus, vor allem aufgrund seiner globalen Präsenz und seiner „extrem zuverlässigen Plattformen“. Pepperstone ist eine Online-Handelsplattform für Devisen (Forex) und Wertpapiere mit Sitz in Melbourne und mehr als 40 000 Besuchern pro Monat.

Seit seiner Gründung im Jahr 2010 setzt Pepperstone auf die Amazon Web Services (AWS) Cloud. „AWS bietet häufig Innovationen und flexible, sofort einsatzbereite Lösungen, die uns helfen, unser Geschäft effizienter zu führen“, sagt Tony Gruebner, Chief Marketing Officer bei Pepperstone. Die Containerisierung und die Nutzung sofort einsatzbereiter verwalteter Services wie Amazon Elastic Kubernetes Service (Amazon EKS) waren entscheidend für Pepperstones Fähigkeit, seinen Kundenstamm schnell zu vergrößern und seine Services sicher zu skalieren. Allein im Jahr 2020 verzeichnete Pepperstone ein Wachstum von 20 bis 30 Prozent.

Mit Amazon EKS kann Pepperstone den Betrieb in jeder Umgebung standardisieren und bei der Expansion in neue Länder die Automatisierung für konsistente Bereitstellungen in mehreren Regionen nutzen. Im Jahr 2020 erhielt Pepperstone fünf neue behördliche Lizenzen von Behörden wie der Dubai Financial Services Authority. Zuvor verfügte das Unternehmen nur über zwei Lizenzen in Australien und Großbritannien. Die regulatorischen Maßnahmen des Unternehmens eröffneten neue Regionen, darunter Afrika und Europa.

Machine Learning (ML) und künstliche Intelligenz (KI) sind Kerntechnologien im Stack von Pepperstone. Neben einem 70-köpfigen IT-Team in vier Ländern verfügt das Unternehmen über ein Datenwissenschaftsteam in Melbourne, das sich der Entwicklung von ML-Modellen widmet. Anfänglich entwickelten Datenwissenschaftler ihre eigenen Algorithmen für die Ausführung auf AWS. Im Jahr 2019 wechselten sie dann zu Amazon SageMaker mit AWS Fargate, um die Erstellung und Bereitstellung von ML-Modellen zu automatisieren.

Bei der Umstellung auf Amazon SageMaker für das Modelltraining hatte das Datenwissenschaftsteam von Pepperstone keine Probleme, das Tool an seine Workflows anzupassen. „Die Lernkurve für neue KI- oder ML-Tools ist normalerweise relativ steil, aber mit Amazon SageMaker konnten wir sofort loslegen. Durch das Hosting, die Schulung und die Bereitstellung innerhalb der AWS-Umgebung haben wir vom ersten Tag an viel Zeit gespart“, sagt Samuel Ellett, leitender Datenwissenschaftler bei Pepperstone. Die zum Trainieren von ML-Modellen benötigte Zeit ist von 180 Stunden auf lokalen Rechnern auf 4,3 Stunden mit Amazon SageMaker gesunken.

Um neue behördliche Lizenzen zu erhalten, musste Pepperstone nachweisen, dass es über einen strengen Know-Your-Customer-Prozess (KYC) verfügt, um Händler, die auf die Plattform gelangen, zu überprüfen. Vor der Implementierung von Amazon SageMaker wurde ein Großteil der Dokumentenprüfung manuell durchgeführt. Die Mitarbeiter prüfen persönlich eingereichte Dokumente, wie zum Beispiel Passbilder, auf Echtheit. Oftmals verbrachten sie Stunden damit, einen Kunden einzubinden, nur um Tage später festzustellen, dass er nicht der war, für den er sich ausgab.

Durch den Einsatz von Betrugserkennungsmodellen in Amazon SageMaker kann Pepperstone jetzt potenziellen Betrug noch am selben Tag erkennen, an dem neue Kunden ihre Dokumente hochladen. Datenwissenschaftler trainierten ihre ML-Modelle, um die eingereichten Dokumente mit Millionen von Bildern zu vergleichen, die in einem Amazon Simple Storage Service (Amazon S3) Data Lake gespeichert sind, einschließlich authentischer und gefälschter Bilder gängiger Ausweisdokumente auf der ganzen Welt.

