Künstliche Intelligenz (KI) ist als Teilgebiet der Informatik schon lange in aller Munde. Man unterscheidet hierbei zwischen schwacher und starker KI: Die schwache (oder auch methodische) KI zielt auf die Lösung eines konkreten Problems ab, während die starke (oder auch allgemeine) KI ein theoretisches Konzept ist, welches dahin strebt, intelligente Maschinen zu erzeugen, die dem menschlichen Verstand gleichen.
Eine schwache KI kann durch sogenanntes Maschinelles Lernen (ML) erzeugt werden, d. h. der (statistische) Algorithmus lernt durch Wiederholung selbstständig eine Aufgabe zu erfüllen, ohne dass das Verhalten des Algorithmus explizit programmiert wird. Dies wird auch als „Statistisches Lernen“ bezeichnet und deren Ansätze gibt es schon mehrere Dekaden. Doch erst durch die wachsende Rechenleistung wurde es dann deutlich später erst umsetzbar.
Die Anwendungen für KI sind sehr vielseitig, wobei wohl am bekanntesten die Bild-, Sprach- und Texterkennung sind. Doch auch in der Versicherungsbranche könnte KI (über o. g. Anwendungen hinaus) zum Einsatz kommen: z. B. in der Produktentwicklung, beim Kundenservice, in der Schadenabwicklung oder bei der Migration alter Bestände in neue Systeme. Der eine oder andere Versicherer nutzt in Ansätzen bereits ML, was langfristig das Potenzial zu einem Standard hat.
Ein Beispiel hierfür ist das sogenannte Künstliche Neuronales Netz (KNN), was – wie es der Name schon andeutet – der Funktionsweise des menschlichen Gehirns nachempfunden ist: Darin werden viele künstlich miteinander verbundene Neuronen simuliert, wobei jedes Neuron nach dem EVA-Prinzip (Eingabe, Verarbeitung, Ausgabe) agiert. Das KNN besteht aus mehreren Schichten, wobei jedes Neuron aus einer Schicht mit jedem Neuron aus der nachfolgenden Schicht verbunden ist.
Zur Nutzung von KNN wäre bspw. Python möglich: eine moderne viel genutzte Programmiersprache, die bis hin zur objektorientierten Programmierung sehr mächtig ist. Es mag die Syntax für jemanden, der bspw. aus dem Java-Umfeld herkommt, etwas gewöhnungsbedürftig sein, aber sie ist dennoch leicht verständlich und bietet eine Vielzahl von Bibliotheken und Frameworks u. a. auch für ML.
Bei einigen Versicherern wird Python schon jetzt aktiv genutzt: sei es ein Regressionstestaufbau, die Berechnungen des Nachreservierungsbedarfs oder Bestandshochrechnungen & -prognosen. Der Schritt dabei auch KNN (oder andere vergleichbare Ansätze für ML) zu nutzen, ist dann nicht mehr weit …
Gerne vertiefen wir das Thema mit Ihnen im persönlichen Gespräch mit unserem Experten Stefan Kietzmann.