Hugging Face für Schweizer Finanzprofis: KI-Prototyp in einem Nachmittag

Auf Hugging Face sind heute über 900.000 vortrainierte KI-Modelle öffentlich zugänglich, davon hunderte spezialisiert auf Finanz- und Geschäftsdatenanalyse. Für Schweizer Finanzprofis, die KI verstehen und einsetzen wollen, ohne sich in Python-Programmierung zu vertiefen, ist diese Plattform die effizienteste Einstiegsoption, die es derzeit gibt. In meiner eigenen Praxis habe ich 2024 begonnen, Hugging Face Spaces für erste Prototypen zu nutzen, und ich kann sagen: Ein funktionsfähiger Demonstrator für Mandantenpräsentationen ist tatsächlich in einem Nachmittag realisierbar.

Was Hugging Face ist und warum es relevant ist

Hugging Face wurde 2016 als Chatbot-App gegründet und entwickelte sich zur zentralen Open-Source-Plattform für Machine Learning. Heute hostet die Plattform Modelle, Datensätze und interaktive Demos. Das Besondere ist die Community-Kultur: Forscher veröffentlichen ihre Modelle öffentlich, Entwickler bauen darauf auf, und jeder kann kostenlos auf die Infrastruktur zugreifen.

Für Finanzprofis ohne technischen Hintergrund ist vor allem Hugging Face Spaces relevant: eine kostenlose Hosting-Umgebung, in der KI-Anwendungen über ein einfaches Webinterface ausführbar sind. Die technische Seite, also Server, Deployment, Modellladung, wird von der Plattform übernommen. Das bedeutet: Wer eine Idee hat, was er mit KI analysieren möchte, kann sich auf das "Was" konzentrieren und das "Wie" delegieren.

Die Infrastruktur: Gradio, Streamlit und Transformers

Drei Komponenten bilden das technische Fundament für einfache KI-Prototypen auf Hugging Face:

Transformers ist die Python-Bibliothek, die den Zugriff auf vortrainierte Modelle ermöglicht. Eine einzelne Zeile Code reicht, um ein Sentimentanalyse-Modell zu laden, das auf Millionen von Texten trainiert wurde. Wichtig zu verstehen: Man trainiert kein Modell von Null, man nutzt ein bestehendes Modell für einen spezifischen Anwendungsfall. Das ist der Unterschied zwischen monatelanger Forschung und einem Nachmittag.

Gradio ist eine Python-Bibliothek für Webinterfaces. Sie wandelt eine KI-Funktion in eine klickbare Webapplikation um: Eingabefeld, Knopf, Ausgabebereich. Keine Kenntnis von HTML, CSS oder JavaScript erforderlich. Das resultierende Interface ist nicht schön gestaltet, aber funktional und präsentierbar.

Streamlit ist eine Alternative zu Gradio mit mehr Flexibilität für Dashboard-ähnliche Darstellungen. Für Finanzprofis, die Diagramme und Datentabellen neben KI-Ausgaben anzeigen wollen, ist Streamlit oft die bessere Wahl.

Ein reales Schweizer Beispiel: Auftragsanalyse

Um das Konzept zu konkretisieren, beschreibe ich einen Prototyp, den ich für eine Mandantenpräsentation entwickelt habe: eine Auftragsanalyse-Applikation für ein Schweizer Handelsunternehmen.

Das Unternehmen hat Kunden in der Schweiz, Deutschland und Italien. Die Frage war: Welche Produktkategorien haben in welchen Märkten das höchste Wachstumspotenzial, und wie verhalten sich Schweizer Kunden im Vergleich zu deutschen?

Die Ausgangsdaten: Eine Excel-Tabelle mit Auftragsvolumen nach Produktkategorie, Region und Quartal. Darunter Schweizer Marken als Referenzpunkte, X-Bionic für hochwertige Sportprodukte, Digitec für Elektronik, sowie vergleichbare deutsche Händler.

Das Modell: Ein Zeitreihen-Prognosemodell aus dem Hugging Face Hub, ursprünglich für Finanzmarktprognosen entwickelt, aber auf Umsatzdaten adaptierbar.

Das Ergebnis: Die Schweizer Nachfrage zeigt einen konsistenten Multiplikator von 1.2x gegenüber dem deutschen Markt in Premium-Kategorien, bei gleichem Marketingaufwand. In Standardkategorien ist der Unterschied marginal. Dieses Muster, das sich erst durch die KI-gestützte Auswertung über alle Kategorien und Quartale gleichzeitig zeigte, hat die Preisstrategie des Unternehmens direkt beeinflusst.

Die drei Schritte zum eigenen Prototyp

Wer keinen Programmierhintergrund hat, kann dennoch einen funktionsfähigen Prototyp erstellen. Die Methode nutzt KI, um KI zu bauen, was paradox klingt, aber praktisch sehr effizient ist.

Schritt 1: Daten und Ziel beschreiben. Bevor irgendeine Technologie ins Spiel kommt, formulieren Sie in einem Satz, was der Prototyp leisten soll. Nicht "KI für meine Buchhaltung", sondern: "Ich möchte monatliche Zahlungseingänge von Kunden analysieren und automatisch jene Kunden identifizieren, bei denen das Zahlungsverhalten im letzten Quartal schlechter geworden ist." Diese Präzision ist entscheidend für den nächsten Schritt.

