Im Rahmen des Projekts wurde erfolgreich ein RAG-basierter Chatbot-Prototyp für die P2P-Kreditvergabe entwickelt, der Echtzeit-Interaktionen von Kreditnehmern mit einem XGBoost-Risikomodell integriert. Der Chatbot bewertete Kreditanträge effektiv, gab personalisiertes Feedback und verbesserte die Automatisierung der Entscheidungsfindung. Zu den wichtigsten Errungenschaften gehören:

Verbesserte Benutzer:inneninteraktion: Der Chatbot passte Unterhaltungen dynamisch an und behielt die kontextuelle Relevanz bei.

Automatisierte Risikobewertung: Die Echtzeit-Eingabe des Kreditnehmers verbesserte die Genauigkeit der Kreditbewertung.
Kontinuierliches Lernen: Feedback-Schleifen verfeinerten das Modell und verbesserten die Vorhersagequalität.

Einblicke in Skalierbarkeit und Durchführbarkeit: Identifizierte Herausforderungen bei der Bereitstellung, dem Datenschutz und der Einhaltung von Vorschriften.

Die Ergebnisse bilden eine solide Grundlage für weitere Optimierungen mit Schwerpunkt auf Skalierbarkeit, regulatorischer Anpassung und erweiterten KI-gesteuerten Finanzdienstleistungen.

Das Projekt entwickelte einen Chatbot-Prototyp, der Retrieval-Augmented Generation (RAG) einsetzt, um Peer-to-Peer-Kreditentscheidungen zu verbessern und gleichzeitig die bei großen Sprachmodellen üblichen Halluzinationsprobleme zu minimieren. Der Chatbot verwickelte die Benutzer in interaktive Kreditbewertungen, indem er Echtzeit-Eingaben des Kreditnehmers mit einem auf XGBoost basierenden maschinellen Lernmodell zur Risikobewertung verband.

Zu den wichtigsten Errungenschaften gehören dynamische Konversationsfähigkeiten, Verbesserungen bei der automatischen Entscheidungsfindung und Feedback-Schleifen für kontinuierliches Lernen. Die Studie lieferte wertvolle Einblicke in die Interaktionsmuster der Nutzer:innen, die betriebliche Skalierbarkeit und die Machbarkeit des Einsatzes in der Praxis und legte damit den Grundstein für die weitere Entwicklung und die Integration der Einhaltung gesetzlicher Vorschriften.