Revolut Research startet als Forschungsmotor für das Banking-KI-Modell PRAGMA

Revolut will seine künstliche Intelligenz nicht aus einzelnen, zugekauften Bausteinen zusammensetzen. Mit Revolut Research hat die britische Neobank deshalb eine eigene Forschungseinheit innerhalb ihrer übergeordneten KI-Organisation gestartet. Sie soll Banking-spezifische Forschung in produktive Anwendungen überführen und als Forschungs- und Entwicklungsbasis für das Foundation Model PRAGMA dienen – ein Projekt, das Revolut gemeinsam mit NVIDIA entwickelt hat. 1013

Ein Modell statt vieler Einzellösungen

Hinter der neuen Abteilung steht Revoluts Leitgedanke „Build, don’t bolt on“ – sinngemäß: selbst entwickeln, statt nachträglich einzelne Lösungen anzuschrauben. Gemeint ist eine gemeinsame, wiederverwendbare Modellbasis für Aufgaben, die bislang häufig mit voneinander getrennten Modellen und manuell erstellten Merkmalen bearbeitet werden.

PRAGMA soll dabei eine einheitliche Ebene für die Analyse finanzieller Verhaltensmuster schaffen. Vorgesehene Einsatzgebiete sind unter anderem:

• die Bewertung von Kreditwürdigkeit und Ausfallrisiken,
• die Erkennung von Betrug,
• die Segmentierung von Kundinnen und Kunden,
• die Vorhersage von Kundenverhalten sowie
• personalisierte Empfehlungen für Finanzprodukte. 610

Der Vorteil eines solchen gemeinsamen Rückgrats liegt aus Sicht von Revolut in der Wiederverwendbarkeit: Ein breit trainiertes Modell kann für unterschiedliche Aufgaben angepasst werden, ohne für jedes Produkt einen komplett neuen Machine-Learning-Stack aufzubauen. 610

Was steckt hinter PRAGMA?

PRAGMA steht für PRe-trained Banking Foundation Model. Es handelt sich um eine Familie encoderbasierter Transformer-Modelle, die auf heterogenen, zeitlich geordneten Ereignissen aus dem Bankgeschäft arbeiten. Anders als klassische Sprachmodelle wird PRAGMA nicht primär mit Text trainiert, sondern mit Ereignisfolgen wie Zahlungen, Überweisungen und weiteren Produkt- und Verhaltenssignalen.

Das Training erfolgt selbstüberwacht mit einem sogenannten Masked-Modelling-Verfahren. Dabei werden Teile einer Ereignisfolge ausgeblendet, die das Modell aus dem übrigen Kontext rekonstruieren soll. Auf diese Weise lernt es allgemeine Muster im Finanzverhalten, bevor es mit vergleichsweise geringem Aufwand auf konkrete Aufgaben wie Kreditbewertung oder Betrugserkennung angepasst wird. Die veröffentlichte Modellfamilie reicht von 10 Millionen bis zu 1 Milliarde Parametern. 1

Nach den vorliegenden Beschreibungen basiert PRAGMA auf etwa 26 Millionen Kundenhistorien mit rund 24 Milliarden Bankereignissen aus 111 Ländern. 110 Die Bezeichnung „von NVIDIA entwickelt“ ist dabei als gemeinsam mit NVIDIA entwickelt zu verstehen – nicht als ausschließliches NVIDIA-Produkt. 1013

NVIDIA-Infrastruktur – aber keine bestätigte Clustergröße

Für das Training nutzt Revolut beschleunigte Recheninfrastruktur von NVIDIA. Die NVIDIA-Fallstudie nennt insbesondere H100-GPUs in der Nebius AI Cloud sowie Verfahren wie Sequence Packing und Dynamic Batching, die das Training langer und unregelmäßiger Bankhistorien effizienter machen sollen. 10

Nicht belastbar belegt ist dagegen die häufig nachgefragte exakte Zahl oder Topologie der eingesetzten H100-GPUs. Das veröffentlichte Forschungspapier und die Fallstudie stützen Aussagen zu Architektur, Datenumfang und Ergebnissen, liefern aber keine verlässlich bestätigte Clustergröße. 16

Welche Verbesserungen meldet Revolut?

In einer NVIDIA-Fallstudie werden folgende Ergebnisse gegenüber bisherigen Produktions-Baselines genannt:

• 2,3-mal höhere Genauigkeit bei der Erkennung des Risikos eines Kreditausfalls,
• 65 Prozent mehr erkannte Betrugsfälle,
• 17 Prozent höhere Präzision bei Betrugswarnungen und
• 41 Prozent relevantere Produktempfehlungen. 6

Dabei handelt es sich um von Revolut beziehungsweise NVIDIA berichtete Benchmark-Ergebnisse im Vergleich zu bestehenden Produktionssystemen. Eine unabhängige Prüfung oder ein branchenweiter Vergleich ist daraus nicht abzuleiten. 6

Forschung soll nach außen geöffnet werden

Revolut Research soll nicht nur interne Modelle weiterentwickeln. Nach Angaben zur neuen Einheit plant Revolut, Forschungsergebnisse zu veröffentlichen, ausgewählte Frameworks als Open Source bereitzustellen, an der GTC Berlin und an der ACM International Conference on AI in Finance (ICAIF) teilzunehmen sowie vierteljährliche wissenschaftliche Treffen zu veranstalten.

Der Start der Abteilung folgt damit auf bereits sichtbare Entwicklungsmeilensteine: die Veröffentlichung der PRAGMA-Forschung und eine im Juni veröffentlichte NVIDIA-Fallstudie, in der die Zusammenführung mehrerer Systeme für Betrug, Kredit, Kundeninteraktion und Empfehlungen beschrieben wurde. Revolut institutionalisiert mit Revolut Research also ein Forschungsprogramm, das bereits ein publiziertes Modell und einsatzbezogene Benchmarks hervorgebracht hat. 16

Teil der Expansion von Revolut

Strategisch passt die Initiative zur internationalen Expansion des Unternehmens. Revolut will seine Risiko- und Personalisierungssysteme konsistent skalieren, während die Neobank auf mehr als 80 Millionen Kundinnen und Kunden in über 40 Märkten wächst. 34

Zusätzlichen Rückenwind für die Expansion in Westeuropa bringt die vollständige französische Banklizenz. Die französische Tochter erhielt die Genehmigung nach einer Prüfung durch die französische Aufsichtsbehörde ACPR und die Europäische Zentralbank. Frankreich soll zunächst als Ausgangspunkt dienen, bevor die Aktivitäten schrittweise auf weitere westeuropäische Märkte ausgeweitet werden. 34

Für Kundinnen und Kunden ist Revolut Research zunächst vor allem ein Infrastrukturprojekt. Die eigentliche Bedeutung liegt darin, dass Revolut KI als zentrale, wiederverwendbare Bankfunktion aufbauen will: Ein Modell soll aus umfassenden Finanzdaten lernen und anschließend verschiedene regulierte Entscheidungen und Produkterlebnisse unterstützen – anstatt für jede einzelne Anwendung eine neue Insellösung zu benötigen. 610