In dieser Rubrik erläutert der KI-Stratege Dennie van den Biggelaar, wie man spezifische KI- und Machine-Learning-Anwendungen in der „Beratungspraxis“ einsetzt. In verschiedenen Ausgaben werden folgende Themen beleuchtet:

• Erste Schritte mit spezifischer KI und ML

• Umsetzung in Geschäftsprozessen

• Integration in die bestehende IT-Landschaft

• Messen = Lernen: KPIs für ML

• Ethik, Regulierung und Gesellschaft

• KI und ML: Ein Blick in die nahe Zukunft 

Logischerweise fangen wir in dieser ersten Ausgabe ganz am Anfang an: Was ist das und wie fängt man damit an?

KI vs. maschinelles Lernen (ML)

KI ist eine Maschine oder Software, die Aufgaben ausführt, für die traditionell menschliche Intelligenz erforderlich ist. Maschinelles Lernen (ML) ist ein spezifischer Teilbereich* der KI, mit dem eine Maschine oder Software selbst aus früheren Vorhersagen oder Handlungen lernen kann. Das bekannteste und am meisten diskutierte Beispiel für ML-Software ist ChatGPT, das speziell dafür entwickelt wurde, sinnvolle Textpassagen für den Nutzer zu generieren. Es gibt jedoch unzählige andere Problemstellungen, bei denen uns maschinelles Lernen helfen kann. Allerdings gibt es (noch) nicht immer eine fertige Lösung, die man direkt nutzen kann, wie beispielsweise ChatGPT.

Um eine solche nutzbare KI-Lösung zu entwickeln, muss man die richtigen Kompetenzen zum richtigen Zeitpunkt zusammenbringen. Es ist die Aufgabe eines KI-Strategen, gemeinsam mit einem multidisziplinären Team aus Business-Experten, ML-Ingenieuren, Dateningenieuren und Datenwissenschaftlern zu bestimmen, was man vorhersagen möchte, wie (genau) dies geschehen soll, welche Techniken man einsetzt und schließlich, wie das Ganze operationalisiert und gesichert wird, damit es tatsächlich zu den gewünschten Ergebnissen führt.

Beispiel: Kündigungen vorhersagen AlsKanzlei möchten Sie sichergehen, dass die richtigen Mandanten zum richtigen Zeitpunkt die richtige Aufmerksamkeit Ihrer Berater erhalten, damit Kündigungen auf ein Minimum reduziert werden. Ideal ist es, wenn Sie wissen, bei welchen Mandanten die Wahrscheinlichkeit einer Kündigung hoch ist. Aber wie vermitteln Sie dies dem Team?

Es kommt häufig vor, dass ein Kunde eine einzelne Police kündigt. In den meisten Fällen handelt es sich dabei lediglich um eine Vertragsänderung, und damit sollte man sein ML-Modell nicht verunreinigen. Angenommen, ein Kunde kündigt alle Policen innerhalb der Hauptsparte Haftpflicht, sagt aber den Rest (noch) nicht auf. Handelt es sich dann um einen Kunden, der zu wechseln droht? Und was ist, wenn er auch alle Policen innerhalb der Hauptsparte Feuerversicherung kündigt, aber noch eine Rechtsschutz- und eine Unfallversicherung hat? Wurden auch intern Policen umgeschlossen? Wie hoch ist die Kündigungsrate nun eigentlich? All das sind Dinge, die Sie klären sollten, bevor Sie ein Team von ML-Ingenieuren an die Arbeit schicken.Außerdem müssen Sie Ihren Prognosehorizont berücksichtigen: Wie weit wollen Sie in die Zukunft vorhersagen? Möchten Sie wissen, welche Kunden in den kommenden 1, 3, 6 oder 12 Monaten kündigen werden? Auch dies scheint ein Detail zu sein, aber unter der Haube bedeutet dies, dass Sie ein ganz anderes ML-Modell trainieren werden.