Das System weist dann jedem potenziellen Kunden eine Punktzahl mit einem Prozentsatz zu, der die Wahrscheinlichkeit illegaler Manipulationen in den eingereichten Unterlagen angibt. Das Onboarding-Team erhält die Ergebnisse und geht den vorgemerkten Einsendungen nach, um zusätzliche Identitätsnachweise anzufordern. Dies verbessert den Entscheidungsprozess des Teams, was zu einer Verringerung des Zeitaufwands für die Bearbeitung manueller Identitätsüberprüfungen führt.

Abgesehen von der Zeitersparnis ist der Detaillierungsgrad und die Genauigkeit, die Amazon SageMaker liefert, weitaus besser als das, was Menschen erreichen könnten. „Es wäre für Menschen nicht möglich gewesen, drei Millionen Dokumente zu vergleichen, und oft sind die betrügerischen Elemente so gering, dass sie für das menschliche Auge nur sehr schwer zu erkennen sind“, sagt Ellett. 

Von der Beschleunigung des Onboarding-Prozesses profitieren auch Neukunden. Der Wettbewerb zwischen den Online-Handelsplattformen ist groß und Händler sind nicht an eine bestimmte Plattform gebunden. Daher ist ein reibungsloser Onboarding-Prozess für den Vertrauensaufbau bei Pepperstone von entscheidender Bedeutung. „Die Automatisierung des Onboardings mit ML hat uns nicht nur operativ geholfen, sondern auch einen reibungsloseren Prozess geschaffen, der das Kundenerlebnis enorm verbessert. Unser Ziel ist es, den Handel angenehm zu gestalten, und dazu gehört auch, unnötige Verzögerungen oder Einstiegshürden zu vermeiden“, erklärt Gruebner.

Pepperstone nutzt auch in Amazon SageMaker generierte ML-Modelle, um das Vertriebsteam bei der Bewertung und Konvertierung von Leads zu unterstützen. Indem jedem Kunden beim Onboarding auf der Plattform eine Bewertung zugewiesen wird, kann das Vertriebsteam den Kundenservice gezielter einsetzen. Die Bewertung wird in Echtzeit aktualisiert, wenn die Kundendaten beim Navigieren auf der Pepperstone-Website erfasst werden. Dies hilft dem Vertriebsteam, die Workloads besser zu bewältigen und ein maßgeschneidertes Serviceniveau zu bieten, das das Unternehmen auf dem Online-Broker-Markt auszeichnet. „Amazon SageMaker ist ein fantastisches Tool, um sicherzustellen, dass die gesamte datenwissenschaftliche Pipeline so integriert und automatisiert ist wie möglich und die Daten dort übertragen werden, wo sie benötigt werden“, fügt Gruebner hinzu.

Dank der sofort einsatzbereiten Funktionen von Amazon SageMaker ist das Datenwissenschaftsteam von Pepperstone nicht mehr auf vielbeschäftigte DevOps-Ingenieure angewiesen. Dateningenieure verlassen sich immer noch auf das DevOps-Team, um eine Sandbox-Umgebung in Amazon SageMaker einzurichten, aber sobald das erledigt ist, können sie unabhängig voneinander Machbarkeitsstudien durchführen. „Wir haben einen Ressourcenkonflikt zwischen den Daten- und DevOps-Teams effektiv gelöst. Amazon SageMaker hat es uns leicht gemacht, schnell etwas zu entwickeln, unsere Hypothese zu testen und es gleich danach wieder zu verwerfen, damit es nicht zu viel kostet. Dadurch können wir mehr Experimente durchführen“, schließt Ellett.

 Weitere Informationen finden Sie auf aws.amazon.com/machine-learning und aws.amazon.com/startups.