Wie künstliche Intelligenz die Versicherungsbranche verändert

Insurers.AI

Künstliche Intelligenz (KI oder auch Artificial Intelligence AI) war schon immer eine treibende Kraft unserer Träume und Visionen über die Zukunft der Menschheit. Zwar sind wir heutzutage noch sehr weit entfernt von einem künstlich intelligenten Roboter mit Bewusstsein (falls wir diese Vision überhaupt jemals erreichen), jedoch sind KI-Systeme allgegenwärtig und zeigen sich erfolgreich in vielen Bereichen unseres täglichen Lebens. Wir nutzen sie ständig, oftmals sogar ohne es zu bemerken. Diese sind zum Beispiel die virtuellen persönlichen Assistenten auf unseren Mobiltelefonen (wie Siri, Google Now, und Cortana), teil-autonom fahrende Autos, die Reihenfolge der Webseiten nach einer Online-Suche oder die klassischen Lehrbuchbeispiele wie Spam-Filter und Empfehlungsdienste von Online-Medienplattformen wie Netflix oder Versandhändlern wie Amazon.

Viele Felder der KI haben in den letzten Jahren einen großen Entwicklungssprung gemacht. Da die meisten KI-Systeme zu komplex sind, um “manuell” erklärt zu werden, bedienen wir uns ausgeklügelter Techniken des Maschinellen Lernens (oder auch Machine Learning ML), um Regeln und Muster automatisch aus den Daten zu lernen. Ein bekanntes Beispiel ist das von Google Deepmind entwickelte AlphaGo-System, welches mit einer großen Anzahl sogenannter Trainingsinstanzen gelernt hat, das Go-Spiel so gut zu spielen, dass es letztlich den weltbesten Go-Spieler besiegen konnte. Ein weiteres wichtiges Feld der KI ist die Verarbeitung natürlicher Sprache (Natural Language Processing NLP), die eine notwendige Basis für persönliche Assistenten, Chat-Bots (textbasierte Dialogsysteme) oder auch für KI-Systeme wie IBM Watson ist, das sich zum Beispiel in der Fernseh-Quizshow “Jeopardy” bewährt hat.

Diese Erfolge werden erst möglich durch die große Menge an Daten, die uns heute zur Verfügung stehen — unstrukturierte Daten, so wie Textdokumente, Bilder und Videos oder strukturierte Daten, die vordefiniert und maschinenlesbar sind.

Besonders in der Versicherungsbranche sind Daten in Fülle vorhanden, was wie auch in anderen Industrien — zur Entwicklung der Big-Data-Architekturen geführt hat. Diese Techniken beinhalten unter anderem Schritte zur Erfassung, Aufbereitung, Konsolidierung, Speicherung und Analyse der Daten. In den Daten auftretende Muster lassen sich jedoch oftmals nicht durch eine manuelle Analyse finden, da sie nicht offensichtlich sind oder die Datenmengen einfach zu groß sind, um von Experten aus der jeweiligen Branche analysiert werden zu können. Analytics und Business-Intelligence-Anwendungen (BI) nutzen historische und aktuelle Geschäftsdaten und helfen dabei, aktuelle Entwicklungen zu verstehen, informierte Entscheidungen zu treffen, Leistungen zu kontrollieren oder KPIs zu beobachten. KI-Techniken gehen hier weiter: Welche zukünftigen Entwicklungen können wir auf der Basis der historischen und aktuellen Daten voraussagen, auch ohne mögliche Strukturen oder Muster vorher definiert haben zu müssen? Was kann optimiert und was kann automatisiert werden? In diesem Sinne kann man also sagen:

Künstliche Intelligenz ist der notwendige nächste Schritt nach Big Data.

Versicherer können also in großem Maße von den jüngsten Entwicklungen der Künstlichen Intelligenz und des Maschinellen Lernens profitieren. Viele Ansätze haben sich erfolgreich der Probleme angenommen, die für Versicherer von größtem Interesse sind, wie zum Beispiel Pricing, Schadenmanagement oder Betrugserkennung.

Im Folgenden stellen wir einige Felder vor, in denen KI-Ansätze helfen, die Probleme zu lösen und geben einen kurzen, nicht abschließenden Überblick der Firmen und InsurTech-Start-ups in diesen Bereichen.

