Diese Arbeit verfolgt das Ziel einer allgemeinen Einführung in die Thematik der künstlichen Intelligenz mit Spezifizierung und Blick auf die Versicherungsindustrie. Es wird versucht, mithilfe von Anwendungsbeispielen vereinfacht darzustellen, welche Möglichkeiten und Grenzen vorhanden sind.
Zunächst wird der Begriff definiert und die historischen Entwicklungen beschrieben, es werden die zugrundeliegenden Methoden kurz technisch erklärt und klassische künstliche Intelligenzen dargestellt. Diese Kapitel dienen zur Grundlage und dem Verständnis, um im weiteren Verlauf fokussiert auf die Anwendung der KI durch die Versicherungsindustrie einzugehen und Anwendungsbeispiele erklärbarer vorzustellen. Es wird ein Überblick der verschiedenen KI-Möglichkeiten, von Natural-Language-Processing Bots, welche einfache tägliche Aufgaben unterstützen können bis zu Tiefen neuronalen Netzen (TNN), welche ganz neuen Sparten eröffnen können, vermittelt. Zudem wird auch ein Blick auf künstliche Intelligenzen als „Blackbox“ gemacht. Das heißt, die intransparenteren Funktionsweisen von künstlichen Intelligenzen wurden behandelt und dafür werden kurz ein paar Beispielsmethoden gezeigt, um diese erklär- bzw. interpretierbarer zu machen.
Abschließend wird auf die Risiken und die Grenzen, die eine Implementierung der künstlichen Intelligenzen mit sich trägt, eingegangen. Hier wird die Sichtweise von Versicherungsunternehmen und Versicherungsnehmer betrachtet und auch auf rechtliche Schwerpunkte und Regularien kurz eingegangen.
Inhaltsübersicht
1 Einleitung
2 Künstlicher Intelligenz
2.1 Die Historie
2.1.1 Die Ⅰ. Phase (Mitte 1950ger - Mitte 1960ger)
2.1.2 Die Ⅱ. Phase (Mitte 1960ger – Mitte 1970ger)
2.1.3 Die Ⅲ. Phase (Mitte 1970ger- Mitte 1980ger)
2.1.4 Die Ⅳ Phase (ab 1980)
2.2 Begriffserklärung
2.3 Starke und schwache künstliche Intelligenzen
3 Grundlagen künstlicher Intelligenz
3.1 Big Data
3.2 Maschinelles Lernen
3.3 Methoden
3.3.1 Überwachtes Lernen
3.3.1.1 Baumverfahren
3.3.1.2 . Lineare Regression
3.3.1.3 Generalized Linear Models und Generalized Additive Models
3.3.1.4 Neuronale Netzwerke
3.3.1.5 Deep Learning
3.3.2 Unüberwachtes Lernen
3.3.2.1 K-Means-Clustering und Anomalieerkennung
4 Interpretierbarkeit der Verfahren
4.1 Begriffserklärung
4.2 Model-agnostische Verfahren
4.2.1 Globale Verfahren
4.2.2 Lokale Verfahren
4.2.3 Spezielle Verfahren für neuronale Netzwerke
5 Versicherungsindustrie
5.1 Risikobeurteilung durch Underwriting
5.2 Anwendungsbeispiel in der Lebensversicherung
5.2.1 Risikobeurteilung und Tarifierung auf Basis vom Mortality Modell
5.2.2 Risikobeurteilung und Tarifierung auf Basis von Bilderkennung
5.3 Anwendungsbeispiele im kommerziellen Sektor
5.3.1 Risikobeurteilung und Tarifierung auf Basis von Telematikdaten
5.3.2 Schadenprävention auf Basis von Daten vernetzter Dinge
5.4 Möglichkeiten und Chancen
5.5 Risiken
5.5.1 Mit Blick auf Versicherungsunternehmen
5.5.2 Mit Blick auf Versicherungsnehmer
5.6 Grenzen
5.7 Hürden
6 Fazit
Zielsetzung & Themen
Die Arbeit untersucht das Potenzial und die Grenzen des Einsatzes von Künstlicher Intelligenz in der Versicherungsindustrie, insbesondere im Bereich der Risikobeurteilung und Tarifierung. Ziel ist es, aufzuzeigen, wie KI-Technologien Prozesse effizienter gestalten können, während regulatorische, technische und ethische Herausforderungen kritisch beleuchtet werden.
- Grundlagen moderner KI-Methoden wie Machine Learning und Deep Learning.
- Analyse der Interpretierbarkeit von KI-Verfahren im Kontext von Black-Box-Modellen.
- Konkrete Anwendungsbeispiele wie Mortality-Modelle, Bilderkennung und Telematik.
- Diskussion von Risiken, Chancen und regulatorischen Hürden für Versicherer und Versicherungsnehmer.
