Künstliche Intelligenz als Zukunftstechnologie
Die gegenwärtige Welle des Fortschritts und der Popularität für Künstliche Intelligenz (KI) wird in erster Linie durch die Verfügbarkeit immenser Datenmengen, durch die rapide steigende Rechenleistung und -kapazität von Computern sowie durch deutlich verbesserte maschinelle Lernansätze und Algorithmen begünstigt.
Das Rennen um Künstliche Intelligenz führen die bekannten Technologie-Giganten an. Facebook, Amazon, Microsoft, Google und Apple haben in den letzten zehn Jahren intensiv KI-Startups akquiriert. Allein im zweiten Quartal 2019 wurden 6,8 Mrd. € in KI-Startups investiert und die prognostizierten Gesamtinvestitionen sollen auf 91 Mrd. € bis 2023 steigen.
Doch der Hype um Künstliche Intelligenz verstellt dem interessierten Leser den Blick für die Möglichkeiten und Anwendung dieser Technik, es scheint oft nur zwei Varianten der Betrachtung zu geben: Unwissenheit oder die Erwartung sofortiger Wunder. Bisweilen vermischt sich beides.
Sie wollen mehr über die Anwendung in der Versicherungswelt erfahren?
Was ist Künstliche Intelligenz genau?
Künstliche Intelligenz beschreibt die Fähigkeit von Maschinen oder Robotern, Aufgaben zu bewältigen, die bislang der menschlichen Intelligenz vorbehalten waren. Dazu gehören etwa Fähigkeiten wie Bedeutungen zu erkennen, Umgebungsparameter wahrzunehmen, zu verallgemeinern oder aus der Vergangenheit zu lernen und daraus Schlüsse auf künftige Entwicklungen zu ziehen.
Zu den wichtigsten KI Technologien zählen unter anderem Anomaly Detection, Machine Learning, Deep Learning, Natural Language Processing (NLP) und Predictive Analytics.
KI Technologien
Anomaly Detection
Das Erkennen von Mustern und Anomalien in einem Datensatz, mit vorrangigem Fokus auf die Identifikation von seltenen Ereignissen oder Beobachtungen.
Machine Learning
Die wissenschaftliche Untersuchung von statistischen Modellen und die Verwendung von Algorithmen, um aus Daten zu lernen und Geschäftsprobleme zu lösen, ohne explizite Programmierung.
NLP- und Audio/Speech Analytics
Die Interpretation und Verarbeitung von natürlicher Sprache in Form von schriftlichen Texten, Dokumenten und Audioaufnahmen durch Anwendung von Computer Science und KI.
Predictive Analytics
Die Analyse von aktuellen und historischen Fakten, um Vorhersagen über noch unbekannte zukünftige Ereignisse zu treffen oder weiterführende Aktionen zur Erzielung optimaler Ergebnisse vorzuschlagen.
Computer Vision
Die automatische Extraktion von nützlichen Informationen aus einzelnen oder mehreren digitalen Bildern und Videosequenzen sowie deren Verständnis und Weiterverarbeitung.
Internet of Things (IoT)
Ein System von miteinander verbundenen Computern, Objekten und/oder Personen. Die verfügbaren Informationen der jeweiligen verknüpften Einheiten werden automatisch im Netzwerk geteilt und können neue Prozesse anstoßen.
Robotics
Die Entwicklung und Steuerung von Robotern sowie die deren zugrundeliegenden Computersysteme.
Expert-System
Ein Computersystem, welches die Entscheidungsfähigkeit eines menschlichen Experten nachahmt, um vorwiegend wissenschaftliche Daten zu analysieren oder medizinische Diagnosen zu überprüfen.
Cognitive Computing
Technologieplattformen, die auf den wissenschaftlichen Prinzipien der künstlichen Intelligenz und Signalverarbeitung basieren und auf die Verarbeitung und Analyse großer, unstrukturierter Datensätze spezialisiert ist.
"Those who imagine anything, can create the impossible."
KI Prozess
Um das ganze etwas anschaulicher darzustellen stellen wir eine kleine Überlegung an. Wie geht ein Mensch vor, wenn er ein Problem oder eine Aufgabe lösen möchte. Er nimmt seine Umgebung bzw. die Situation wahr, denkt und handelt schließlich. So eine ähnliche Unterteilung können wir für die Bereiche von künstlicher Intelligenz anwenden.
