Operationalisierung von AI/ KI in der Versicherungsbranche - Dr Carsten Holtmann & Michael Ehrmantraut IBM Deutschland GmbH
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Operationalisierung von AI/ KI in der
Versicherungsbranche
Dr Carsten Holtmann & Michael Ehrmantraut
IBM Deutschland GmbH
e*Jahrestagung; 30. April 2021
e*Jahrestagung; 30. April 2021
Mehr als 50 Jahre Entwicklung im Bereich KI/ AI, 10 in Highspeed
2021: „Wille zum
Nichtbestehen?“
CAPTCHA
Seehafer/ Nörtemenn et al.
2021, zu M.-U. Kling/ (2017)
Quality Land
2018/19/20:
Google Duplex KI,
IBM Debator, …
Informationsverarbeitung und
Diskussionsfähigkeit in
natürlicher Sprache
… seit 2010 Massive Weiterentwicklung: Lernende & Cognitive Systeme
bei Tech Giants ... Data Scientists sexiest Job* ... KI StartUps & KI Cloud Services …
1950: Alan Turing 70/80er: Isolierte WBS 1997: Deep Blue 2011: Watson
Alan Turing Idee zur Unterscheidung Einzelsysteme für spezielle IBM Deep Blue schlägt den IBM’s Watson nimmt am TV Quiz
Mensch und intelligenter Maschine Anwendungsfelder (Wissens-basierte Schachweltmeister Garry Jeopardy teil und gewinnt gegen
Systeme), Erklärungsfähigkeit als Issue Kasparov bisherige Champions
1950s 1960s 1970s 1980s 1990s 2000s 2010s
2
*https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century
© 2018 IBM Corporation 2
e*Jahrestagung; 30. April 2021
Vers.-Unternehmerischer Wertanspruch an Daten und KI
2021 Illustration wichtiger Erfolgsfaktoren:
“Cognitive Enterprise” & „Smart Insurer“
C-Level Exec Business Executive
“Ist KI anwendbar in
meinem Business?“
„Hat KI konkretes
“Wie können wir das Potenzial für Szenario a,
Potenzial von KI in b, c?”
unserem Unternehmen
heben … “Wie können wir KI für
wie den Erfolg unserer die notwendige
Digitalisierungs-Agenda Transformation unserer
beschleunigen?“ Kernaktivitäten nutzen?” 2019/ https://is.gd/f5z4lu
2014/ https://is.gd/vmCTDh
2020/ https://is.gd/zPpH0v
“Wie kommen wir schnell
mit unseren Ideen und
Produkten an den Markt?” Intelligente Prozesse mit KI:
Daten-getrieben | Technologie-unterstützt | Menschen-zentriert
3
e*Jahrestagung; 30. April 2021
Agenda
Digitalisierung/ Operationalisierung/
Einführung Operationalisierung Industrialisierung Ausblick
durch KI von KI
4
e*Jahrestagung; 30. April 2021
1. Intelligente Prozesse – Daten Digitalisierung
Prozesse Beispiel
leben durch Personen,
die durch Technologie Unterstützung klassischer Sachbearbeitung
unterstützt werden
Mitarbeiter verbringen Zeit Lösungsoption
mit der Datenerfassung, der •Erweiterte Scanstraße, die Daten
individuellen Datensuche, digitalisiert bzw. Textlayer für alle
-bereinigung und -aufbereitung, Dokumenttypen erzeugen
bevor sie darauf Business è Task-relevante Daten in digitaler Form
Entscheidungen treffen können
Rolle der Technologie / KI
• Anwendungsfälle für KI
• Texterkennung/ OCR
• Handschrifterkennung
• Herausforderung
• Auswahl und Einführung hoch-
spezialisierter Lösungen
• Differenzierung
• Akuratheit der Erkennung
“Papier zu digital”
• … aber ggf. auch bspw. „Fuzzyness“ as a Feature, 5
um maschinelle Weiterverarbeitung intelligenter gestalten zu können
e*Jahrestagung; 30. April 2021
2. Intelligente Prozesse – Digitale Assistenz
Prozesse leben durch Personen, deren Beispiel
Kompetenz durch Technologie Unterstützung Kunden Helpdesk
erweitert wird
Lösungsoption
Mitarbeiter können effektiv(er) • Inputmanagementlösung
Entscheidungen treffen, die • Filterung und Routing mit Xtreme Search
ihnen durch teil- über „alle“ relevanten Daten Pools
automatisierte Prozesse und • „helle“ Archive
integrative Tools erleichtert = Entscheidungs-relevante Daten in
