Auf Anfrage von VVP, vorgestellt in der neuesten Ausgabe von VVP, der führenden Plattform für Finanzberater in den Niederlanden, erklärt unser CTO und KI-Stratege Dennie van den Biggelaar, wie man spezifische KI und maschinelles Lernen auf die ‚Beratung in der Praxis‘ anwendet. In verschiedenen Ausgaben werden folgende Themen behandelt:

• Start mit spezifischer KI und ML
• Operationalisierung in Geschäftsprozessen
• Integration in bestehende IT-Landschaften
• Messen = Lernen: KPIs für ML
• Ethik, Vorschriften und Gesellschaft
• KI und ML: ein Blick in die nahe Zukunft

Natürlich beginnen wir in dieser ersten Ausgabe mit den Grundlagen: Was ist das und wie fängt man an? Wenn Sie nach diesem Artikel Fragen haben, können Sie sich gerne an Dennie (dennie@onesurance.nl) wenden.

KI vs. Maschinelles Lernen (ML)
KI ist eine Maschine oder Software, die Aufgaben ausführt, die traditionell menschliche Intelligenz erfordern. Maschinelles Lernen (ML) ist ein spezieller Teilbereich der KI, der es einer Maschine oder Software ermöglicht, aus historischen Vorhersagen oder Handlungen zu lernen. Das bekannteste und am meisten diskutierte Beispiel für ML-Software ist ChatGPT, das darauf ausgelegt ist, sinnvolle Texte für Benutzer zu generieren. Es gibt jedoch unzählige andere Anwendungsfälle, bei denen maschinelles Lernen uns helfen kann. Oft gibt es (noch) keine fertige Lösung wie ChatGPT, die Sie direkt verwenden können. Um eine solche brauchbare KI-Lösung zu entwickeln, müssen die richtigen Kompetenzen zur richtigen Zeit zusammengebracht werden. Es ist die Aufgabe des KI-Strategen, gemeinsam mit einem multidisziplinären Team aus Fachexperten, ML-Ingenieuren, Dateningenieuren und Datenwissenschaftlern zu bestimmen, was vorhergesagt werden soll, wie (genau) dies geschehen soll, welche Techniken verwendet werden sollen und schließlich, wie alles operationalisiert und gesichert werden soll, um die gewünschten Ergebnisse zu erzielen.

Beispiel: Vorhersage von Kündigungen
Als Unternehmen möchten Sie sicherstellen, dass die richtigen Kunden zur richtigen Zeit die richtige Aufmerksamkeit von Ihren Beratern erhalten, um Kündigungen zu minimieren. Idealerweise würden Sie wissen, welche Kunden wahrscheinlich kündigen. Aber wie übersetzt man das ins Team? Oft kündigt ein Kunde eine einzelne Police, was normalerweise nur eine Änderung ist und etwas, das Ihr ML-Modell nicht kontaminieren soll. Angenommen, ein Kunde kündigt alle Policen innerhalb der Haupthaftpflichtversicherung, aber noch keine anderen. Ist dies ein Kunde, der bald gehen wird? Und was, wenn er alles innerhalb der Hauptfeuerversicherung kündigt, aber noch eine Rechtsschutz- und Risikolebensversicherung hat? Wurden Policen intern übertragen? Was ist die tatsächliche Kündigungsrate? Dies sind alles Dinge, die Sie bestimmen möchten, bevor Sie ein ML-Engineering-Team an die Arbeit setzen. Außerdem müssen Sie Ihren Prognosehorizont berücksichtigen: Wie weit im Voraus möchten Sie vorhersagen? Möchten Sie wissen, welche Kunden in den nächsten 1, 3, 6 oder 12 Monaten kündigen werden? Dies mag wie ein Detail erscheinen, aber unter der Haube bedeutet es, dass Sie ein völlig anderes ML-Modell trainieren werden.

