Wie Versicherer mit KI ihre Digitalisierungsstrategie abrunden

Ein Artikel von Jan Langkau, Bereichsleiter für die Produkte ­drebis und HCM bei der adesso ­insurance solutions GmbH | 29.11.2019 - 10:10

Um für die Herausforderungen der Zukunft gerüstet zu sein, müssen Versicherer effizienter und agiler werden. Allianz-Chef Oliver Bäte brachte die Situation der Assekuranz jüngst vor dem Interna­tionalen Club Frankfurter Wirtschafts­journalisten (ICFW) auf den Punkt: „Das Hauptproblem unserer Industrie und der Allianz im Besonderen ist, dass wir an unserer Komplexität manchmal ersticken“. Diese Komplexität führt leider viel zu oft noch dazu, dass relativ unreflektiert Prozesse und Medien digitalisiert werden. Von der Einführung neuer digitaler Systeme versprechen sich die Gesellschaften effizientere und schlankere Prozesse und damit Einsparungspotenziale. Dabei ergeben sich jedoch immer wieder auch „blinde Flecken“, die bei der Entwicklung der Strategie schlicht übersehen oder als nachrangig eingestuft worden sind.

Solche „Digitalisierungslücken” haben gleich in doppelter Hinsicht negative Auswirkungen. Auf der einen Seite werden somit längst nicht alle Sparpoten­ziale gehoben, die sich aus einer konsequenten Digitalisierung ergeben. Auf der anderen Seite besteht das Risiko, dass die Mitarbeiter die Digitalisierung als abstraktes Mammutprojekt erleben, das auf ihr unmittelbares Arbeitsumfeld keine, zumindest aber keine positiven, Auswirkungen zu haben scheint. Doch sind sich alle Experten einig, dass digitale Transformation als Change-Prozess nur dann erfolgreich ist, wenn die Mitarbeiter ­davon überzeugt sind.

Ein Beispiel für Digitalisierungslücken

iStock-700469776.jpg

„Digitalisierungslücken“ sollten vermieden werden – nur so lassen sich Sparpotenziale heben

Trotz aller Digitalisierungsbestrebungen müssen Versicherer nach wie vor täglich Tausende von Papierdokumenten bearbeiten. Sofern keine entsprechende digitale Lösung eingeführt wurde, sichten, klassifizieren und bearbeiten die Mitarbeiter mit hohem manuellen Aufwand eingehende Dokumente in Form von E-Mails, Briefen und Faxen. Diese müssen aufwendig manuell im Schadensystem erfasst werden. Hier entstehen Medienbrüche, die Zeit und Geld kosten. Ein geradezu klassisches Beispiel für eine Digitalisierungslücke: Denn trotz des Einsatzes von digitalen Systemen innerhalb der Infrastruktur der Gesellschaft spüren die Sachbearbeiter keine Verbesserung ihrer Arbeitssituation.

Obwohl sich gerade an solchen Stellen enorme Spar- und Effizienzpotenziale bieten. Denn erst die Umwandlung der eingehenden Papierdokumente in digitale und somit maschinenlesbare Daten reizt das Potenzial digitaler Systeme erst richtig aus.

Wie bereits erwähnt, ist Digitalisierung mehr als die Transformation analoger in digitale Daten. Bereits seit den 90er Jahren gibt es Programme für die optische Zeichenerkennung (OCR), die viele Anwender auch von ihren privaten Computern kennen. Trivial und zu kurz gesprungen wäre es, einen Gerätepark von Scannern mit den eingehenden ­Dokumenten zu füttern, um diese erkennen zu lassen.

So wird zwar eine digitale Entsprechung eines vorhandenen Dokuments geschaffen, doch der Gewinn für die Organi­sation insgesamt bliebe überschaubar. ­Vereinfacht ausgedrückt: Ohne weitere Hilfestellung durch den Menschen „versteht“ das IT-System nicht, was in dem Dokument geschrieben steht, geschweige denn, welche nächsten Prozessschritte sich jetzt anschließen müssten. Mit der Nutzung einer erprobten (!) Lösung, die auf lernfähiger Künstlicher Intelligenz (KI) basiert, können Versicherer der Flut an Papierdokumenten Herr werden und die Verarbeitung der daraus entstehenden digitalen Daten automatisieren. Dabei setzt KI an zwei Stellen an.