passenden Kontext
werden
Rolle der Technologie / KI
• Anwendungsfälle für KI
• Volltext Extraktion
• NLP, inkl. Stimmungserkennung
• Herausforderung
• Abdeckung von verschiedener (ggf. externen) Daten Quellen
• Nutzer-zentrische Integration (Konsistenz, Semantik …)
• Explizierung von bspw. Folgerungen/ Regeln
• Differenzierung
• Informationsplausibilität/ richtige Kontexterfassung
• Erklärungsfähigkeit 6
integriert & automatisierbar
e*Jahrestagung; 30. April 2021
3. Intelligentere Prozesse – Digitalisierte Prozesse
Prozesse leben durch Technologie und Beispiel
Automatisiertes Anfrageverarbeitung,
werden durch Menschen
bspw. Adresse
„gemanaged“
Mitarbeiter steuern Prozesse, die Lösungsoption Leitstand
weitgehend automatisiert • Routing
ablaufen, erhalten deutlich • Automatisierte Verknüpfung KI-
basierter Cross-Selling/ Kunden-
stärkere Rolle bei der
Profilierung, Annahme- und
Gestaltung, Überwachung und Risikoprüfung
vor allem Qualitätssicherung = „Straight-Through-Processing“
und Adaption der Technik
Rolle der Technologie / KI
• Herausforderung für KI
• Erklärungsfähigkeit und Nachvollziehbarkeit
• Rechenschaftspflichtigkeit und Robustheit
• Anwendungs-/ Prozess-/ Technologie-Systeme
• Differenzierung
• Modellqualität und -wartbarkeit
• Genauigkeit, Korrektheit, Sicherheit, Unbedenklichkeit
• Kontinuierliches Leben/ stetige Verbesserung
automatisiert und überwacht 7
e*Jahrestagung; 30. April 2021
Daten-getrieben, Technologie-unterstützt, Human-zentrisch
Ethik/ Politik/
Regulatorik
h
lic
ft
/
a
h ch
sch
sc is
ll
ni er
e
es
ch hm
G
Te ne
Daten Modelle Ergebnisse Bausteine
er
Zugänglich & Relevant & Richtig &
nt
Vielfältig &
divers erklärbar 8
U
robust integrierbar
e*Jahrestagung; 30. April 2021
Agenda
Digitalisierung/ Operationalisierung/
Einführung Operationalisierung Industrialisierung Ausblick
durch AI von AI
9
e*Jahrestagung; 30. April 2021
Typische Erwartungshaltung bzgl. KI
C-Level Exec Business Executive Data Science Lead Ops Team Lead Risk Team Lead
“Ist KI anwendbar in “Unsere Teams verwenden eine
meinem Business?“ Vielzahl von ML Werkzeugen; wir
benötigen ein konsistentes Modell
„Hat KI konkretes Management.”
“Wie können wir das Potenzial für Szenario a,
Potenzial von KI in b, c?” “Wir sollten die Entwicklungsdauer
unserem Unternehmen für KI von 9-12 Monaten auf 6-8
heben … “Wie können wir KI für Wochen reduzieren”
wie den Erfolg unserer die notwendige
Digitalisierungs-Agenda Transformation unserer
beschleunigen?“ “Es fehlt eine Integration in die
Kernaktivitäten nutzen?”
bestehenden CI/CD Prozesse”
“Wie kommen wir schnell
“Wie können wir den Ergebnissen
mit unseren Ideen und
Produkten an den Markt?” der KI Modelle wirklich vertrauen?”
10e*Jahrestagung; 30. April 2021
Eine AI Factory adressiert diese Herausforderungen
Analog einer Fabrik in der Industrie, liefert eine AI
Factory schnell und effizient zuverlässige KI
Lösungen.
Eine AI Factory kombiniert Daten, Mitarbeiter,
Prozesse und Technik, um die Experimentier-Phase zu
überwinden und KI als Basis für geschäftliche
Innovationen zu etablieren.
Erzielen von finanziellem Nutzen der KI Investments.
AI Factory basiert auf 4 Elementen:
1. Build AI
2. Trust AI
3. Use AI
4. Hybrid Cloud AI Platform
11e*Jahrestagung; 30. April 2021
Die AI Factory besteht aus 4 Elementen
Build AI
Operationalisierung
Wie entwickelt man effizient KI Modelle innerhalb eines
Unternehmens unter Verwendung einer kollaborativen und
Trust Use offenen Entwicklungsumgebung für Data Scientists.
Build
AI AI AI
Trust AI
Wie vertraut man KI Modellen in automatisierten Prozessen durch
Freigabeprozesse, Monitoring und Nachvollziehbarkeit.
