Künstliche Intelligenz, Mashine Learning oder Data Science haben sich spätestens in 2018 auch in der Versicherungsbranche als wahrzunehmender Treiber etabliert.
Sofern entsprechende Verfahren eingesetzt werden, handelt es sich in der Versicherungsbranche faktisch fast nie um Künstliche Intelligenz (KI), sondern um Mashine Learning (ML) Verfahren. Sie werden eingesetzt, um menschliche Sprache zu verarbeiten, zur Bilderkennung und Analyse großer Daten.
Vorrangiger Einsatz der Mashine Learning Verfahren sind derzeit im Kundenservice, in der Schadensbearbeitung und in der Preiskalkulation der Tarife zu finden. Aktuarielle Aussagen sind Datenbasis sind Gegenstand der aktuellen Forschung.
Mashine Learning – was steckt dahinter
Für Außenstehende mag es verunsichernd wirken, aber letztlich sind Mashine Learning Verfahren in der Regel einfache Algorithmen, die auf der Basis von Wahrscheinlichkeiten, Entscheidungen treffen. Wesentliches Merkmal ist dabei, dass die Wahrscheinlichkeiten dem jeweiligen Verfahren beigebracht werden müssen. Die Algorithmen werden also trainiert. Das Training erfolgt dadurch, dass Parameter eines Algorithmus in vielen Iterationen so lange geändert werden, bis das Verfahren danach mit einer hohen Wahrscheinlichkeit plausible Ergebnisse berechnet. Was als plausibel gilt, ist dabei vom Kontext abhängig.
Der Prozess einen Algorithmus zu trainieren ist aufwändig. Leider ist im Vorfeld nicht klar, welches Verfahren (oder welche Kombination von Verfahren) tatsächlich ein vielversprechendes Ergebnis produziert. Damit wird Mashine Learning potentiell um ein Vielfaches aufwändiger, da verschiedene Verfahren trainiert und die Ergebnisse verglichen werden müssen.
Für ein Training sind Daten in ausreichender Menge und guter Qualität notwendig. Hinsichtlich der Menge gilt offensichtlich: je mehr Daten, desto besser. Um die Qualität ist es in der Regel schlechter bestellt. Und oft ist auch unklar, was die Daten an Informationen enthalten. Daher steht am Anfang des Mashine Learning nicht das Training der Algorithmen, sondern die Analyse der Daten und die Aufbereitung der Daten. Dieser Teil des Mashine Learning nimmt einen Großteil der Forschungsarbeit ein und ist wesentlicher, wenn auch der unspektakulärste Teil des Mashine Learnings.