KI optimiert den Input

ki-gestuetzter-strukturierungsprozess-2019-02-CMYK.jpg

Lösungen auf KI-Basis ermöglichen es Versicherern, die Dokumenten-Flut zu bewältigen 

Der erste Schritt auf dem Weg zur Automatisierung eingehender Dokumente ­besteht in der Digitalisierung des Inhalts. Hier muss sich jeder Hersteller einer KI-Lösung der Herausforderung stellen, dass das eingehende Material variabel in Qualität und Format ist. Bereits in diesem ­ersten Schritt, der Digitalisierung der Inhalte mittels optischer Zeichenerkennung, spielt Künstliche Intelligenz ihre Vorteile aus. Technisch gliedert sich der Prozess in zwei Phasen. Der eigentlichen Zeichen­erkennung (OCR = Optical Character ­Recognition) ist eine Bildoptimierung vorgelagert, die ähnlich funktioniert, wie es Anwender von der Kamerasoftware ­ihres Smartphones kennen. Die Bildoptimierung kümmert sich automatisch um die Korrektur von Bildauflösung und ­Orientierung der Dokumente. 

Das so optimierte Ausgangsmaterial durchläuft anschließend in der zweiten Phase die OCR. Sie schafft aus den ­gedruckten Buchstaben die digitale ­Entsprechung. Dank KI in Form tiefer neuronaler Netze hat optische Zeichen­erkennung in den vergangenen Jahren ­gewaltige Fortschritte gemacht. Die an dieser Stelle eventuell noch auftretenden Fehler bei der Erkennung werden beispielsweise durch spezielle Wörterbücher korrigiert. Bildoptimierung und OCR sind rechen­intensive Vorgänge. Für Dienstleister ­ergibt sich damit die Herausforderung, die Leistungsfähigkeit des Gesamtprozesses zu gewährleisten. 

KI lernt, die Inhalte zu verstehen

Jan Langkau_2.jpg

Jan Langkau

Das eigentliche Herzstück der Digitalisierung eingehender Dokumente versteckt sich aber im nächsten Schritt, der ohne KI nicht denkbar ist. Denn darin entwickelt das System ein Verständnis über den Inhalt des jeweiligen Dokuments, ohne das die weitere automatisierte Verarbeitung nicht möglich ist. Eine zeitgemäße Lösung wird hier feste Regeln und KI (siehe Kasten) miteinander kombinieren. Dort wo es sinnvoll und umsetzbar ist, kommen feste Regeln zum Einsatz, um Inhalte zu klassifizieren und Informationen zu extrahieren. 

Eine Rechnung beispielsweise lässt sich auch ohne KI anhand bestimmter Merkmale erkennen. Entsprechend manuell angelegte Regeln sorgen dann für die ­automatisierte Weiterverarbeitung. Solche Regeln liefern in wiederkehrenden Szenarien zuverlässige und exakte Ergebnisse. Die Nutzung rechenintensiver KI ist in solchen Fällen nicht erforderlich. Überall dort, wo keine eindeutigen Regeln formuliert werden können, kommen Algorithmen des maschinellen Lernens zum Einsatz. Dies ist immer dann der Fall, wenn die Kriterien, anhand derer sich ein Text klassifizieren lässt, eher subtil sind. Beim maschinellen Lernen analysieren Lernalgorithmen eine repräsenta­tive Lernmenge. Daraus ergibt sich so langsam ein virtueller Experte für die Klassifikation dieser Dokumentenarten. Das Training der KI erfordert menschliche Unterstützung: Der Mensch weist die Maschine zurecht, um der Lerneinheit der KI zu ermöglichen, künftig passendere Ergebnisse zu liefern. 