Auszug aus dem Buch
3.3 Methoden
Viele der Methoden des maschinellen Lernens sind ähnlich klassischer Statistik, doch es gibt auch einige bedeutende Unterschiede bei der Herangehensweise, insbesondere bei der Konkretheit der Modellverwendung und Modelldiagnose33. Klassische Statistik unterstellt einem Modell funktionale Zusammenhänge zwischen den erklärenden und den Zielvariablen. Die Parameter werden durch Maximierung der Likelihood auf Basis der gesamten Datenmenge gesucht. Die Güte wird durch die Likelihood bestimmt. Und es kann keine klare Trennung zwischen Überdisposition und Missfits gelingen. Im maschinellen Lernen werden diese Zusammenhänge hingegen durch Probieren in einem Trainingsdatensatz ermittelt und die eigentliche Auswahl von funktionalen Zusammenhängen geschieht gemäß der Erklärungskraft auf den Testdaten. Somit wird die Gefahr eines Missfits reduziert, aber es verringert auch das eigentliche Verständnis.34
Es gibt also eine Vielzahl von verschiedenen maschinellen Lernverfahren. Jedes mit seinen eigenen Vor- und Nachteilen. Größeren Einfluss als die Auswahl des Verfahrens hat jedoch die Vorarbeit bzw. die gründliche Vorbereitung der Daten. Denn oft werden auf einen Datensatz mehrere maschinelle Lernverfahren angewandt und die leistungsfähigen dann weiter optimiert. Dafür gibt es mehrere hundert bis tausendTrainingsdurchläufe, welche meist von Sekunden bis hin zu wenigen Minuten dauern. Dies hängt mit den Verfahren, der Größe und Komplexität des Datensatzes zusammen.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in die Bedeutung der künstlichen Intelligenz in der Gesellschaft ein und formuliert das Ziel der Arbeit, deren Anwendung, Chancen und Risiken in der Versicherungsindustrie zu untersuchen.
2 Künstlicher Intelligenz: Das Kapitel beschreibt die historische Evolution der KI in vier Phasen, definiert wesentliche Begriffe und differenziert zwischen schwacher und starker KI.
3 Grundlagen künstlicher Intelligenz: Hier werden die technologischen Voraussetzungen, insbesondere Big Data und verschiedene Methoden des überwachten sowie unüberwachten Lernens, technisch erläutert.
4 Interpretierbarkeit der Verfahren: Dieses Kapitel thematisiert die Notwendigkeit von Erklärbarkeit in komplexen Modellen und stellt globale sowie lokale, model-agnostische Verfahren zur Interpretation vor.
5 Versicherungsindustrie: Das Hauptkapitel untersucht konkrete Anwendungsszenarien wie Underwriting, Lebensversicherungen und Telematik, diskutiert dabei Chancen und Risiken sowie regulatorische und technische Hürden.
6 Fazit: Das Fazit fasst die Erkenntnisse zusammen, betont den Wandel der Versicherungsbranche durch KI und unterstreicht die Notwendigkeit weiterer Forschung und Regulierung.
Schlüsselwörter
Künstliche Intelligenz, Maschinelles Lernen, Versicherungsindustrie, Risikobeurteilung, Big Data, Underwriting, Deep Learning, Interpretierbarkeit, Telematik, Schadensprävention, Algorithmen, Datenschutz, Modell-agnostische Verfahren, Lebensversicherung.
Häufig gestellte Fragen
Worum geht es in dieser Bachelorarbeit grundsätzlich?
Die Arbeit analysiert die Möglichkeiten und Grenzen des Einsatzes Künstlicher Intelligenz, um spezifische Prozesse in der Versicherungsindustrie, insbesondere die Risikobeurteilung, zu modernisieren.
Welche zentralen Themenfelder behandelt die Arbeit?
Sie deckt die technologischen Grundlagen der KI, Methoden zur Modellinterpretierbarkeit, praktische Anwendungsbeispiele in verschiedenen Versicherungssparten sowie die damit verbundenen Risiken und ethischen Fragen ab.
Was ist das primäre Ziel der Untersuchung?
Ziel ist es, einen Überblick zu geben, wie KI-Anwendungen die Effizienz von Versicherern steigern können und welche Auswirkungen dies auf Transparenz und die Situation der Versicherten hat.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit basiert auf einer theoretischen Analyse und Aufarbeitung von Fachliteratur sowie der Untersuchung technischer Methoden des maschinellen Lernens und deren Transfer in die Versicherungspraxis.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die technologischen Grundlagen, Verfahren zur Erklärbarkeit von KI-Modellen sowie eine vertiefte Analyse von Einsatzgebieten der KI bei der Risikobewertung und Preiskalkulation in Versicherungen.
Welche Schlagworte charakterisieren diese Arbeit?
Wichtige Begriffe sind Künstliche Intelligenz, Risikobeurteilung, Underwriting, Big Data, Maschinelles Lernen, Interpretierbarkeit und regulatorische Anforderungen.
Wie nützlich ist KI konkret für das Underwriting in der Lebensversicherung?
KI ermöglicht eine automatisierte und datengestützte Risikoklassifizierung (z.B. mittels Mortality Modellen), was die manuelle Bearbeitungszeit erheblich verkürzen und fundiertere Entscheidungen unterstützen kann.
Welche Bedenken gibt es hinsichtlich der Datennutzung im Versicherungskontext?
Es bestehen Risiken durch Datenmanipulation, Cyberangriffe, mögliche Diskriminierung durch Clustering und eine Einschränkung der Wahlfreiheit für Versicherungsnehmer, wenn die Datenteilung Voraussetzung für bezahlbare Tarife wird.
- Arbeit zitieren
- Max Manek (Autor:in), 2022, Risikobeurteilung in der Versicherungsindustrie durch Künstliche Intelligenz, München, GRIN Verlag, https://www.grin.com/document/1254901
