KI-Spezialisten auf der sicheren Seite
Von Dirk Bongardt
Außergewöhnlich viele Fernseher gehen zu Bruch, wenn außergewöhnlich viele sich einen neuen Fernseher zulegen wollen – etwa in den Wochen vor einer Fußballweltmeisterschaft. Um das zu erkennen, benötigen Versicherungskonzerne keine künstliche Intelligenz, es genügt ein Blick in die Statistik der Schadensmeldungen. Aber diese Statistik verrät ihnen nicht, welche ihrer Kunden tatsächlich einen von der Versicherungspolice abgedeckten Schaden erlitten haben und welche sich unrechtmäßig eine brandneue Heimkinoanlage von der Versicherung schenken lassen wollen.
Gerade bei kleineren Summen scheuen Versicherer den Aufwand für genauere Prüfungen: Die Arbeitskraft der Sachbearbeiter ebenso wie die der Schadensgutachter, dazu aufwendige Prüfverfahren in Laboren oder Werkstätten summieren sich schnell zu Beträgen, die weit über dem Zeitwert eines Fernsehers liegen. Und wenn die Prüfung dann ergibt, dass der Kunde die Versicherungsleistung zu Recht beansprucht, ist dieses Geld zusätzlich zur ursprünglichen Schadenssumme verbrannt. Bislang zahlen Versicherungen kleinere Schadenssummen deshalb oft ohne eingehendere Prüfung aus, auch in den Wochen vor einer Fußball-WM.
Schadensregulierung per Algorithmus
Versicherer setzen inzwischen oft auf eine teilautomatisierte Schadensregulierung: Unterschreitet die Schadenssumme einen bestimmten Wert, erscheint der Schadenshergang nach vorgegebenen Kriterien plausibel. Weist das Profil des Versicherten keine Auffälligkeiten auf, veranlasst ein Algorithmus ohne weitere Prüfung die Auszahlung.
Genau das nutzen professionelle Versicherungsbetrüger allerdings aus: Diese Versicherten kennen die Regeln, nach denen die automatisierten Verfahren ablaufen, sehr genau. Sie wissen, wie hoch sie die Schäden beziffern dürfen, um nicht aufzufallen, und wie sie die Schadensfälle beschreiben müssen. Arnaud Grapinet, Chief Data Scientist beim Versicherungsdienstleister Shift Technology befürchtet, dank regelbasierter, automatisierter Systeme in Schadensabwicklung könne sich die Zahl der Fälle von Versicherungsbetrug in den nächsten Jahren verdoppeln. Zum einen, weil sich Versicherte in den sozialen Netzen über die von den Versicherern angesetzten Regeln austauschen, zum anderen, weil die Hemmschwelle, einen Automaten zu betrügen, noch einmal deutlich geringer ist als die, einen Menschen übers Ohr zu hauen. Schon heute schätzt der Gesamtverband Versicherungswirtschaft, rund jede zehnte Schadensmeldung sei fragwürdig. Bei 50,8 Milliarden Euro, die die Versicherer in Deutschland 2017 an ihre Kunden gezahlt haben, hätten sich Betrüger demnach unrechtmäßig um rund 5 Milliarden Euro bereichert.
Schwarz auf Weiß
Dieser Beitrag ist zuerst in unserer Magazinreihe „IT & Karriere“ erschienen. Einen Überblick mit freien Download-Links zu sämtlichen Einzelheften bekommen Sie online im Pressezentrum des MittelstandsWiki.
Wie eine KI Verdacht schöpft
Ein regelbasierter Algorithmus in der Schadensabwicklung birgt einen weiteren Nachteil: Kunden, deren Profil, Schadenshöhe und/oder Angaben zum Schadensverlauf nicht den Vorgaben entsprechen, geraten unter Generalverdacht. Die Auszahlung berechtigter Ansprüche verzögert sich über die Geduldsgrenze dieser Kunden hinaus, und wenn dann noch die mit der endgültigen Beurteilung des Anspruchs betrauten Mitarbeiter nur ein klein wenig unsensibel vorgegangen sind, mag das Verhältnis zum Kunden nachhaltig beschädigt sein. Im Zeitalter sozialer Medien kann das für die Versicherung schmerzhafte Folgen haben.