Schadenmanagement und Betrugserkennung

Das Schadenmanagement kann durch Methoden des Maschinelles Lernens in verschiedenen Abschnitten des Prozesses unterstützt werden. Durch die Nutzung von KI und der dadurch verbundenen schnellen Verarbeitung großer Datenmengen kann ein Großteil des Prozesses automatisiert werden. So können beispielsweise bestimmte unverdächtige und klare Fälle identifiziert und dann beschleunigt bearbeitet werden, sodass die Gesamtbearbeitungsdauer und somit auch die Kosten gesenkt werden und gleichzeitig die Kundenerfahrung erheblich verbessert wird.

Die Algorithmen können auch verlässlich Muster in den vorhandenen Daten aufdecken, die helfen, betrügerische Forderungen zu erkennen. Selbstlernende Algorithmen können sich auch an bisher noch ungesehene Fälle anpassen und somit ihre Qualität stetig verbessern. Des Weiteren können Methoden des Maschinellen Lernens die Schwere von Schäden automatisch ermitteln und Reparaturkostenschätzungen anhand von historischen Daten, Sensorinformationen und Bildern automatisch ermitteln.

Zwei Firmen, die sich dieses Problems annehmen, sind Shift Technology mit einer Lösung für das Schadenmanagement mit integrierter Betrugserkennung und RightIndem mit einer integrierten mobilen Lösung und ein Platform für den reibungslosen Verlauf des Schadenmanagements. Die Firma Motionscloud bietet eine mobile Lösung für das Schadenmanagement an, die die Integration von Fotos, die Kundeninteraktion, sowie eine automatische Kosteneinschätzung beinhaltet. ControlExpert behandelt Schadensfälle in der Autoversicherung und setzt auf lange Sicht auf Künstliche Intelligenz zur Unterstützung von spezialisierten Experten.

Cognotekt optimiert Geschäftsprozesse mit Hilfe von künstlicher Intelligenz. Dazu werden die vorhandenen Geschäftsprozesse analysiert und Muster erkannt, die dem menschlichen Auge sonst verborgen geblieben wären. So können Prozesse zum Beispiel im Schadenmanagement, der Betrugserkennung oder dem Underwriting automatisiert werden, um Umlaufzeiten zu beschleunigen.

KI-Techniken können bahnbrechend sein, um Betrugsfälle einfacher, früher und verlässlicher zu erkennen, auch in Fällen, die dem bloßen Auge verborgen bleiben. Diese Betrugserkennung ist oft im Schadensprozess integriert, wie in den Beispielen, die wir gerade gesehen haben. Andere Lösungen sind zum Beispiel das Fraud Framework von SAS zur Betrugserkennung während des Schadens- oder Underwritingprozesses oder IBM’s Counter Fraud Management für Versicherer.

Underwriting und Prävention

Automatisches Underwriting beschleunigt den Prozess enorm und macht oft auch aufwändige und teure Test unnötig. Verschiedene relevante Datenquellen werden zur Hilfe genommen, darunter auch externe, die nicht in den medizinischen Unterlagen vorhanden sind. Falls aus den vom Marketing gewonnen Daten oder den sozialen Medien auf einen gesunden Lebensstil geschlossen werden kann, so führt dies auch zu Rückschlüssen in anderen Lebensbereichen einer Person. Atidot hat eine Plattform für Aktuarielle Analysen und Risikomanagement mit Hilfe von Machine-Learning-Techniken entwickelt. Dabei werden verschiedene dynamische und schnell wechselnde Datenquellen wie Wearables, Telematik, soziale Medien, Wetter oder Nachrichten, aber auch demographische Daten verwendet. FitSense bietet eine Datenanalyseplattform, in der sich Nutzerdaten aus verschiedenen Datenquellen und Endgeräten zusammenführen lassen. Diese werden dann analysiert, um Nutzerprofile zu erstellen. Das erste Produkt stellt eine White-Label-App zum Gesundheitsengagement dar, die es Versicherern ermöglicht, ein eigenes Selbstvermessungs- (quantified self), Gesundheitsmanagement- und Incentivierungsprogramm aufzusetzen.
Aktuell arbeitet FitSense an automatischem Underwriting sowie dem Vertrieb von Versicherungsprodukten. Die über die Plattform gesammelten und analysierten Daten sind die Basis zur Bestimmung der Kundengesundheit und zur Individualisierung passender Produkte. Zur Reduktion des Schaden- und Leistungsaufwands, aber auch zur Stärkung der Kundenbindung ist es sinnvoll, in die Prävention und Früherkennung von Krankheiten und Risiken zu investieren. Dreamquark nutzt komplexe Machine-Learning-Modelle wie Deep Neural Networks zur Analyse strukturierter und unstrukturierter medizinischer Daten. Damit verschiebt sich der Fokus von der Behandlung auf die gezielte Prävention.
Big Cloud Analytics bieten eine Analytics-Plattform, die gesundheitsrelevante Daten von Wearables sammelt, diese analysiert und konkrete Gesundheits-Scores berechnet. Diese Analysen werden dann dazu genutzt, Risiken zu bestimmen und Präventionsvorschläge zu machen. Die hier genannten Beispiele aus der Krankenversicherung lassen sich analog auf andere Sparten übertragen.