DATA
Use AI
Wie nutzt man KI Modelle durch Integration in operative
Systeme außerhalb der typischen Plattformen wie z.B. System Z.
Hybrid Cloud AI
Platform Hybrid Cloud AI Platform
Wie setzt man Entwicklungs- / Test- / Trainings- und
Produktivumgebungen um, die Infrastruktur-agnostisch sind
Industrialisierung und sowohl technisch als auch finanziell skalieren
(è „consumption based model“) 12
12e*Jahrestagung; 30. April 2021
Build AI: Effiziente Entwicklung entlang des AI Lifecycles
Die industrialisierte
AI lifecycle automation
Entwicklung von KI
Data and AI governance erfordert die Trans-
Watson Knowledge
Catalog
Watson Studio Watson Studio Premium formation von
Organize Build, run and manage Optimize individuellen, lokalen
Catalog and prepare data
Data Science Arbeits-
Build and train AI models Optimize and simplify
decisions plätzen hin zu einer
gemeinsamen
Entwicklungsumgebung
mit gemeinsamen Kata-
logen und Repositories.
Manage and Deploy and run
operate AI models Dabei sind jedoch
trusted AI
etablierte Open Source
Available visually or programmatically Werkzeuge zu integrieren
und individuelle
Discovery Prediction Outcomes Anforderungen zu
Cloud Pak for Data
berücksichtigen, um
Aufwand und Risiko dieser
AutoAI Data pre-processing à Model analysis à Feature engineering à Hyperparameter optimization
Transformation zu
“AI automating AI” à Deploy minimieren.
13e*Jahrestagung; 30. April 2021
Trust AI: Vertrauen auf Basis unterschiedlicher Aspekte
AI Model Definition und Einführung eines KI
• Vertrauen in KI
• Monitoring und Validation Process Modell Validierungsprozesses, um
Optimierung von Anforderungen von Revision und Modelle wird über
Modellen, unabhängig wo Regulierungsbehörden zu adressieren ihren gesamten
sie bereit gestellt sind (on-
prem, Public Cloud, …) AI Model • Integration mit existierenden Lebenszyklus
• Fachliche Überwachung Monitoring Prozessen rund um devOps, Testen, hinweg erreicht:
Betrieb und Qualitätsüberwachung
von KI Modell Metriken, wie Zuerst beim
z.B. Richtigkeit und
Übergang von
Präzision
AI Model Entwicklung in
• Nachvollziehbarkeit und Lifecycle Produktion durch
Auditierbarkeit von
Vorhersagen durch KI Management klare Validierungs-
Modelle in produktiven
Anwendungen
• Definition und Einführung eines regeln und dann
KI Modell Lifecycles kombiniert mit
einem Daten Lifecycle
vor allem durch
eine
Automated BIAS AI Model • Integration existierender
weitreichende
Prozesse und Werkzeuge
and Drift detection Explainability fachliche Über-
• Automatische Erkennung von • Offenlegung von KI Modell Ergebnissen in wachung der
Fairness Problemen zur Laufzeit Geschäftssprache auf Anfrage von Kunden laufenden Ergeb-
• Intelligente Unterstützung zur und Regulierungsbehörden
Erkennung und Vermeidung von
nisse zur frühzei-
• Verständnis der Auswirkung von
Bias Eingabewerten auf das Ergebnis aller KI
tigen Erkennung
Modelle (strukturierte Daten, Text, Bilder, …) von Problemen. 14e*Jahrestagung; 30. April 2021
Use AI: Bringe die KI Modelle zu den operativen Systemen
Data Scientisten der Fachbereiche IT / Application Owners IT Entwickler
Entwicklung und Training von KI Modellen Erhalten Modelle und Assets Nutzen KI Modelle in
Bereitstellung der KI Modelle zur Nutzung durch IT Produktivsetzung der KI Modelle existierenden oder neuen
Anwendungen
Operationalize
Models in often
REST already
API existing
Managed to Invoke
Consume
& Deploy Production call
Deploy- Model Appli-
ments cations
Verschieben der
Infrastrukturgrenz
e
Public Cloud On-premises IBM Power & Z Public Cloud On-premises IBM Power & Z
Die Nutzung von KI Modellen über Technologie- bzw. RZ-Grenzen hinweg hat Auswirkungen sowohl auf
Antwortzeiten und Netzwerkbandbreiten als auch auf Aspekte wie Security und Regulatorik.