KI-basierte Prüfverfahren setzen auf analytische Verfahren, statt ein starres Regelwerk abzufragen. Eine Anomalieerkennung etwa geht nicht vom zu beurteilenden Einzelfall aus, sondern betrachtet die Gesamtheit der Versicherungsfälle und ist so in der Lage, Auffälligkeiten zu erkennen. Ein plausibler Schaden von knapp unter 1000 Euro, gemeldet von einem insgesamt unauffälligen Kunden, würde bei einer regelbasierten Abwicklung wahrscheinlich ohne weitere Prüfung reguliert werden. Einer KI-basierten Anomalieerkennung fiele aber auf, dass aus derselben Stadt im laufenden Quartal bereits außergewöhnlich viele ähnliche Schäden, alle mit ähnlicher Schadenshöhe knapp unter 1000 Euro, gemeldet wurden. Die an sich unverdächtige Schadensmeldung würde in diesem Kontext zu Recht Argwohn wecken. Ein einzelner Sachbearbeiter hätte kaum eine Chance, einen solchen statistischen Ausreißer zu erkennen. Eine KI mit Zugriff auf die Gesamtheit der Fälle ist dazu aber mühelos in der Lage.
Momentan dreht sich alles um ChatGTP. Für die Zeit davor gibt eine Einführung einen ersten Überblick über den Stand der Technologien, die Fortsetzungen skizzieren praktische Einsatzgebiete für KI, insbesondere in der Industrie. Für den Lebenslauf könnten die Ratgeber zur KI-Studienstrategie bzw. zum KI-Studium (auch in Kombination mit Robotik) sowie zum Berufsbild Machine Learning Engineer und zum KI-Manager nützlich sein – aber auch die Übersicht zu den Jobs, die KI wohl ersetzen wird.
Extrabeiträge untersuchen, wie erfolgreich Computer Computer hacken, ob und wann Vorbehalte gegen KI begründet sind und warum deshalb die Erklärbarkeit der Ergebnisse (Stichwort: Explainable AI bzw. Erklärbare KI) so wichtig ist. Hierher gehört außerdem der Seitenblick auf Maschinenethik und Münchhausen-Maschinen. Als weitere Aspekte beleuchten wir das Verhältnis von KI und Vorratsdatenspeicherung sowie die Rolle von KI in der IT-Sicherheit (KI-Security), fragen nach, wie Versicherungen mit künstlicher Intelligenz funktionieren, hören uns bei den Münchner KI-Start-ups um und sehen nach, was das AIR-Projekt in Regensburg vorhat. Ein Abstecher führt außerdem zu KI-Unternehmen in Österreich.
Auf der rein technischen Seite gibt es Berichte zu den speziellen Anforderungen an AI Storage und Speicherkonzepte bzw. generell an die IT-Infrastruktur für KI-Anwendungen. Außerdem erklären wir, was es mit AIOps auf sich hat, und im Pressezentrum des MittelstandsWiki gibt es außerdem die komplette KI-Strecke aus dem Heise-Sonderheft c’t innovate 2020 als freies PDF zum Download.
Freilich lässt sich aus dieser Auffälligkeit noch kein konkreter Verdacht ableiten. Dazu nutzen einige KI-Systeme die sogenannte Soziale-Netzwerk-Analyse. Hier durchsuchen analytische Systeme ganze Datenbestände, um Muster und Querverbindungen aufzuzeigen, die aus den Daten selbst nicht zu erkennen sind – also etwa multidimensionale Zusammenhänge von Personalien, Wohnorten, Zahlungsverbindungen und Schadensverläufen. So ließen sich potenzielle Ringe von Versicherungsbetrügern identifizieren, deren gemeldete Schäden dann von denen anderer, ehrlicher Versicherter abgegrenzt werden könnten. Hat die KI Verdacht geschöpft, übernehmen menschliche Mitarbeiter die letzte Prüfung. Die von Shift Technology entwickelte Lösung Force kommt dabei nach Angaben des Herstellers auf eine Trefferquote von 75 %.