Qualität und Architektur des maschinellen Lernens unterscheiden die Anbieter von Lösungen stark voneinander, weswegen sich die Entscheider in den Gesellschaften vom Dienstleister den individuellen ­Ansatz erklären lassen sollten. So werden moderne und zeitgemäße KI-­Systeme verschiedene Verfahren miteinander kombinieren, um die Stärken der verschiedenen Lernalgorithmen zu verbinden. Damit entscheiden unterschiedliche virtuelle Experten gemeinsam darüber, wie ein Objekt zu klassifizieren ist. Ein solcher Ensemble-Ansatz bietet letztlich die höchste Trefferqualität, erfordert aber vom Anbieter entsprechende Erfahrung in der Umsetzung. Er besitzt aber den ­Vorteil, dass er mit zusätzlichen Lern­algorithmen erweitert werden kann.

KI-Lösungen von der Stange?

Machine-learning-Unit-2019-02-CMYK.jpg

Mit menschlicher Anleitung liefert KI die passenden Ergebnisse 

In Hinblick auf die Investitionsentscheidung für eine KI-Lösung ergeben sich für Versicherer zwei Problemfelder. Einerseits gibt es keine allgemeingültige Definition des Begriffs „Künstliche Intelligenz” (siehe Kasten). Zum anderen erlauben Hersteller nur selten einen Blick hinter die Kulissen und schaffen zu wenig Transparenz darüber, welche Verfahren überhaupt genutzt werden.

Aus dem gewählten Beispiel dürfte deutlich geworden sein, dass Frustrationen und Friktionen vorprogrammiert sind, wenn die Entscheidung für eine „Lösung von der Stange” fällt. Die Anwendung muss möglichst passgenau auf den konkreten Anwendungsfall entwickelt und angepasst werden. Natürlich ist es hilfreich, wenn der Anbieter umfangreiche Erfahrungen in der Bearbeitung diverser Dokumententypen gesammelt hat, wie z. B. kontextlastige Texte bis hin zu tabellarischen Formaten wie Rechnungen. Das erfordert entsprechend umfangreich trainierte KI-Modelle. Dass sich Prozesse und Dokumentenarten aber jederzeit ­ändern können, sollte eine zeitgemäße ­Lösung im laufenden Betrieb eine Konfiguration erlauben, welche Informationen extrahiert oder klassifiziert werden sollen.

Die Komplexität der Eingangsdokumente sollte weder für den Anbieter noch für das System eine Hürde darstellen. Das Ab­fragen entsprechender Referenzen eines Anbieters hilft bei der Entscheidungs­findung. Im Idealfall sollte es möglich sein, die Digitalisierung kundenindivi­duell zu gestalten. D. h., der Kunde de­finiert, welche Informationen dem Dokument entnommen werden. Über den nachhaltigen Erfolg der automatisierten Dokumentverarbeitung entscheiden schließlich noch zwei weitere Aspekte.

Auf der einen Seite steht die Frage im Raum, wie skalierbar die Lösung ist. Die maschinelle Lerneinheit der KI sollte ­einen möglichst großen Teil der Arbeit übernehmen. Wird dauerhaft menschliche Hilfe benötigt, ist dies zu teuer und nur wenig skalierbar. Darüber hinaus sollte der Umfang der Dokumente keine Limitierung für das System darstellen. 

In Zusammenhang damit steht auch der zweite Aspekt. Hier geht es um die Interaktion zwischen Mensch und Maschine. Denn der Mensch wird in einem solchen Konstrukt gleich an zwei Stellen gebraucht. Zum einen ist er erforderlich, um die Lernalgorithmen initial zu konfigurieren. Zudem dienen die Sachbearbeiter durch ihre qualitätssichernden Arbeiten der zu klassifizierenden Vorgänge als „Lehrer“. Das heißt, der Sachbearbeiter greift dann ein, wenn die Maschine Daten nur teilweise extrahieren konnte. Die Korrektur durch den Menschen optimiert damit das maschinelle Lernen. Die Trefferqualität der Maschine verbessert sich so kontinuierlich. Dieses Zusammenspiel zwischen Mensch und ­Maschine sollten sich Versicherer am besten live demonstrieren lassen, denn nur so kann die tatsächliche Skalierbarkeit bewertet werden.

