6 Minuten Lesezeit Autor Dan Klein Global Chief of Data & AI Daniel.Klein@zuhlke.com Neelesh Parekh Business Development Director neelesh.parekh@zuhlke.com Seit ChatGPT sind Gen AI-Anwendungsfälle in der Wirtschaft keine Theorie mehr. In vielen Branchen werden neue generative KI-Modelle eingesetzt, um Arbeitsabläufe zu optimieren und das Kundenerlebnis zu verbessern. Doch der Aufbau und Einsatz dieser Systeme ist nicht immer einfach. Der Erfolg jeder KI-Implementierung hängt davon ab, dass die zugrunde liegenden Daten von hoher Qualität sind und einem bestimmten Anwendungsfall entsprechen. Die Versicherungsbranche ist ein hervorragendes Beispiel. Der Sektor stellt mit seinen komplexen Prozessen in Bereichen wie Underwriting und Schadenbearbeitung einzigartige Herausforderungen dar. Beim Einsatz generativer KI im Versicherungswesen geht es nicht einfach darum, dieselbe Technologie von einem Kontext in einen anderen zu übertragen - es ist ein maßgeschneiderterer Ansatz erforderlich. Es braucht gut strukturierte, relevante und qualitativ hochwertige Daten. Wenn der Versicherungssektor qualitativ hochwertige und konsistente Daten bereitstellen kann, sind die Auswirkungen auf den Nutzen enorm: Neue Tools und Services versprechen Zeiteinsparungen für Mitarbeitende und Kund:innen, gesteigerte betriebliche Effizienz und eine verbesserte User Experience. Die Rolle von großen Sprachmodellen in der generativen KI Bevor wir tiefer in das Thema Datenqualität eintauchen, ist es wichtig zu erwähnen, dass das Herzstück der Gen-KI-Technologie große Sprachmodelle (LLMs) sind, die Ausgaben erzeugen, die die natürliche menschliche Sprache nachahmen. Im Grunde genommen sind LLMs Algorithmen, die aus umfangreichen Datensätzen lernen und auf der Grundlage der eingegebenen Trainingsdaten Text verarbeiten und erzeugen. In den frühen Entwicklungsphasen von LLMs werden in der Regel große Datensätze verwendet, die von unterschiedlicher Qualität sein können. Diese umfangreiche Trainingsphase ist jedoch notwendig, da sie dem Modell hilft, ein Verständnis für Sprache und Muster zu entwickeln. Das wahre Potenzial von Gen AI-Lösungen und die Bedeutung der Datenqualität kommen jedoch erst in der späteren Feinabstimmung zum Vorschein. Um das Modell zu verfeinern, sollte der Schwerpunkt auf die Verwendung kleinerer, aber hochspezifischer Datensätze und die Auswahl der richtigen Datenquellen gelegt werden, um sicherzustellen, dass das System seine Aufgabe genau und zuverlässig erfüllen kann. Mithilfe von LLMs hat Gen AI das Potenzial, die Abläufe in der gesamten Wertschöpfungskette der Versicherungsbranche zu optimieren, indem Routineaufgaben automatisiert und die Entscheidungsfindung verbessert werden. Genauer gesagt: Im Underwriting-Prozess könnte es als virtueller Assistent fungieren, der Informationen aus Dokumenten abruft und zeitaufwändige manuelle Arbeiten (z. B. Antragstriage) reduziert. In der Schadenbearbeitung könnte es bei der Aufdeckung von Betrug und der Rationalisierung des Schadenmanagements helfen und die Sachbearbeiter dabei unterstützen, komplexe Fälle effizienter zu bearbeiten. Natürlich ist der Einsatz von Gen AI im Versicherungswesen nicht ohne Herausforderungen. Kulturelle und technische Hürden - vor allem Bedenken hinsichtlich Transparenz und Vertrauen - müssen sorgfältig bedacht werden. Außerdem ist es am besten, mit kleinen Schritten zu beginnen, bevor man eine umfassende LLM-Implementierung in Angriff nimmt, da man zunächst das maschinelle Lernen richtig hinbekommen muss. Schließlich hat die Qualität der Daten, die in diesen Systemen verwendet werden, einen direkten Einfluss auf den Wert, den sie bieten, was unterstreicht, dass die Versicherer der Datenqualität jetzt Priorität einräumen müssen. Warum ist die Datenqualität bei der Entwicklung von GenAI-Systemen im Versicherungswesen so wichtig? Das klassische Sprichwort "Garbage in, garbage out" beschreibt den Bedarf an qualitativ hochwertigen Daten beim Aufbau von KI-Systemen. Wenn Sie ein Modell mit schlechten oder irrelevanten Daten trainieren, werden die Ergebnisse wahrscheinlich enttäuschend ausfallen. Daten auf diese Weise als "gut" oder "schlecht" zu bezeichnen, könnte jedoch zu einfach sein. Um die Datenqualität wirklich zu verstehen, sind mehr Nuancen erforderlich. Die Wahrheit ist, dass ein Datensatz nicht immer gut oder schlecht ist - stattdessen kommt es auf das spezifische Problem an, das Sie zu lösen versuchen. Eine Datenquelle kann für ein KI-Modell hervorragend geeignet sein und für ein anderes wertlos sein. Deshalb ist es so wichtig, die besten Daten für jede Aufgabe auszuwählen. 5 Überlegungen zum Aufbau hochwertiger generativer KI-Lösungen Damit Versicherungsinnovationen funktionieren, müssen KI-Modelle auf hochrelevanten Quellen trainiert werden. Die Verwendung ungeeigneter Daten kann mehrere potenzielle Risiken mit sich bringen. Beachten Sie daher zu Beginn Ihrer Gen-KI-Reise die folgenden wichtigen Überlegungen zur Datenqualität. 