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

In dieser dritten Ausgabe beantworten wir die Frage: Wie integrieren Sie einen trainierten Algorithmus in Ihre bestehende IT-Landschaft und Ihre Tools?

Integration von KI-Software

Der Versicherungssektor steht vor einer technologischen Revolution. Mit der Integration von KI-Entscheidungsmaschinen können Versicherer den Kundenservice erheblich verbessern und bessere Geschäftsergebnisse erzielen. KI-Algorithmen können Kündigungen vorhersagen, den Customer Lifetime Value (CLV) berechnen und Empfehlungen für Cross- und Upselling geben, sodass Berater fundiertere Entscheidungen treffen können. Aber wie integrieren Sie diese Algorithmen in Ihre bestehende IT-Landschaft? Wie stellen Sie sicher, dass Ihre Mitarbeiter diese Vorhersagen und Vorschläge zur richtigen Zeit haben, um einfacher und effektiver zu arbeiten? Dieser Artikel behandelt mehrere konkrete technische Tipps zur erfolgreichen Integration von KI-Entscheidungsmaschinen in Versicherungssysteme.

Definition einer erfolgreichen Integration

Ich bin fest davon überzeugt, dass IT-Themen immer einem Geschäftsziel dienen müssen. Eine erfolgreiche Integration beginnt immer mit der Frage: ‚Wann ist diese Integration erfolgreich?‘ Das Erstellen einer User Story kann dabei helfen, zum Beispiel:

„Als [Digital Marketer bei der Underwriting-Agentur X] möchte ich [wöchentlich wissen, welche Kunden ein zusätzliches Produkt Y benötigen], damit ich [eine gezielte automatische Marketingkampagne für diese Gruppe einrichten kann] mit dem Ziel, [wöchentlich (neue) Leads für meine Außendienstmitarbeiter zu generieren].“

Dies ist ein guter Ausgangspunkt, um den technischen Experten zu präsentieren, was von ihnen erwartet wird. In der Regel folgen weitere Fragen:

• Welche spezifischen Informationen möchte der Nutzer sehen?
• Wie oft sollte es aktualisiert werden?
• Wie messen wir den Erfolg dieser automatischen Kampagnen?

Durch das Stellen und Beantworten dieser Fragen identifiziert das Team auf natürliche Weise den Rahmen einer erfolgreichen Integration. Dies ist keine Ein-Mann-Arbeit: Es ist wichtig, dass sowohl Geschäfts-/Nutzer- als auch technische Experten in dieser Übung vertreten sind!

Analyse der bestehenden IT-Landschaft

Eine erfolgreiche Integration beginnt mit einer gründlichen Analyse der bestehenden IT-Infrastruktur. Viele Integrationsversuche scheitern aufgrund mangelnden Verständnisses der aktuellen Systeme, was zu Kompatibilitätsproblemen führt. Mit welchen bestehenden IT-Systemen, Datenbanken und Schnittstellen muss der KI-Algorithmus „zusammenarbeiten“? Welche Datenmengen müssen übertragen werden? Wann und wie schnell?

(Eine erfolgreiche Integration bedeutet, Synergie zwischen Backend- und Frontend-Systemen zu schaffen.)

In der Praxis bedeutet dies, mit verschiedenen IT-Partnern von Backend- und Frontend-Systemen zusammenzuarbeiten und sich abzustimmen. Beginnen Sie frühzeitig mit dieser Bestandsaufnahme und beziehen Sie alle (externen) Stakeholder in Ihre Pläne ein. Wenn Sie nicht die Zeit oder die Ressourcen dafür haben, beauftragen Sie einen Ihrer IT-Partner, dieses Projektmanagement für Sie zu übernehmen. Schließlich ist dies ihre Expertise!

Klar, skalierbar und agil

Leider habe ich oft Organisationen mit innovativen Plänen gesehen, deren IT-Landschaft zu starr war. Entwerfen Sie daher eine modulare und skalierbare Architektur, um zukünftige Erweiterungen und Änderungen zu ermöglichen und sicherzustellen, dass Ihre Organisation agil bleibt. Heutzutage ist es Best Practice, Microservices-Architekturen zu verwenden, bei denen jede Funktionalität als separater Service läuft. Dies erleichtert es, neue Elemente hinzuzufügen, zu ersetzen oder zu aktualisieren, ohne die gesamte Infrastruktur zu überarbeiten.

