Maschine Learning gewinnt bei Versicherungen an Akzeptanz. Mit dem Konzept Machine Learning Operations lässt sich die Komplexität der Data-Science-Abläufe im Zaum halten, argumentiert der Softwareanbieter Fadata.
Versicherer setzen aktuell Machine Learning hauptsächlich im Vertrieb und im Marketing. Beispiele sind Chatbots oder Conversational Artificial Intelligence. Auch in den Kernversicherungssystemen kommen die zum Machine-Learning gehörenden Technologien zum Einsatz, etwa beim Bearbeiten von Krankenversicherungsansprüchen oder bei der automatisierten Fallbearbeitung bei Sachversicherungen. Machine Learning hilft bei der automatisierten Analyse von Schadensfotos oder beim Extrahieren von Informationen aus unstrukturierten Daten. Es lassen sich damit Betrugsversuche aufdecken, und die Schadensregulierung wird genauer.
Das Entwickeln, die Integration, der Betrieb und die kontinuierliche Pflege der Modelle für Machine Learning ist allerdings mit hohen Herausforderungen verbunden. Für Versicherer ist dies ein nicht zu unterschätzender Aufwand. Unterstützung bietet hierbei der Ansatz Machine Learning Operations. Dieses Verfahren beinhaltet einen funktionsübergreifenden und iterativen Prozess, der die Data-Science-Abläufe standardisiert. Das Vorgehen umfasst die Verwaltung des gesamten Lebenszyklus der Modelle, von der Softwareentwicklung über die Analyse von Geschäftsmetriken bis hin zum Betrieb.
Entwickeln, betreiben und überwachen
Versicherer können mit Machine Learning Operations die analytischen Modelle für das Maschinelle Lernen effizient bereitstellen, verwalten und warten sowie sicher überwachen. Data Scientists werden in diesem Verfahren entlastet. Generell bietet Machine Learning Operations eine ganzheitliche Prozessunterstützung. Der Softwareanbieter Fadata verweist auf vier Leistungsmerkmale dieses Verfahrens:
- Der Bereitstellung vereinfachen und beschleunigen
Beim Entwickeln von Machine-Learning-Lösungen können unterschiedliche Bibliotheken, Frameworks und Programmiersprachen zum Einsatz kommen. Bei der Bereitstellung bringt das oft Schwierigkeiten mit sich. Mit Machine Learning Operations lässt sich das Deployment von Modellen aus verschiedenen Frameworks standardisieren, vereinfachen und beschleunigen.
- Analytische Modelle effizient überwachen
Herkömmliche Software-Monitoring-Tools sind nur selten optimal für Machine Learning ausgelegt. Für Unternehmen ist es daher wichtig, dass sie mehrere Überwachungsverfahren nutzen, die speziell für Maschinelles Lernen entwickelt wurden. Machine Learning Operations bietet die passenden Monitoring-Möglichkeiten. Dazu zählen etwa die Bereitstellung modellspezifischer Metriken, das Erkennen von Datendrifts, das Evaluieren der Modellperformance oder die Ressourcenverwaltung.
- Den Lebenszyklus analytischer Modelle verwalten
Der Lebenszyklus der Modelle für Machine Learning umfasst einen mehrstufigen Ansatz. Es geht dabei um Aspekte wie Modellerstellung, kontinuierliche Integration, Bereitstellung, Orchestrierung, Governance, Überwachung oder Diagnose. Das Erstellen einer performanten Machine-Learning-Lösung geht demnach weit über die reine Entwicklung hinaus und umfasst zum Beispiel auch die Wartung der Modelle mit laufenden Aktualisierungen und einer kontinuierlichen Verbesserung. Diese Änderungen dürfen dabei nicht zu einer Unterbrechung des Geschäftsbetriebs führen. Mit Machine Learning Operations lässt sich dies sicherstellen.
- Vorschriften und Compliance garantieren
Die Verfahren von Machine Learning Operations umfassen unter anderem Rückverfolgbarkeit, Zugriffskontrolle und Audit-Trails zur Qualitätssicherung. So können Anwenderunternehmen Risiken minimieren, unerwünschte Änderungen unterbinden und die Einhaltung von Vorschriften durchsetzen.
„Aufgrund zahlreichen Vorteile – von der Prozessoptimierung und -automatisierung bis zur Erhöhung der Mitarbeiterproduktivität – wird Machine Learning bei Versicherern bald zum Standard gehören“, erläutert Dr. Eike Schmidt, Chief Technology & Product Officer von Fadata. „Mit Machine Learning Operations lässt sich die Komplexität der analytischen Verfahren im Zaum halten. Versicherer können damit Ablaufschritte automatisieren und überwachen, einschließlich Integration, Testing, Release-Management, Deployment und Infrastruktur-Verwaltung.“ Jürgen Frisch