Methoden zur “Wahrnehmung” sind bei künstlicher Intelligenz zum Beispiel NLP oder Audio/Speech Analytics, also die maschinelle Verarbeitung natürlicher Sprache in schriftlicher oder mündlicher Form. Als beste Beispiele können Siri oder Alexa von Amazon und Apple genannt werden. Ein weiteres Beispiel ist Computer Vision, darunter ist die automatische Extraktion, Analyse und das Verständnis nützlicher Informationen aus einem einzelnen oder mehreren Bildern zu verstehen.
Unter der KI-Fähigkeit “Denken” wird die Auswahl und Verarbeitung relevanter Daten für eine schnellere und bessere Entscheidungsfindung verstanden. Durch Formen der Wissensrepräsentation (Visualisierungstools wie Power BI), Planung und Konzipierung (predictive Analytics) sowie Simulationen können Problemlösungen und Handlungsempfehlungen mithilfe von KI aus einer Wissensbasis abgeleitet und den Menschen zur Verfügung gestellt werden.
KI kann alle Arten von Aufgaben übernehmen, so können Computersysteme und Maschinen durch Intelligent Automation, Deep Question and Answering oder Robotics selbstständig handeln und Entscheidungen treffen.
Das von PwC entwickelte Tool “The Brain” nutzt künstliche Intelligenz, um Anomalien in strukturierten Daten zu erkennen und wird hauptsächlich zur Datenanalyse und Sicherstellung der Datenqualität verwendet.
Das Auffinden von Informationen in unstrukturierten Texten ist oft zeitaufwändig und kostspielig. Daher verbringen viele hochqualifizierte Mitarbeiter einen wesentlichen Teil ihrer Zeit mit routinemäßigen und langweiligen Datenerfassungsaufgaben.
Nach wie vor werden viele Prozesse durch den Einsatz umfangreicher Checklisten abgearbeitet, was speziell am Ende eines Prozesses und vor Abgabeterminen zu kritischen Situationen führen kann.
Die Verwendung eines KI-fähigen Tools, welches automatisch relevante Informationen in unstrukturierten Daten durch den Einsatz von maschinellen Lernalgorithmen (z.B. neuronalen Netzen) findet, wäre ein möglicher Lösungsansatz, um dem entgegenzuwirken.
Die Algorithmen lernen Muster zu erkennen, indem sie Wörter durch ihre textuellen sowie positionalen Merkmale identifizieren. Dabei ergeben sich die Stärken des Tools aus einer engen Zusammenarbeit zwischen KI- und Fachexperten. Die KI-Experten modellieren die Algorithmen auf der Grundlage der von unseren Fachexperten aufgestellten Regel.
Die korrekte Vorhersage zukünftiger Schadenssummen spielt, bedingt durch den erheblichen Einfluss auf die Managemententscheidungen und den Jahresabschluss, eine große Rolle für die Versicherungsunternehmen.
Auf Grundlage der Schadendaten der Versicherung werden vollständige statistische Analysen und Vorhersagen zukünftiger Schäden, bis auf die niedrigste Granularitätsstufe durchgeführt.
Die Aggregation von Prognosen kann für zusätzliche Expected Loss Prognosen verwendet werden, um regulatorische statistische Modelle zu vergleichen und in Frage zu stellen.
Versicherungsunternehmen können den Weg von der Digitalisierung zur Künstlichen Intelligenz auf zwei Wegen bestreiten. Neben dem Analytischen Pfad kann auch der Pfad der Automatisierung eingeschlagen werden. Dieser Weg führt über die Standardisierung und Vereinfachung bis hin zur Automatisierung der Prozesse.
Gerade, wenn viele Mitarbeiter und verschiedene Softwarelösungen im Prozess involviert sind oder Übergaben über verschiedenen Medien mit teils langen Wartezeiten erfolgen, lautet das Zauberwort Robotic Process Automation (RPA).
Das Ziel von RPA ist eine Verringerung von manuellen Interaktionen und versteht sich als integrierter End-to-End-Prozess.
Mithilfe von Predictive Analytics können Versicherungsunternehmen proaktiv handeln, um ihre Kundenbindung nachhaltig zu stärken. Durch die Analyse historischer und aktueller Kundendaten können mithilfe von Data Mining und Machine Learning potenzielle Storni identifiziert werden.
Gemeinsame Verhaltensmuster der Kunden, die das Unternehmen bereits verlassen haben, werden erkannt. Die ML-Algorithmen prüfen das Verhalten aktueller Kunden anhand solcher Muster und signalisieren, ob sie potenzielle Stornofälle entdecken.
Das können Unternehmen nützen und proaktiv handeln, indem sie geeignete Maßnahmen ergreifen, um das Vertrauen der Kunden wiederzugewinnen.
Related content
Kontakt
Folgen Sie uns