Muster finden

Nachdem du klar definiert hast, was du vorhersagen möchtest, ist es an der Zeit zu prüfen, ob deine Daten dafür ausreichend genau, verfügbar und konsistent sind (das „Daten-ABC“). Der wichtigste Grund, warum Kunden kündigen, lässt sich letztendlich meist darauf zurückführen, dass sie zu wenig Aufmerksamkeit erhalten haben. Die Frage ist natürlich, bei wem, wann und warum von „zu wenig Aufmerksamkeit“ die Rede ist. Diese Informationen befinden sich nicht in Ihrem Data Warehouse und müssen daher von Ihnen selbst mittels Feature Engineering konstruiert werden . Welche Merkmale (Features) haben einen signifikanten Einfluss auf die Wahrscheinlichkeit einer Kündigung? Dies ist ein analytischer und zugleich kreativer Prozess, bei dem das Wissen und die Erfahrung von Versicherungsexperten und Datenwissenschaftlern zusammenfließen.

Sobald eine solide erste Tabelle mit Merkmalen erstellt wurde, kannst du endlich mit dem maschinellen Lernen loslegen. Die Erfahrung zeigt, dass sich die Vorhersage von Kündigungen am besten mit Klassifizierung oder Überlebensanalyse modellieren lässt. Es gibt Hunderte verschiedener ML-Techniken, die dafür theoretisch geeignet sind. Bei Ihrer Wahl ist es wichtig zu berücksichtigen: Inwieweit muss der Algorithmus erklärbar sein, wie komplex dürfen die Muster sein oder wie viele Daten umfasst ABC?

Muster validieren

Nachdem die „Maschine“ darauf angesetzt wurde, Muster zu finden, mit denen Vorhersagen getroffen werden können, kommt immer ein spannender Moment… Wie genau sind die verschiedenen Modelle? Hierfür verfügt der ML-Ingenieur über einen umfangreichen Werkzeugkasten. Zunächst hält er einen Teil der Daten zurück, um ein trainiertes Modell zu testen und zu validieren. Damit stellt man die Robustheit der gefundenen Muster sicher und verhindert, dass ein Modell in der „realen Welt“ ungenaue Vorhersagen liefert. Anschließend werden die Falsch-Positiven und Falsch-Negativen sowie deren Kosten untersucht.

So ist eine falsche Vorhersage, dass jemand im kommenden Monat kündigen wird (False Positive), nicht weiter schlimm. Der Berater ruft den Kunden an und stellt fest, dass alles in Ordnung ist: Das kostet ihn lediglich 15 Minuten seiner Zeit. Wenn der Algorithmus fälschlicherweise vorhersagt, dass jemand treu bleibt (False Negative), ist das viel kostspieliger: Man verliert einen Kunden.

Anhand von Präzision, Recall und AUC-Werten wird das beste ML-Modell ermittelt. Darüber hinaus ist es möglich, Algorithmen strenger oder weniger streng einzustellen, damit sie besser zum angestrebten Geschäftsprozess passen. Dies wird als Parameter-Tuning bezeichnet, und ein erfahrener ML-Ingenieur weiß, wie man dies auf verantwortungsvolle Weise durchführt.

Wie macht man sie nutzbar?

Anschließend integrierst du den Algorithmus in die betrieblichen Prozesse. Wie können die Daten sicher und effizient hin- und herfließen, und wie kann der Berater die Vorhersage einfach nutzen? Das ist die Aufgabe von Daten- und Softwareentwicklern. Schließlich möchten Sie auch, dass der Berater Feedback zur Qualität des Algorithmus geben kann, damit dieser vom Nutzer lernt. Der Algorithmus wird also immer intelligenter und immer zielgerichteter, je häufiger er genutzt wird. Das ist die eigentliche „KI“-Komponente, aber dazu mehr in der nächsten Ausgabe! 

*KI ist nicht immer ML. So ist beispielsweise der Algorithmus Deep Blue (der 1997 den Schachgroßmeister Garry Kasparov besiegte) kein ML, wohl aber KI. ML ist jedoch immer KI.

Dennie ist Ökonometriker und verfügt über 12 Jahre Erfahrung in der Konzeption, Entwicklung und praktischen Umsetzung von Lösungen im Bereich des maschinellen Lernens. Als Mitbegründer und CTO von Onesurance er für die Entwicklung von KI-Lösungen und deren erfolgreiche Operationalisierung bei Kunden aus der Versicherungsbranche verantwortlich.