Marketing und Customer Experience

Ein wichtiger Aspekt des Marketings ist es, die Kundenkontaktpunkte möglichst positiv zu gestalten und Storno zu vermeiden.
Adtelligence analysiert die plattformübergreifenden Nutzerdaten und -statistiken, um daraus detaillierte Kundenprofile zu gewinnen. Diese Profile werden dazu verwendet, dem Nutzer personalisierten Inhalt und relevante Produkte anzubieten, was zu größerer Kundenzufriedenheit und geringerer Abwanderungswahrscheinlichkeit führt.
Brolly ist ein persönlicher Versicherungsconcierge, der die Kundeninteraktion und das Portfoliomanagement übernimmt. Dazu sammelt Brolly alle Policen an einer Stelle und bietet einen einfachen Zugriff auf alle notwendigen Informationen. Diese Policen werden dann analysiert und mit den Kundenbedürfnissen verglichen, so dass auf intelligente Weise festgestellt werden kann, ob der Versicherungsschutz für den Kunden angemessen ist, oder ob er über- oder unterversichert ist. In letzterem Fall würde dann eine ergänzende Versicherung angeboten werden können.

Chat Bots

Messaging Apps sind die heutzutage am weitesten verbreiteten und meist genutzten mobilen Anwendungen und setzen sich als direkteste Art der Kundenkommunikation durch. Virtuelle Assistenten stellen somit eine sehr natürliche Weise dar, um vor allem mit den Nutzern der jüngeren Generationen in Verbindung zu treten. Die Verarbeitung natürlicher Sprache (Natural Language Processing) sowie Stimmungs- und Meinungsanalysen (Sentiment Analysis und Opinion Mining) sind daher essentiell, um Kundenanliegen automatisch zu verarbeiten und diese personalisiert zu behandeln. Cognicor bietet einen intelligenten Kundenserviceassistenten, der in natürlicher Sprache angesprochen werden kann. Dabei ist der Assistent nicht nur auf Kundenbetreuung, -anfragen und -beschwerden beschränkt, sondern kann auch die Kundeninteraktionen analysieren, die Kundenintention erkennen und individualisierte Produkte und Services anbieten. Conversica ist ein virtueller Verkaufsassistent, der mit Hilfe von KI die Lead-Umwandlung automatisiert. Conversica beschäftigt sich mit dem Kunden mittels individualisierter Anfragen, analysiert die Antworten, findet daraus die richtigen Verkaufsmöglichkeiten, die zum entsprechenden Vermittler weitergeleitet werden, und übernimmt die Lead-Nachverfolgung.
Spixii ist ein automatisierter Versicherungsagent, der durch gezielte Fragen den Bedarf und die Wünsche des Nutzers ermittelt und das passende Versicherungsprodukt anbietet.

Außer diesen gibt es auch eine große Anzahl an medizinischen Chat Bots. MedWhat ist ein virtueller medizinischer Assistent, der mit Hilfe von Deep Learning einen “Arzt in der Hosentasche” bietet. Er beantwortet Fragen zur Gesundheit und zu medizinischen Angelegenheiten unter Beachtung der elektronischen Patientenakte. Babylon liefert virtuelle Konsultationen und hat zum Ziel, jedem Menschen auf dem Planeten eine bezahlbare Gesundheitsversorgung zu bieten, insbesondere denjenigen, die keinen Zugang zu anderen Quellen haben. Your.MD ist ein persönlicher Ge-
sundheitsassistent, der Fragen zu Symptomen stellt und darauf basierende Empfehlungen ausspricht.

Telematik

Telematik ist eines der Felder mit dem größten erwarteten Einfluss auf die Versicherungsbranche. Einige Versicherer bieten bereits heute Black-Box-Tarife an, bei denen basierend auf der Häufigkeit, den Tageszeiten, der Fahrleistung oder dem Fahrstil Prämiennachlässe angeboten werden. Eine Firma, die solche Systeme anbietet, ist Octo Telematics.

