Nutzung von künstlicher Intelligenz für die automatische Bildanalyse

Information ist Trumpf! Versicherungsgesellschaften saugen jeden Tag Terabytes an Informationen in Form von digitalen Daten auf. Aus einer immer weiter wachsenden Zahl von Quellen werden wertvolle Daten gewonnen, mit denen sich zu versichernde Risiken und Schadensforderungen schnell und zuverlässig beurteilen lassen. So lassen sich unerwünschte Risiken und betrügerische Schadensforderungen herausfiltern. Um derartig große Datenmengen verarbeiten und in anwendbares Wissen umsetzen zu können, ist modernste Technologie nötig – intelligente Softwareprogramme, die in der Lage sind, die Daten in kurzer Zeit zu verarbeiten, selbst schnell zu lernen, intelligente Schlussfolgerungen zu ziehen und Empfehlungen auszusprechen. Kurz gesagt: Programme, die alles können, was der Mensch kann, aber um ein Vielfaches schneller und effizienter. Derartige Software fällt in den Bereich der künstlichen Intelligenz (KI).

Drei Arten von KI

Grob gesagt gibt es drei verschiedene Arten von künstlicher Intelligenz. Zur ersten Art zählt Software, die für jedermann zugänglich ist. Man nennt sie auch "allgemeine"  KI. Beispiele dafür sind Systeme für die Verarbeitung natürlicher Sprache oder die Gesichtserkennung sowie Augmented-Reality-Anwendungen, bei der die Software die reale Welt erkennt und um Informationen aus der virtuellen Welt anreichert. Bestimmte Dienste aus dem Bereich der allgemeinen KI werden auch für die Unterstützung von spezifischen Prozessen genutzt, die in eine der beiden anderen KI-Kategorien fallen.

Die zweite Kategorie bezieht sich auf spezifische Produkte und wird dementsprechend als produktbasierte KI bezeichnet. Hier ist zum Beispiel an Systeme zu denken, die Computerviren erkennen und unschädlich machen, während andere Spam aus dem E-Mail-Eingang filtern oder – um auch ein Beispiel aus der Versicherungswelt zu nennen – bestimmte wiederkehrende Betrugsmuster erkennen können. Das ist für uns natürlich sehr nützlich. Die KI lernt anhand von Informationen über frühere Betrugsfälle immer mehr dazu und wird immer besser bei ihrer Aufgabe. Die Systeme lernen also durch ihre Arbeit und durch das Feedback der zahlreichen Anwender dazu.

Die dritte Form der künstlichen Intelligenz ist maßgeschneiderte oder anwendungsspezifische KI ("Custom AI" oder "Domain Specific AI"). Hier wird die bereits auf das Erkennen von Betrugsmustern trainierte KI an das Straight Through Processing (STP) und die speziellen Merkmale des jeweiligen Versicherers (spezielle Produkte, Zielgruppen, Vertriebskanäle und die in der Schadenssachbearbeitung verwendeten Prozesse) angepasst. Bei jedem einzelnen Versicherer prüfen wir, wie sich KI am besten in die betrieblichen Prozesse integrieren lässt.

KI und Bildanalyse

KI spielt ihre Vorteile häufig dann am besten aus, wenn alle drei Arten miteinander kombiniert werden, etwa wenn bei der Analyse des Bildmaterials in einer STP-Umgebung eine KI-Lösung genutzt wird, die gleichzeitig eine Betrugserkennung ermöglicht. Bei Versicherern gehen häufig enorme Mengen an Bildmaterial für die Veranschaulichung und Bearbeitung von Schadensforderungen ein, etwa wenn es darum geht, die Legitimität einer Forderung zu überprüfen. Die Fotos kommen dabei vom Versicherungsnehmer selbst, von Außendienstmitarbeitern, von Reparaturbetrieben oder Gutachtern. Die Fotos können den Schaden selbst kenntlich machen (Unfallschäden, Glasbruch, Brandschäden) oder dem Nachweis dienen, dass der Versicherungsnehmer gestohlene oder verlorene Sachen (Schmuck, Kleidung, Kameras etc.) tatsächlich besessen hat.

Beurteilung von Schadensforderungen

Um das Bildmaterial einwandfrei auswerten zu können, muss sichergestellt sein, dass wirklich die richtigen Fotos übermittelt werden, die das beschädigte Objekt aus allen erforderlichen Blickrichtungen zeigen. Ferner muss überprüft werden, dass der auf dem Foto gezeigte auch tatsächlich der versicherte Gegenstand ist und dass keine früheren Schäden unberechtigt mit in die Schadensforderungen aufgenommen wurden. Auch muss sichergestellt werden, dass das Foto nicht schon einmal als Beleg für einen anderen Schaden vorgelegt, aus dem Internet heruntergeladen oder manipuliert wurde. Schließlich müssen der Schaden und die Schadenskosten festgestellt werden: Handelt es sich um einen Totalschaden? Wie groß ist der Brandschaden? Sind Besonderheiten erkennbar, die auf einen Betrug hinweisen können?

Diese Analyse kann durch Anwendung der drei verschiedenen Arten von künstlicher Intelligenz vorgenommen werden. Die allgemeine KI wird mithilfe von Millionen Bildern darauf trainiert, allgemeine Objekte wie Autos, Fenster, Gebäude etc. auf Fotos identifizieren zu können. Die enorme Rechenleistung und die riesige Menge an Trainingsdaten machen es möglich, dass diese Analyse rasend schnell und mit großer Treffsicherheit durchgeführt werden kann. Die produktbasierte KI wird anhand spezifischer Schadensforderungen (zum Beispiel für Glasschäden) darin geschult, die Schadenshöhe festzustellen und etwaige Betrugsversuche zu erkennen.

Maschinelles Lernen

In einem letzten Schritt kann die anwendungsspezifische KI mit verschiedenen Algorithmen zum maschinellen Lernen im Umgang mit den speziellen Prozessen des jeweiligen Versicherers geschult werden. Die Kombination der drei Arten von KI erlaubt eine optimale und äußerst effiziente Bearbeitung der Schadensforderung. Je länger die KI diese Arbeit übernimmt und dabei mit immer mehr Daten und Feedback über die Sachbearbeitung gefüttert wird, desto schneller und zuverlässiger verrichtet sie ihre Dienste. So wird die Beurteilung von Schadensforderungen beschleunigt und kann in bestimmten Fällen (beim STP) sogar vollständig automatisch ablaufen. Betrügerische Schadensforderungen werden mehr und mehr herausgefiltert. Neben der Bildanalyse sind noch zahlreiche weitere Formen künstlicher Intelligenz, die die Risikoanalyse und Betrugserkennung von Versicherungsunternehmen erheblich verbessern können, bereits jetzt verfügbar oder in der Entwicklung. In weiteren Beiträgen möchte ich dieses Thema mit einigen auf unseren eigenen Erfahrungen basierenden Fallbeispielen noch detaillierter betrachten.