Künstliche Intelligenz ist in der heutigen Welt zunehmend verbreitet und bietet viele Möglichkeiten für verschiedene Branchen, einschließlich der Versicherungsbranche. Modelle für maschinelles Lernen werden verwendet, um Daten zu analysieren, Muster zu identifizieren und Geschäftsentscheidungen zu treffen. Obwohl die Modelle dazu beitragen können, Geschäftsprozesse zu verbessern und Risiken zu reduzieren, ist ihr Anpassungsgrad in der Versicherungsbranche immer noch gering. Woher kommt diese Schwierigkeit? In dem Artikel werde ich vier zentrale Hindernisse erörtern, die überwunden werden müssen, um künstliche Intelligenz in der Versicherungsbranche erfolgreich einzusetzen.
Verständnis
Das erste wichtige Hindernis für die Anwendung künstlicher Intelligenz besteht darin, sie zu verstehen. Das Problem ist in der Regel auf die enormen Erwartungen an Modelle des maschinellen Lernens zurückzuführen, die durch die Aktivitäten von IT-Giganten angeheizt werden. Dies führt zu einer Situation, in der wir zu Beginn des Projekts unerreichbare Anforderungen an Modelle für künstliche Intelligenz stellen, und infolgedessen sind wir im Moment, in dem wir diese nicht erfüllen, mit großer Enttäuschung konfrontiert.
Andererseits erkennen nur wenige Unternehmen, dass viele Geschäftsprozesse trotz des Einsatzes künstlicher Intelligenz immer noch die Kontrolle unserer Mitarbeiter erfordern. Darüber hinaus werden die besten Ergebnisse meistens durch die Zusammenarbeit einer Person erzielt - eines Spezialisten auf einem bestimmten Gebiet und eines maschinellen Lernmodells, das ihn unterstützt. Das Modell ist in der Lage, in kurzer Zeit Tausende oder sogar Millionen von Entscheidungen vorzuschlagen, aber die endgültige Entscheidung, insbesondere in nicht offensichtlichen Fällen, sollte dem Menschen überlassen werden.
Spezialisten
Das zweite Hindernis für die Anpassung des maschinellen Lernens durch Unternehmen ist der begrenzte Zugang zu Spezialisten für maschinelles Lernen. Offensichtlich ist es gar nicht so schwierig, einen Programmierer zu finden, der ein Modell erstellt, das das von uns gewählte Problem löst. Viele Organisationen geraten in diese Illusion und versuchen, selbst Teams aufzubauen, die sich auf Datenwissenschaft spezialisiert haben. Eine solche Praxis ist jedoch sehr schwierig, teuer und birgt ein hohes Risiko.
Ein besserer Ansatz besteht darin, in der ersten Phase mit Unternehmen zusammenzuarbeiten, die auf die Konstruktion und Implementierung von Modellen für künstliche Intelligenz spezialisiert sind. Letzteres betone ich aus zwei Gründen. Erstens sind die meisten auf einem Laptop vorbereiteten Modelle nicht für einen Produktionslauf geeignet, und die Konstruktion der Startumgebung ist ein Thema für ein separates Projekt. Zweitens benötigen wir für die Entwicklung von Modellen für maschinelles Lernen ein Team von Spezialisten mit einer Vielzahl von Fähigkeiten — von der Datenaufbereitung über Geschäftsanalysen über Schulungsmodelle bis hin zum bereits erwähnten Produktionsstart. Im Laufe der Zeit und der Entwicklung des maschinellen Lernens im Unternehmen lohnt es sich natürlich auch, in Ihre eigenen Teams zu investieren.
Umwelt
Das dritte Problem, mit dem jedes Unternehmen konfrontiert ist, das KI einsetzen möchte, ist seine Laufzeitumgebung. Nun, viele Modelle benötigen viel Rechenleistung, und das Zeitfenster, in dem Berechnungen durchgeführt werden können, ist wiederum kurz — zum Beispiel eine Stunde am Tag. In anderen Fällen hängt die Größe der Umgebung von der Intensität der Abfragen ab, die beispielsweise mitten am Tag höher und abends oder nachts viel kleiner ist.
Die oben genannten Szenarien sprechen eindeutig für die Ausführung von KI-Modellen in der Cloud, da die Kosten für den Kauf von Hardware und Lizenzen für eine Umgebung, die für Spitzenleistungen bereit ist, im Verhältnis zum ROI des Projekts in der Regel zu hoch sind. Aus dieser Perspektive betrachtet ist das Problem für Versicherungsunternehmen daher die geringe Anpassung der Cloud, die teilweise auf die bestehenden Vorschriften und teilweise auf die Zurückhaltung zurückzuführen ist, das Risiko einer Migration der Umgebungen unserer Unternehmen in die Cloud einzugehen.
Erklärbarkeit
Die Erklärbarkeit von Modellen des maschinellen Lernens ist ihre Fähigkeit zu erklären, welche Faktoren und in welchem Umfang zu einer bestimmten Entscheidung beigetragen haben. In der Versicherungsbranche ist dies wichtig, da es bei modellbasierten Entscheidungen häufig um die Höhe der Prämien geht. Da Entscheidungen in einigen KI-Modellen, wie z. B. neuronalen Netzen, sehr schwer oder sogar unmöglich zu erklären sind, schränkt dies die Möglichkeit ein, sie nicht nur aus regulatorischen Gründen anzuwenden, sondern auch einfach, um die Transparenz der Entscheidungen für die Kunden zu gewährleisten.
Andererseits sollten Probleme mit der Erklärbarkeit der Modelle nicht als rote Ampel für die Implementierung dieser Art von Lösungen in der Branche betrachtet werden. Erstens können wir oft einfachere Modelle verwenden, die auch einfacher zu erklären sind. Zweitens gibt es eine dynamische Entwicklung von Instrumenten, anhand derer erklärt werden kann, auf welcher Grundlage diese Entscheidung getroffen wurde und nicht auf einer anderen. Hinzu kommen alle Tätigkeitsbereiche von Versicherungsunternehmen, die keinen so strengen Vorschriften wie Marketing oder Verbesserung interner Prozesse unterliegen. Die Erklärbarkeit der Modelle ist also ein zusätzliches Hindernis, verhindert aber nicht — wie viele vermuten — die Entwicklung künstlicher Intelligenz in der Versicherungsbranche.
Zusammenfassung
Zusammenfassend möchte ich meine Überlegungen darauf hinweisen, dass die ersten beiden Einschränkungen völlig universell sind und für alle Branchen gelten, während die nächsten beiden aufgrund der dort geltenden Vorschriften für die Finanzbranche charakteristisch sind. Infolgedessen besteht der beobachtete Trend auf dem Markt in einem stärkeren Fortschritt beim Einsatz von Unternehmen mit maschinellem Lernen aus nicht regulierten Branchen wie Einzelhandel, Logistik, Fertigung oder E-Commerce.
Andererseits können wir, wenn wir genau diese Branchen beobachten, mit bloßem Auge sehen, wie sehr Algorithmen für maschinelles Lernen die Entwicklung unterstützen und Unternehmen, die sie angemessen einsetzen können, einen Vorteil verschaffen. Es ist also nur unsere Entscheidung, ob wir uns auf die Hindernisse konzentrieren, mit denen unsere Versicherungsgesellschaft bei der Anwendung künstlicher Intelligenz konfrontiert ist, oder ob wir diese Widrigkeiten einfach überwinden und uns mit der richtigen Anwendung von Modellen einen Vorteil gegenüber der Konkurrenz verschaffen.