Darüber hinaus werden die Möglichkeiten der Datennutzung jedoch weiter zunehmen, sodass wir beispielsweise, auch mit Hilfe der Muster in den GPS-Daten, den Straßenzustand und die Verkehrslage ableiten können. So kann den Nutzern geholfen werden, Unfälle ganz zu vermeiden, was zu einer höheren Kundenzufriedenheit und einer geringeren Anzahl von Schäden führt.

Machine Learning Frameworks

Plattformen und Bibliotheken Neben diesen spezialisierten Firmen und Start-ups gibt es eine Reihe von Anbietern von allgemeinen Bibliotheken für Maschinelles Lernen und speziellen Cloudlösungen. Diese sind besonders attraktiv, um einen Einblick in die Möglichkeiten Künstlicher Intelligenz zu erhalten und auch einfach in der Anwendung, insbesondere falls wegen der großen Datenmengen bereits ohnehin eine Cloudinfrastruktur genutzt wird.

Einige der vorangegangenen Beispiele, wie die Chat Bots, könnten zum Beispiel mit IBM Watsons Fähigkeiten umgesetzt worden sein. IBM Watson kombiniert Natural Language Processing und evidenzbasiertes Lernen und kann so eine große Menge an Eingabedokumenten verarbeiten und von ihnen lernen.

Grundsätzlich lassen sich die Ansätze in drei verschiedene Kategorien aufteilen: Cloudanbieter, Technologieanbieter sowie Bibliotheken und Frameworks.

Die Cloudanbieter haben ihren Service um eine Machine-Learning-Komponente erweitert. So steht den Kunden eine breite Palette an Algorithmen zur Verfügung, die gemeinsam mit der vorhandenen Cloudinfrastruktur genutzt werden kann, um auf große Datenmengen zuzugreifen und Modelle effizient trainieren zu können.

Dazu gehören die drei Toolkits von Microsoft, Azure ML Studio, Distributed Machine Learning Toolkit und Microsoft Computational Network Toolkit, sowie Amazon Machine Learning (ein Service basierend auf Amazon Web Services AWS) und TensorFlow, ein Framework für Googles Cloud-Plattform, welches aber auch ohne die Cloudanbindung genutzt werden kann.

Zu den Technologieanbietern gehört zum Beispiel Apache Spark, deren Algorithmen laufend überprüft und erweitert werden. Spark ist Teil der Hadoop-Produktfamilie und bietet Technologien, um Berechnungen in der Cloud effizient auszuführen. Apache Spark MLib ist eine Machine-Learning-
Bibliothek, die auf Apache Spark aufsetzt.

H2O.ai ist ein Vertreter der Bibliotheken und Frameworks, die lokal oder aufsetzend auf Cloudtechnologien genutzt werden können. H2O.ai bietet ein KI-Framework für Unternehmen und damit eine breitgefächerte Palette an Algorithmen wie Deep Learning, Gradient Boosting und Generalized Linear Models. Diese können z. B. aufsetzend auf Apache Spark für eine effiziente und parallele Berechnung in der Cloud angewendet werden. Die Anwendungen beinhalten unter anderem Risiko-Analyse, Betrugserkennung, Customer Retention und Werbung.

Ausblick

Nach dem Einzug von Internet und mobilen Anwendungen in der Versicherungsbranche in den letzten zwanzig Jahren wird jetzt die Künstliche Intelligenz den Markt grundlegend verändern. Dies gilt sowohl für weitergehende Möglichkeiten, Prozesse zu automatisieren, als auch dafür, bisher nicht gekannte neue Einsichten zu gewinnen. Zusätzlich zur erforderlichen umfassenden Kenntnis der Anwendung und Umsetzung der Verfahren Künstlicher Intelligenz ist auch ein ausreichendes Change Management essentiell, um einen nachhaltigen Erfolg sicherzustellen.

insurers.ai ist eine auf ‘artificial intelligence’ hochspezialisierte Firma, die bisher ungekannte AI-Lösungen für die Versicherungswirtschaft entwickelt. Gründer der Firma ist Dr. Babak Ahmadi. insurers.ai ist ein Portfolio-Unternehmen von InsurTech.VC.

(veröffentlicht in der Zeitschrift für Versicherungswesen 02/2017, 15. Januar 2017)

Insurers.AI

Written by

Artificial Intelligence solution for the insurance business

Welcome to a place where words matter. On Medium, smart voices and original ideas take center stage - with no ads in sight. Watch
Follow all the topics you care about, and we’ll deliver the best stories for you to your homepage and inbox. Explore
Get unlimited access to the best stories on Medium — and support writers while you’re at it. Just $5/month. Upgrade