Vorteilhaft ist es, wenn die Lösung so modular gebaut ist, dass sie sukzessive auf weitere Anwendungsszenarien und Abteilungen ausgeweitet werden kann.Eher zu den „weichen”, aber nichtsdestoweniger wichtigen Kriterien für die Auswahl eines Anbieters ist die Zukunfts­fähigkeit des Unternehmens und seiner Lösungen. Ein Anbieter einer KI-Lösung sollte Einblicke in die Zukunft gewähren können und eine eigene Roadmap für seine Produkte vorstellen. Denn wohl kaum ein Thema ändert sich derzeit so rasant schnell wie die Entwicklung von KI. Wie sieht der Plan des Anbieters für die Zeit nach dem Schließen von Digitalisierungslücken aus?

Ein nächster logischer Schritt wäre beispielsweise die Entwicklung von „Predictive Analytics”. Damit treffen KI-Systeme aus vorhandenen Daten konkrete Vorhersagen zur Entwicklung von unterschiedlichsten Problemstellungen. Sie unterstützen somit bei der Erkennung neuer Geschäftsfelder und der Identifizierung neuer Produkte, oder sind in der Lage, anhand der Analyse von Ergebnisdaten potentielle Schadensrisiken zu erkennen.

Fazit

Erst durch das Schließen von Lücken können Versicherer die sich aus der Digitalisierung erhofften Vorteile wie Einsparpotenziale in vollen Umfang erreichen. Systeme mit Künstlicher Intelligenz können auf dem Weg ein geeigneter Baustein sein. Vor dem Einsatz und der Entscheidung für eine Lösung sollten die Gesellschaften diese kritisch durchleuchten. 

Denn aus dem Einblick in die aktuell eingesetzte Technologie ergeben sich auch Hinweise darauf, wie zukunftssicher die Lösung ist. Im Rahmen einer solchen Entscheidung ist vor übertriebenen Erwartungen in Standardlösungen oder Ansätzen wie “One size fits all” zu warnen. Denn diese treffen die konkreten Bedürfnisse und Anwendungsfälle einer Gesellschaft nur in den wenigsten Fällen.

Was bedeutet Künstliche Intelligenz?

“Smart” und “Intelligent”: Immer mehr Produkte und Services werben mit dem Label der “Künstlichen Intelligenz”. Für Anbieter und Kunden bietet der Begriff gleichermaßen viel Spielraum. Denn die allgemeinverbindliche Definition von Künstlicher Intelligenz gibt es nicht. Am ehesten lässt sich KI als Sammel­begriff aus der Informatik und den Neurowissenschaften fassen. Demnach beschreibt KI eine Maschine, die über kognitive Fähigkeiten verfügt, die dem menschlichen Verhalten ähneln.

Dazu bedient sich KI verschiedener Methoden und Ansätze. Hierzu gehört beispielsweise die Mustererkennung, die jedem Anwender von modernen Smartphones oder Computern im Alltag begegnet. Mustererkennung steckt hinter der Spracheingabe von smarten Lautsprechern und Diktierfunktionen auf dem Smartphone. Und Google kann nur deshalb passende Bilder zu einer Suchanfrage präsentieren, weil dahinterstehenden Muster erkannt wurden.

Maschinelles Lernen fällt ebenfalls unter die Konzepte Künstlicher Intelligenz. Aus Basis verschiedener statistischer und neurowissenschaftlicher Verfahren, die in Computeralgorithmen übersetzt werden, werden Daten verarbeitet und ausgewertet, mit dem Ziel, dass die Maschinen eigenständig Entscheidungen und Prognosen anstellen. Beispiele für Lernalgorithmen sind neuronale Netze, Support Vector Machines (SVM) oder Bayes Netze.