KI in der Versicherungsbranche – Begriffe und Definitionen
Fast täglich werden in den Medien die schier unbegrenzten Möglichkeiten Künstlicher Intelligenz (KI) gefeiert. Auch in der Versicherungsbranche jagt eine Meldung die andere: KI-Anwendungen spüren Versicherungsbetrüger auf, indem Social-Media-Aktivitäten durchforstet werden, analysieren den Bewegungsapparat anhand einer gefilmten Kniebeuge oder verstehen bayerische Sprachelemente in Kundenbeschwerden. Um die Übersicht nicht zu verlieren und etwas Klarheit in die KI-Welt zu bringen, wollen wir uns in einer Reihe von Blogbeiträgen mit dem Thema KI in der Versicherungsbranche befassen.
Schlagworte wie Künstliche Intelligenz, Machine Learning oder Deep Learning werden häufig benutzt, teils synonym verwendet, aber nur selten näher erläutert. Bevor mögliche KI-Einsatzgebiete bzw. Use Cases in der Assekuranz vorgestellt werden, geht es zunächst einmal darum, die Begriffe zu definieren und voneinander abzugrenzen.
Was ist der Unterschied zwischen KI, ML und DL?
Künstliche Intelligenz wird sehr unterschiedlich ausgelegt. Es gibt keine allgemeingültige Definition, wohl auch weil die Wissenschaft bis heute noch uneinig ist, wie sich „Intelligenz“ genau beschreiben lässt. Das Wort Intelligenz leitet sich vom Lateinischen „intellegere“ ab, was soviel bedeutet wie verstehen, einsehen, begreifen.
Der Begriff Künstliche Intelligenz bezeichnete ursprünglich den Versuch, menschenähnliche Entscheidungsstrukturen maschinell (in der Regel mit einer Software) nachzubilden. Konkret geht es darum, eine Maschine zu bauen, die eigenständig Aufgaben bearbeiten oder Probleme lösen kann. So können Computerprogramme auf Basis von Daten Regeln und Muster erkennen, aus Erfahrung lernen und sich selbst optimieren.
Als Geburtsstunde der Künstlichen Intelligenz gilt das von John McCarthy 1955 in New Hampshire organisierte „Dartmouth Summer Research Project on Artificial Intelligence“. Im Zuge des Projektes wurde der Begriff Artificial Intelligence (AI) als offizieller Name für eine neue Forschungsdisziplin akzeptiert. Zuvor, 1950, hatte bereits der britische Mathematiker Alan Turing einen Test entwickelt, mit dem festgestellt werden soll, ob eine Maschine über ein dem Menschen ebenbürtiges Denkvermögen verfügen kann. Bei dem Test führt eine Person ein Gespräch mit einem Menschen und einer Maschine. Wenn der Fragesteller nach der intensiven Befragung nicht klar sagen kann, welcher von beiden die Maschine ist, hat die Maschine den Turing-Test bestanden. Angetrieben durch einen nahezu unbegrenzten Zugang zu Rechenleistung (Cloud Computing) und Big Data erlebt KI seit einigen Jahren eine Renaissance.
Aus Daten lernen
Machine Learning bzw. Maschinelles Lernen (ML) ist ein Teilgebiet der Künstlichen Intelligenz. ML ist ein Verfahren, das im Gegensatz zur klassischen Programmierung steht, bei der ein (vorab bekannter und programmierter) Algorithmus für eine Dateneingabe abgearbeitet wird. Beim ML ist vorab kein Algorithmus bekannt (und meist auch nicht danach). Basierend auf einem Lernverfahren wird stattdessen an Hand der Eingangsdaten ein Modell trainiert. Man sagt auch: Das Modell lernt aus den Daten. ML-Anwendungen begegnen uns überall im Alltag wie z.B. bei den Produktempfehlungen von Amazon, den Filmempfehlungen von Netflix oder den Sprachassistenten Siri oder Alexa.
Machine Learning ist ein Oberbegriff für eine Vielzahl von Lernverfahren, die zur besseren Übersicht in verschiedene Kategorien unterteilt werden. Die wichtigsten dabei sind Überwachtes Lernen und Unüberwachtes Lernen. Beim Überwachten Lernen (Supervised Learning) wird der Lernalgorithmus an Beispielen mit bekanntem Ergebnis trainiert und dann bei neuen Daten zur Vorhersage verwendet. D.h., eine Maschine lernt aus den Ausgangsdaten die Ergebnisdaten abzuleiten. Beim Unüberwachten Lernen (Unsupervised Learning) gibt es keine vorherzusagende Zielgröße. Das Ziel ist die Beschreibung von Zusammenhängen und Mustern zwischen den beschreibenden Merkmalen. Beim Unüberwachten Lernen werden mit unterschiedlichen Verfahren intrinsische Muster aus den Daten extrahiert.
Deep Learning ist ein spezielles, aktuell sehr populäres Verfahren des Machine Learning, das auf künstlichen neuronalen Netzen (KNN) basiert, insbesondere auf speziellen sogenannten tiefen Netzen. Der Aufbau von KNN orientiert sich an den biologischen Neuronen des menschlichen Gehirns.
Künstliche neuronale Netze sind keine Neuentdeckung. Bereits 1943 beschrieben Warren McCulloch und Walter Pitts künstliche neuronale Netze aus verknüpften elementaren Einheiten, die prinzipiell jede arithmetische oder logische Funktion berechnen konnten. 1958 stellte Frank Rosenblatt ein Konzept für einfache neuronale Netze unter dem Namen Perceptron vor.
Daten, Daten und nochmals Daten
Trainiert werden KNN mit Daten. Mit Hilfe von Machine Learning lässt sich Big Data, sprich die immensen und stetig wachsenden Datenmengen, die durch die weltweite Verbreitung von Internettechnologien entstehen, in Smart Data, d.h. Daten, deren wertvoller Gehalt erschlossen wurde, verwandeln. Der Boom um KNN ist vor allem auf den enormen Anstieg von Rechenkapazitäten zurückzuführen, womit eine hocheffiziente, schnelle Verarbeitung und Analyse komplexer Modelle möglich ist.
Die Wissenschaft, die sich mit der Aufbereitung, Analyse und Darstellung von Daten befasst, bezeichnet man als Data Science. Das interdisziplinäre Gebiet zielt im Kern darauf ab, aus Daten Erkenntnisse zu gewinnen, die als Grundlage für Geschäftsentscheidungen und Vorhersagen verwendet werden können. Dabei werden statistische Methoden oder Methoden des ML unter Einsatz entsprechender Recheninfrastrukturen auf Massendaten angewendet mit dem Ziel, fachspezifische Fragestellungen zu beantworten.
Data Mining bzw. Data Analytics bezeichnen die konkrete Analyse der Daten. Darunter versteht man die systematische Anwendung von Methoden des Machine Learning sowie statistischer Methoden, um versteckte Zusammenhänge, Muster, Trends in großen Datenbeständen zu erkennen.
Wenn Sie sich dafür interessieren, wie KI-basierte Lösungen in der Versicherungsbranche bereits eingesetzt werden, dann bleiben Sie dran. In den folgenden Blogbeiträgen „Künstliche Intelligenz: Use Cases in der Assekuranz“ werden einige Use Cases vorgestellt.