Konsistenz und Qualität

Datenqualität ist entscheidend für den Erfolg von KI. Viele KI-Systeme performen schlecht aufgrund inkonsistenter, unvollständiger oder veralteter Daten. Implementieren Sie daher eine Datenreinigungs- und Vorverarbeitungspipeline, um sicherzustellen, dass alle Daten, die an die KI-Entscheidungsmaschine gesendet werden, sauber und aktuell sind. Automatisierte Tools zur Datenintegration und -validierung können helfen, die Zuverlässigkeit der KI-Ergebnisse sicherzustellen. Verwenden Sie ETL (Extract, Transform, Load)-Prozesse, um Daten aus verschiedenen Quellen zu extrahieren, in ein einheitliches Format zu transformieren und in ein zentrales Datenrepository zu laden. Dies gewährleistet einen reibungslosen Datenfluss, der für das erfolgreiche Training und die Nutzung von KI-Modellen unerlässlich ist.

Testen, Validieren und Überwachen

Gründliches Testen und Validieren ist unerlässlich, um sicherzustellen, dass KI-Modelle innerhalb der bestehenden Systeme korrekt funktionieren. Unzureichendes Testen kann zu Fehlern und unerwarteten Problemen nach dem Go-Live führen. Führen Sie daher umfangreiche Tests in einer simulierten Umgebung durch, die die Produktionsumgebung nachbildet. Validieren Sie die Ergebnisse der KI-Modelle mit historischen Daten und Szenarioanalysen. Beziehen Sie Endbenutzer in die Testphase ein, um sicherzustellen, dass die Modelle den Geschäftsanforderungen und Benutzerbedürfnissen entsprechen.

Verwendung von APIs

APIs (Application Programming Interfaces) sind unerlässlich, um KI-Entscheidungsmaschinen mit bestehenden Systemen zu verbinden. Ohne standardisierte Schnittstellen kann die Kommunikation zwischen den Systemen ineffizient und problematisch sein. Durch die Entwicklung und Implementierung von APIs, die Daten empfangen und senden können, wird die Integration flexibel und skalierbar. Dies stellt sicher, dass die KI-Entscheidungsmaschine robust mit Backoffice- und Frontoffice-Systemen kommunizieren kann.

Sicherheit und Datenschutz

Datensicherheit ist entscheidend, insbesondere angesichts der sensiblen Natur von Versicherungsdaten. Unzureichende Sicherheit kann zu Datenschutzverletzungen führen, was den Verlust des Kundenvertrauens und Verletzungen der Privatsphäre zur Folge haben kann. Verwenden Sie daher nur die Daten, die wirklich notwendig sind, und anonymisieren Sie so viel wie möglich. Wenn Sie bestimmte sensible Daten wirklich benötigen, wenden Sie Verschlüsselung an. Stellen Sie sicher, dass alle Datenübertragungen zwischen Systemen und der KI-Entscheidungsmaschine über eine verschlüsselte Verbindung erfolgen. Verwenden Sie Zugangskontrollen und Protokollierung, um die Datensicherheit und die Einhaltung von Vorschriften zu gewährleisten.

Fazit

Eine gründliche Integration ist eine Voraussetzung dafür, dass KI erfolgreich in Ihrer Organisation ankommt. Sie müssen nicht nur ein skalierbares Geschäftsszenario und den Nutzer berücksichtigen, sondern auch an Agilität, Sicherheit, Datenschutz und Qualität denken. Daher benötigen Sie ein Team mit verschiedenen Kompetenzen und müssen sich mit IT-Partnern abstimmen und zusammenarbeiten.

Stellen Sie zunächst sicher, dass Sie oder jemand in Ihrer Organisation ein klares Verständnis des geschäftlichen Rahmens einer erfolgreichen Integration haben. Machen Sie dies explizit, damit Sie es vermitteln können. Bestimmen Sie dann jemanden, der für die Umsetzung und das zugehörige Projektmanagement verantwortlich ist. Wenn Sie keine Ressourcen dafür freistellen möchten oder können, können Sie leicht einen Ihrer vertrauten IT-Partner dafür engagieren. Sie können sich dann auf Ihr Kerngeschäft konzentrieren!

„Es ist einfach, einen selbstlernenden Algorithmus zu erstellen. Herausfordernd ist es, eine selbstlernende Organisation zu schaffen.“ – Satya Nadella, CEO von Microsoft

Zusammenfassend: Das Erfinden, Bauen und Validieren eines robusten Algorithmus ist nur Phase eins der erfolgreichen Implementierung von KI in der Praxis. In der nächsten Ausgabe werden wir darauf eingehen, wie man ihn in bestehende IT-Systeme und Arbeitsabläufe integriert.