1. Datenintegrität Erstens ist die Gewährleistung der Datenintegrität absolut unerlässlich. Sie müssen die richtigen Daten für die Aufgabe verwenden und strenge technische Rahmenbedingungen einführen, um diese Daten zu verbinden und ihre Qualität zu gewährleisten. Andernfalls kann es zu Halluzinationen kommen, wenn Sie ungeeignete, verzerrte oder nicht repräsentative digitale Informationen verwenden. Dabei handelt es sich um ein Phänomen, bei dem KI-Modelle falsche Muster in ihren Ergebnissen erzeugen - und damit möglicherweise mehr Schaden als Nutzen anrichten. 2. Zeitliche Relevanz Zweitens müssen die Daten, die für das Training und die Feinabstimmung der Systeme verwendet werden, weiterhin relevant sein. Schließlich kann die zeitliche Relevanz von Daten abnehmen, wenn sich gesellschaftliche Normen, Vorschriften und Umstände ändern. So hat beispielsweise die COVID-19-Pandemie die Risikobewertungsprofile verändert, da sich das Verhalten der Menschen in dieser Zeit drastisch geändert hat. Alle waren zu Hause, die Menschen fuhren weniger Auto usw. Wenn Sie also Ihr KI-System auf diese Daten stützen, kann dies zu ungenauen Ergebnissen führen. 3. Antwortgenauigkeit Traditionelle Datenverwaltungspraktiken in der Versicherungsbranche haben den Spielraum für umfassendes maschinelles Lernen und Analysen oft eingeschränkt. Durch ein durchgängiges Datenmanagement über den gesamten Lebenszyklus können Versicherer die Genauigkeit und Anwendbarkeit ihrer Gen AI-Systeme verbessern. 4. Berechtigungen für personenbezogene Daten Es versteht sich von selbst, dass Versicherer jederzeit die Datenvorschriften einhalten müssen. Die Einhaltung der Vorschriften bei gleichzeitiger Wahrung der Datenqualität ist jedoch ein Balanceakt. Verantwortungsvolle KI-Anwendungen müssen so konzipiert sein, dass sie sich an die ständigen Änderungen der Vorschriften anpassen und sowohl den Datenschutz als auch die Datenintegrität gewährleisten. 5. Verfügbarkeit von Daten Beim Training von Gen-KI-Systemen werden Daten nicht nur in internen Datenbanken, sondern auch in externen Quellen gespeichert. Die Herausforderung besteht hier nicht nur im Zugriff auf diese externen Datensätze. Es ist auch wichtig, ihre Zuverlässigkeit und Relevanz sicherzustellen. Öffentliche Daten sind von unschätzbarem Wert, insbesondere in den frühen Phasen des Trainings. Sie können jedoch mit Verzerrungen behaftet sein. Ebenso können interne Daten unvollständig oder veraltet sein. Die Anerkennung und Bewältigung dieser potenziellen Risiken ist ein wichtiger Schritt auf dem Weg zur Gewinnung hochwertiger Daten. Qualität der Versicherungsdaten und die Bedeutung der menschlichen Aufsicht Wie sieht also "gut" aus? Um Risiken zu mindern und ein wirklich KI-gestütztes Unternehmen zu werden, müssen sich Versicherungsunternehmen darauf konzentrieren, Daten zu sammeln, die nicht nur genau und zeitnah sind, sondern auch direkt für die zu lösende Aufgabe relevant sind. Eigenschaften von guter Datenqualität: Sicher Bei Bedarf abrufbar Sorgfältig geprüft, um ihre Richtigkeit und Relevanz zu gewährleisten Ausgewählt mit einem klaren Ziel vor Augen Es ist auch wichtig, daran zu denken, dass die Technologie nicht dazu da ist, menschliches Fachwissen zu ersetzen. Sie ist dazu da, sie zu unterstützen und zu verbessern. Daher ist bei jedem AI-Projekt die menschliche Aufsicht unverzichtbar - von den ersten Phasen der Datenerfassung und des Trainings bis hin zur kontinuierlichen Verfeinerung der Modelle. So kann sichergestellt werden, dass die Ergebnisse genau und vertrauenswürdig sind und den differenzierten Anforderungen der Versicherungsbranche entsprechen. Nutzen Sie das Potenzial von GenAI Der Erfolg von Gen AI im Versicherungswesen hängt von den zugrunde liegenden Informationen ab. Daten von guter Qualität sind sicher, relevant und für die jeweilige Aufgabe bestens geeignet. Der Aufbau von Systemen, die die richtigen Quellen nutzen, trägt dazu bei, Zuverlässigkeit und Effektivität zu gewährleisten, von der Rationalisierung des Underwritings und der Schadenbearbeitung bis hin zur Verbesserung der geschäftlichen Entscheidungsfindung in Echtzeit. Um Ihre KI-Reise zu beginnen, ist es eine gute Idee, klein anzufangen. Sehen Sie sich vorhandene Daten an, erstellen Sie spezifische Anwendungsfälle und lernen Sie aus Pilotprojekten. Bauen Sie ergänzende Partnerschaften mit Technologieunternehmen auf, um das Fachwissen zu erweitern und neue Möglichkeiten für Innovationen zu erschließen. Wenn Sie so weit sind, können Sie die gewonnenen Erkenntnisse nutzen, um erfolgreiche Initiativen in Systeme zu integrieren, die auf hochwertigen Daten basieren. Entdecken Sie unsere Dienstleistungen für Versicherungsinnovationen
Öffentlicher Sektor und Verwaltungen – A new proximity risk calculation for the NHS Test and Trace Covid app Mehr erfahren
Industrie – Apps in der Industrie: Welche Hürden müssen Maschinenbauer in der Umsetzung überwinden? Mehr erfahren