Entscheidend für die Effektivität solcher analytischer Systeme sind Menge und Qualität verfügbarer Daten. Je mehr, und je besser gepflegt die Datenbestände sind, desto höher ist die Trefferquote und desto niedriger die Zahl zu Unrecht in Verdacht geratener Versicherter.
Think big, learn fast – Anforderungen an KI-Experten
Generell werden von den Serviceanbietern für Versicherungen und in den Unternehmen selbst KI-Spezialisten vor allem in den Bereichen Entwicklung (Java, Python, R, Prolog, LISP, C++) und Frontend (Web-Anwendungen und Mobile Apps) gesucht. Kenntnisse im Verkaufs– und Marketing-Bereich können dabei sicherlich nicht schaden.
Mittlerweile haben sich aus zahlreichen Projekten im Bereich der künstlichen Intelligenz und des maschinellen Lernens Jobprofile abgeleitet, wie etwa der Cognitive Computing Engineer oder der Machine Learning Specialist. Doch noch sind nicht alle dieser Profile klar konturiert. Der Cognitive Computing Engineer beispielsweise geht auf das IBM-Projekt Watson zurück, für das der US-Konzern selbst laufend noch Spezialisten und neue Geschäftsfelder sucht. Seine Aufgaben bestehen vereinfacht gesagt darin, Software für intelligente Systeme und maschinelles Lernen zu entwickeln. Was dieser Job genau leisten soll und wo seine Verantwortlichkeiten liegen, muss sich aber noch zeigen. Sicher ist, dass die Bedeutung von Cognitive Computing und maschinellem Lernen weiter wächst.
Die Anforderungen im KI-Bereich gehen laut Jim Spohrer, dem Direktor von IBMs Universitätsprogrammen, über eine pure Big-Data-Spezialisierung hinaus: „Ein wesentlicher Teil ist Datenpflege. Man kann kein kognitives System bauen, ohne sich Gedanken über einen Bestand von Dokumenten oder Websites zu machen.“ Die Watson Health Group beschreibt in einer Stellenanzeige, welche Kenntnisse Bewerber brauchen: „Kandidaten sollten einen praxisorientierten Bezug zur Technologie haben. Der umfasst unstrukturierte Daten, statistische Extraktion, maschinelles Lernen, natürliche Spracherkennung und Suchen.“ Cognitive Computing kann in vielen Branchen zum Einsatz kommen, so auch im Versicherungsbereich.
KI übernimmt die Risikobewertung
Doch künstliche Intelligenz kommt bei immer mehr Versicherungen schon lange vor einem Schadensfall zum Einsatz: bei der Risikobewertung, in der Branchensprache Underwriting genannt, und beim Vertragsabschluss. So werten KI vor Abschluss einer privaten Krankenversicherung oder einer Lebensversicherung beispielsweise medizinische Unterlagen in Kombination mit Informationen aus sozialen Netzwerken aus, um aus Daten zur aktuellen Gesundheit und zum Lebensstil auf spezifische Gesundheitsrisiken zu schließen. Der australische Versicherungsdienstleister FitSense beispielsweise bietet eine Datenanalyseplattform, in der sich Nutzerdaten aus verschiedenen Datenquellen und Endgeräten zusammenführen lassen. Das Unternehmen bietet Versicherern eine White-Label-Lösung, mit der diese ihren Kunden ein Gesundheitsmanagementprogramm zur Verfügung stellen können. FitSense arbeitet außerdem an einer Lösung für automatisiertes Underwriting.