Schritt 2: Code mit KI generieren. Nehmen Sie Ihre präzise Beschreibung und formulieren Sie einen Prompt für ein grosses Sprachmodell (Claude, ChatGPT, Gemini). Das Prompt sollte enthalten: Die Aufgabenbeschreibung, die Art der Eingabedaten (CSV, Excel), die gewünschte Ausgabe und den Hinweis "mit Gradio als Webinterface und Deployment auf Hugging Face Spaces". Das generierte Python-Skript ist ein Startpunkt, kein Endprodukt, aber für eine erste Demonstration oft ausreichend.

Schritt 3: Testen und iterieren. Laden Sie das generierte Skript in ein neues Hugging Face Space hoch. Die Plattform installiert automatisch alle Abhängigkeiten und startet die Anwendung. Wenn Fehler auftreten, kopieren Sie die Fehlermeldung zurück in das Sprachmodell und fragen nach der Korrektur. Dieser Zyklus aus Testen und Nachfragen ist keine Schwäche des Prozesses, er ist der Prozess.

Anwendungsfall für Treuhänder: Monatliches Reporting

Für Treuhänder ist der wertvollste Anwendungsfall im Hugging Face-Kontext die Automatisierung von wiederkehrenden Reporting-Aufgaben. Konkret: Wenn ein Mandant monatlich dieselben Fragen zu seinem Zahlungsverkehr, seinen offenen Debitoren oder seiner Liquiditätsentwicklung hat, lässt sich diese Analyse als Prototyp bauen.

Das Modell wertet die Buchhaltungsdaten aus (aus Abacus, Bexio oder einem anderen System exportiert als CSV), vergleicht mit Vorperiode und gibt eine prosa Zusammenfassung plus Kennzahlen-Tabelle aus. Der Treuhänder lädt einmal monatlich die neue CSV hoch und erhält in Sekunden die strukturierte Auswertung, die er früher manuell in Excel erstellt hat.

Realistischer Zeitgewinn: 45 bis 90 Minuten pro Mandant und Monat, abhängig von der Komplexität der bisherigen Reporting-Erstellung. Bei zehn Mandanten mit monatlichem Reporting sind das bis zu 900 Minuten, also 15 Stunden, die für anspruchsvollere Tätigkeiten frei werden.

A/B-Analysen: Szenarien vergleichen

Ein weiterer Anwendungsfall, den ich in meiner Praxis einsetze, ist die strukturierte A/B-Analyse von Geschäftsszenarien. Zum Beispiel: Wie verändert sich die Liquiditätsprognose, wenn wir die Zahlungsziele für Grossabnehmer von 30 auf 45 Tage verlängern?

Ein Gradio-Interface kann zwei parallele Szenarien berechnen und gegenüberstellen. Die Eingabe sind die Grundparameter (aktueller Bestand, Umsatzerwartung, Kostenstruktur), die Ausgabe zeigt beide Szenarien nebeneinander in Diagrammform. Diese Visualisierung funktioniert in Mandantengesprächen deutlich besser als eine Excel-Tabelle, weil sie die Konsequenz einer Entscheidung unmittelbar sichtbar macht.

Grenzen des Ansatzes

Es wäre unehrlich, die Einschränkungen zu übergehen. Hugging Face Spaces auf dem kostenlosen CPU-Tier sind für echte Produktionsanwendungen zu langsam und zu unzuverlässig. Der kostenlose Tier hat keine Datenpersistenz, das bedeutet, geladene Daten werden nach der Session gelöscht. Für eine professionelle Anwendung mit Mandantendaten braucht es bezahlte Infrastruktur oder eine andere Deployment-Lösung.

Die Modellqualität variiert stark. Nicht jedes Modell auf Hugging Face ist für Produktionsdaten geeignet. Für Finanzanalysen mit echten Kundendaten müssen Genauigkeit und Zuverlässigkeit systematisch getestet werden, was über den Prototypen-Status hinausgeht.

Und schliesslich: Hugging Face ist kein Ersatz für fachliche Kompetenz. Das Modell gibt eine Ausgabe, aber die Interpretation dieser Ausgabe im Kontext von Schweizer Buchführungsrecht, MWST-Vorschriften oder FINMA-Anforderungen erfordert weiterhin menschliche Expertise. Das Tool beschleunigt die Analyse, aber die Verantwortung für die Schlussfolgerung bleibt beim Fachmann.

Einstiegsempfehlung für Finanzprofis

Wer heute beginnen möchte: Erstellen Sie einen kostenlosen Account auf huggingface.co. Suchen Sie nach einem Modell für einen konkreten Anwendungsfall, zum Beispiel "text classification finance" oder "time series forecasting". Lesen Sie die Modellkarte (Model Card), die jeden Eintrag begleitet. Sie beschreibt, wofür das Modell trainiert wurde und wie gut es in verschiedenen Tests abschnitt.

Dann wählen Sie eines der "Spaces"-Beispiele für dieses Modell und sehen Sie sich an, was technisch dahintersteckt. Die meisten Spaces zeigen ihren Quellcode öffentlich. Das ist kein Programmierkurs, sondern ein Lernlabor: ein realer Prototyp, den man sofort nutzen und schrittweise anpassen kann.