Muster finden
Sobald Sie klar definiert haben, was Sie vorhersagen möchten, ist es an der Zeit zu überprüfen, ob Ihre Daten ausreichend Genau, Verfügbar und Konsistent sind (das ‚Daten-ABC‘). Der Hauptgrund, warum Kunden kündigen, läuft oft darauf hinaus, dass sie zu wenig Aufmerksamkeit erhalten. Die Frage ist natürlich, von wem, wann und warum es ‚zu wenig Aufmerksamkeit‘ gab. Diese Informationen befinden sich nicht in Ihrem Data Warehouse und müssen durch Feature Engineering erstellt werden. Welche Merkmale (Eigenschaften) beeinflussen die Wahrscheinlichkeit einer Kündigung erheblich? Dies ist ein analytischer und kreativer Prozess, bei dem das Wissen und die Erfahrung von Versicherungsexperten und Datenwissenschaftlern zusammenkommen. Sobald eine solide Anfangstabelle mit Merkmalen geformt ist, können Sie endlich mit dem maschinellen Lernen beginnen. Die Erfahrung zeigt, dass die Vorhersage von Kündigungen am besten mit Klassifikations- oder Überlebensanalyse modelliert wird. Theoretisch gibt es Hunderte verschiedener ML-Techniken, die dafür geeignet sind. Bei Ihrer Wahl ist es wichtig zu berücksichtigen: Inwieweit muss der Algorithmus erklärbar sein, wie komplex können die Muster sein und wie viele Daten entsprechen dem ABC?

Muster validieren
Nachdem die ‚Maschine‘ auf die Suche nach Mustern und Vorhersagen eingestellt ist, gibt es immer einen spannenden Moment… wie genau sind die verschiedenen Modelle? Der ML-Ingenieur hat eine umfangreiche Toolbox dafür. Zunächst hält er einen Teil der Daten zurück, um ein trainiertes Modell zu testen und zu validieren. Dies stellt die Robustheit der gefundenen Muster sicher und verhindert, dass ein Modell im ‚realen Leben‘ ungenaue Vorhersagen macht. Anschließend werden die falschen Positiven und falschen Negativen und deren Kosten betrachtet. Zum Beispiel ist eine falsche positive Vorhersage, dass jemand nächsten Monat kündigen wird, nicht allzu schlimm. Der Berater ruft den Kunden an und stellt fest, dass alles in Ordnung ist: es kostet nur 15 Minuten seiner Zeit. Wenn der Algorithmus jedoch fälschlicherweise vorhersagt, dass jemand loyal bleibt (falsches Negativ), ist dies viel kostspieliger: Sie verlieren einen Kunden. Basierend auf unter anderem Präzision, Rückruf und AUC-Werten wird das beste ML-Modell bestimmt. Darüber hinaus ist es möglich, Algorithmen so anzupassen, dass sie strenger oder nachsichtiger sind, damit sie besser zum beabsichtigten Geschäftsprozess passen. Dies wird als Parametertuning bezeichnet, und ein erfahrener ML-Ingenieur weiß, wie man dies verantwortungsvoll macht.

Nutzbar machen
Als nächstes integrieren Sie den Algorithmus in die operativen Prozesse. Wie können Daten sicher und effizient hin und her übertragen werden? Wie kann der Berater die Vorhersage einfach nutzen? Dies ist die Arbeit von Daten- und Softwareingenieuren. Schließlich möchten Sie auch, dass der Berater Feedback zur Qualität des Algorithmus gibt, damit dieser vom Benutzer lernt. Der Algorithmus wird mit zunehmender Nutzung intelligenter und effektiver. Das ist der echte ‚KI‘-Bestandteil, aber dazu mehr in der nächsten Ausgabe!

KI ist nicht immer ML. Zum Beispiel ist der Algorithmus Deep Blue (der 1997 den Schachweltmeister Garry Kasparov besiegte) KI, aber kein ML. ML ist immer KI.

Drei Sätze über Dennie selbst
Dennie ist Ökonom mit 12 Jahren Erfahrung in der Gestaltung, dem Bau und der Implementierung von Machine-Learning-Lösungen in der Praxis. Als Mitbegründer und CTO von Onesurance ist er für die Entwicklung von KI-Lösungen und deren erfolgreiche Operationalisierung für Kunden im Versicherungssektor verantwortlich.