Auch Kfz-Haftpflichtversicherungen beginnen damit, künstliche Intelligenz einzusetzen, um ihren Kunden fairere Tarife zu bieten. Längst fragen Versicherer bei Vertragsabschluss die voraussichtliche jährliche Kilometerleistung ab, und gewähren bei geringerer Fahrleistung Rabatte. Mit Telematiksystemen, wie sie zum Beispiel Octo Telematics entwickelt, ist es möglich, den Tarif dynamisch auch der Fahrthäufigkeit, den Tageszeiten, oder dem Fahrstil anzupassen. Wer – objektiv messbar – risikoärmer fährt, zahlt dann weniger. Auch wenn er, gemessen an der Kilometerleistung, vielleicht mehr unterwegs ist als ein anderer Versicherter.
Teil 1 hält das Smartphone parat und verfolgt den Kurs der Flotte auf dem Display. Und was sagen die Fahrer dazu? Teil 2 verzichtet auf fest installierte Telematik und gibt dem Disponenten Mobilsoftware an die Hand, mit der er einfach und schnell neue Fuhren starten und nachvollziehen kann.
Vertragsabschluss und Kundenservice
Denkbar dürfte sehr bald auch der großflächige Einsatz von KI im direkten Kundenkontakt sein. Im Juni 2018 zeigte Google auf seiner Entwicklerkonferenz I/O, wohin die Reise gehen könnte: Dort ließ der Suchmaschinenkonzern seinen KI-gestützten Assistenten Google Duplex selbstständig Telefonate führen, bei denen der Assistent von einem menschlichen Gesprächsteilnehmer nicht zu unterscheiden war. Ist die Technik erst allgemein verfügbar, können Versicherer ihren Kunden die nervigen Tastenmenüs à la „Wenn Sie einen Schaden an ihrem eigenen Fahrzeug melden wollen, drücken Sie die Zwei …“ ersparen. Stattdessen könnte ein gesprächsfähiger Assistent das Kundengespräch führen.
Gerade jüngere Versicherte sind auch für eine Kommunikation per Messenger-App zu gewinnen. Virtuelle Assistenten, sogenannte Chatbots, können darin in Dialog mit den Kunden treten. Das KI-Unternehmen CogniCor etwa hat einen solchen intelligenten Kundenserviceassistenten, der natürliche Sprache versteht, im Angebot. 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.
KI versichert meine Zukunft
Die Versicherungsbranche kann vom Einsatz künstlicher Intelligenz überdurchschnittlich stark profitieren: Mit Big-Data- und Social-Media-Analytics erkennt eine KI Muster in Schadensereignissen, die menschlichen Sachbearbeitern zu komplex wären, und kann so entscheidende Hinweise auf Betrugsversuche liefern. Mit intelligenten Risikobewertungen kann eine KI den Kunden fairere, weil dynamisch auf die individuelle Situation abgestimmte Tarife errechnen. Und auch um die direkte Kommunikation per Messenger, und bald auch per Telefon, wird sich wohl in Zukunft eine KI kümmern können. Doch ganz von selbst erschafft sich eine KI (noch) nicht. Dafür braucht es versierte KI-Spezialisten, die von den Unternehmen händeringend gesucht werden und denen eine rosige Zukunft winkt.
Dirk Bongardt hat vor Beginn seiner journalistischen Laufbahn zehn Jahre Erfahrung in verschiedenen Funktionen in Vertriebsabteilungen industrieller und mittelständischer Unternehmen gesammelt. Seit 2000 arbeitet er als freier Autor. Sein thematischer Schwerpunkt liegt auf praxisnahen Informationen rund um Gegenwarts- und Zukunftstechnologien, vorwiegend in den Bereichen Mobile und IT.
Dirk Bongardt, Tel.: 05262-6400216, mail@dirk-bongardt.de, netknowhow.de
