Generative KI: Aktuelle Entwicklungen und Anwendungsfälle im Versicherungswesen
Bence Lukacs, Produktexperte beim digitalen Innovationspartner Supercharge, bewertet das Potenzial der generativen KI und überlegt, was Initiativen wie ChatGPT für die Zukunft der Versicherung bedeuten könnten.
Kaum eine technologische Entwicklung hat in den letzten Jahren so viele Diskussionen ausgelöst wie das Wachstum der künstlichen Intelligenz (KI). Die KI, die in diesem Jahr nur selten aus den Schlagzeilen verschwunden ist, nimmt buchstäblich ein Eigenleben an, und mit der vielbeachteten Einführung von ChatGPT stehen wir vor großen Fragen über die Vorteile - und die Risiken - einer Technologie, die die Welt verändern könnte.
"Wir sind an einem Wendepunkt angelangt", sagt Bence Lukacs. "Mit der Schaffung von Large Language Models (LLMs) wie ChatGPT können wir so genannte 'Killertechnologie'-Anwendungen in allen Branchen entwickeln, nicht zuletzt im Versicherungswesen. Der Begriff bezieht sich auf eine radikale Innovation, die den Einsatz von Techniken oder Prozessen, die vor ihr eingesetzt wurden, schnell auslöschen wird. Bislang hat die KI in der Versicherungsbranche nur eine begrenzte Rolle gespielt, vor allem in spezifischen und engen Anwendungen, so dass sie nicht transformativ war. Mit der Verarbeitung natürlicher Sprache könnte die KI-Technologie jedoch Möglichkeiten für eine breite Palette neuer Anwendungsfälle eröffnen.
Die Macht der Sprache
Auch wenn der Name ChatGPT derzeit in aller Munde ist, ist es interessanter, die Technologie dahinter zu betrachten und zu sehen, wie Sprachmodelle eine breite Palette fortschrittlicher KI-Lösungen prägen. Wie Lukacs erklärt, ist ChatGPT ein Mitglied der Familie der generativen vortrainierten Sprachmodelle (daher die Abkürzung GPT).
"Generative KI umfasst KI-Modelle, die neue Texte, Bilder, Videos, Audios, Codes oder andere Datentypen auf der Grundlage des Materials erstellen können, auf dem sie trainiert wurden", sagt Lukacs. "ChatGPT ist ein Beispiel für LLMs, die ein Stück Text als Aufforderung oder Anweisung nehmen und dann eine wahrscheinliche Antwort generieren, die in den Kontext passt. Mit KI im engeren Sinne kann man nur begrenzte, spezifische Aufgaben erfüllen, während Sprachmodelle komplexe Aufgaben in einem viel breiteren Bereich durchführen können."
LLMs, die von einer wachsenden Zahl von Big-Tech-Unternehmen entwickelt wurden, verwenden einen Deep-Learning-KI-Algorithmus, der große Datensätze verarbeitet, um neue Inhalte zu generieren.
Geschulte Intelligenz
Wie Lukacs erklärt, beruht die Intelligenz der generativen KI auf ihrem umfangreichen anfänglichen Training auf einer riesigen Datenmenge - dem "vortrainierten" Element der Abkürzung GPT: "Wir sprechen von natürlicher Sprachverarbeitung", sagt er, "denn das ist es, was diese Sprachmodelle tun. Sie verarbeiten natürlichsprachlichen Text in jeder beliebigen Sprache, für die sie trainiert wurden. Sie folgen einer Anweisung, einer Aufforderung des Benutzers; das kann eine getippte Frage oder eine Anweisung sein, aus der das Modell eine Antwort auf der Grundlage der riesigen Menge an relevantem Text, auf den es trainiert wurde, generiert."
Lukacs fügt hinzu, dass man nicht nur auf große Mengen von Informationen aus dem öffentlichen Bereich, wie z. B. Internetinhalte, zurückgreifen kann, sondern auch das Wissen der Modelle mit eigenen Daten und Informationen erweitern kann. So könnte beispielsweise ein Versicherungsunternehmen einen Chatbot entwickeln, der Kunden bei der Beantwortung von Fragen zu einer Police hilft.
"Die Integration mit Ihren eigenen Datenquellen und Systemen wird eine entscheidende Stärke sein", erklärt Lukacs. "Wenn Sie ein Sprachmodell über eine API mit Ihren eigenen Systemen und Datenquellen verbinden, können Sie die erstaunlichen Fähigkeiten des KI-Modells für Ihre eigenen spezifischen Anwendungsfälle nutzen."
Anwendungsfälle in der Versicherung
Lukacs vertritt die Ansicht, dass generative KI in absehbarer Zeit die Notwendigkeit einer direkten menschlichen Beteiligung an kritischen Geschäftsprozessen nicht beseitigen wird. Aber es gibt viele Möglichkeiten, wie sie traditionelle Versicherungspraktiken ergänzen und verbessern kann. Mit Blick auf das aktuelle Interesse an der Technologie sieht Lukacs mehrere klare Vorteile der zugrunde liegenden Sprachmodellfamilie: "Auf der Basisebene könnte man hochflexible Chatbots für alltägliche Routineaufgaben in der Versicherungsbranche erstellen", sagt er. "Zum Beispiel die Zusammenfassung von Versicherungsdokumenten zur besseren Lesbarkeit und die Generierung von Antworten auf Kundenanfragen auf der Grundlage Ihrer eigenen Wissensdatenbanken. Mit einer einfachen Integration über APIs könnten Sie Schadensfälle analysieren und triagieren und einen GPT-fähigen Chatbot-Assistenten einsetzen. Und schließlich können Sie mit einer fortgeschrittenen API-Integration in Kernsysteme den Schaden- und Abwicklungsprozess automatisieren und die Angebotserstellung rationalisieren."
Verständnis der Risiken und Grenzen
Trotz der vielen positiven Aspekte der KI hören wir zunehmend von den Gefahren, die entstehen, wenn sie sich zu schnell und ohne die notwendigen Kontrollen entwickelt. Für Versicherer besteht das Risiko, dass sie sich zu sehr auf nicht-menschliche Interpretationen und Entscheidungen verlassen: "Wir müssen uns der Fehler und Verzerrungen bewusst sein", warnt Lukacs. Das nennen wir Halluzination oder Konfabulation. Dies ist der Fall, wenn das Modell falsche Antworten generiert, weil es kein tiefes semantisches Verständnis hat und stattdessen probabilistische Berechnungen verwendet, um Ergebnisse zu generieren. Das kann manchmal in die Irre führen, weshalb die menschliche Überwachung und Bewertung nach wie vor wichtig ist.
Bauen für die Zukunft
Lukacs zufolge sollten wir die neue Generation von KI-Modellen als Grundlagen betrachten, die kontinuierlich verfeinert und weiterentwickelt werden müssen, um sie für ihren Zweck tauglich zu machen: "Wenn man das GPT-Modell nimmt und ein domänenspezifisches Training anwendet, kann man seine Leistung und Genauigkeit bei sehr spezifischen Aufgaben steigern, z. B. bei der Erkennung von Betrug in einem Versicherungsfall oder bei der Beantwortung einer Anfrage zu einer Versicherungspolice", sagt er. "Mit zusätzlichen Anpassungen und Feinabstimmungen können Sie die Zuverlässigkeit und Leistung der Basismodelle für Ihre eigenen Anwendungsfälle erhöhen. Das ist die wahre Stärke dieser Modelle.
Supercharge is an innovation partner that helps clients realise the benefits of digital technology. It works worldwide across many industries, including insurance, and designs, engineers and scales digital products to make businesses fit for the future.
Blog posts
The uptake of chatbots in insurance
User questions
Answered questions
Unanswered questions
worldwide
Views: 7082
Downloads: 0
0 % | |
0 % | |
0 % | |
0 % | |
0 % |
Page is favored by 0 user.
Contact inquiries: 0