Die Konsolidierung der Produktions-Umgebung der KI Modelle mit den (aufrufenden) operativen
Systeme und deren Daten auf eine Infrastruktur/RZ minimiert diese Auswirkungen erheblich. 15e*Jahrestagung; 30. April 2021
Die AI Factory verbindet also ModelOps mit devOps
Data Scientisten
Trust Model der Fachbereiche
Analyze arbeiten mit den
Infuse Date Entwicklern der
Test Development
AI Model Refining IT über klar
building Data
definierte
Organize Schnittstellen
Model Data zusammen.
Continuous Delivery Continuous Delivery
of Applications Deployment Dadurch werden
of Models
(devOps) (ModelOps) etablierte, stabile
Acquiring Data/
Entwicklungspro-
New Requirements &
App
Engagement Big Data Monitoring Self Service zesse mit den
Deployment
Retraining besonderen An-
EDW
forderungen der
NO SQL
Generate Data Scientisten
Analytical Collect
Virtual Data Lake
nach Self-Service
Data Data
Operational Search for und ad-hoc
Data Data
Vorgehen
synchronisiert.
Open Source Support Microservices & APIs Governance
16e*Jahrestagung; 30. April 2021
Hybrid Cloud AI Plattform: Technische Basis der AI Factory
Watson Applications Die zugrundeliegende Hybrid
Anwendungen AI Use Cases Cloud AI Platform erlaubt
zum einen eine
Data Watson Watson Watson Infrastruktur-Transpa-
Virtualization Studio OpenScale Machine
Learning
renz zur Installation in
AI Factory unterschiedlichen
Funktionen
Umgebungen
Data Build AutoA Trust Use („deploy-everywhere“).
I
Darüber hinaus erlaubt sie
Governance Data & AI Watson eine technische und
Knowledge
Governanc Catalog finanzielle Skalierung
e durch Containerisierung und
„pay-per-use“, um
Cloud Pak for Data
Skalierung insbesondere Anforderun-
Hybrid Cloud AI Platform
gen der Fachbereiche
hinsichtlich Flexibilität
Transparenz und „Time-to-Market“ zu
adressieren.
„deploy-
everywhere“
Private Cloud IBM Public Cloud AWS Microsoft Azure Google Cloud Edge On-premises IBM Power & Z
17e*Jahrestagung; 30. April 2021
Digitalisierung mit KI braucht KI Operationalisierung
3
Ø Daten, Information und Methoden wie KI als elementaren
Kompetenz für Digitalisierung und Automatisierung | Ethische
Positionierung
C-Level Exec
Integriere
dein Modell
Ø Starte zwar mit kleinen Projekten und klarem
2
Nutzen
aber entwickle frühzeitig ein End-to-End Konzept,
Vertraue
Business Executive
um
deinem Modell
Vertrauen in KI zu entwickeln
Erstelle
Ø Eine vertrauenswürdige KI
erfordert vertrauenswürdige Daten
dein Modell
Ø also: Keine KI ohne Daten und KI Vertraue
Governance
1 Data Science
Lead deinen Daten
Kenne
deine Daten
Erreiche
deine Daten
KI Industrialisierung und Operationalisierung ist der
Schlüssel für Digitalisierte Prozesse.
18e*Jahrestagung; 30. April 2021
Agenda
Digitalisierung/ Operationalisierung/
Einführung Operationalisierung Industrialisierung Ausblick
durch AI von AI
19e*Jahrestagung; 30. April 2021
Die KI (Factory) fordert und fördert kooperatives Agieren
Unternehmens-weites Lösungen, Partner,
Agieren und „Engineeren“ Paradigmen: Hybrid
Mensch&KI – Hybrid Intelligence Cross Company Kooperation
https://prenode.de/de/
www.ksri.kit.edu/
20e*Jahrestagung; 30. April 2021
Interesse an weiterem Austausch!?
Dr Carsten Holtmann Michael Ehrmantraut
Direktor Solution Sales & Architects – Insurance & Banking Architect
Insurance D-A-CH Industry Business Development
Carsten.Holtmann@de.ibm.com ehrman@de.ibm.com
21e*Jahrestagung; 30. April 2021
Weiterführende Informationen
Smarter Versicher | Digitale Perspektiven IBM AI Community und Beispiel-Publikationen
https://is.gd/zPpH0v
IBM AI Assets zur freien Nutzung für wiss. Zwecke
IBM AI Developer Community: https://is.gd/Fq44VE
1. AI Fairness 360 URL: https://www.ibm.com/academic/technology/ibm-watson
2. Project Debater for Academic Use URL: https://www.ibm.com/academic/technology/ibm-watson
3. AI Explainability 360 URL: https://www.ibm.com/academic/technology/ibm-watson IBM Institute for Business Value: https://is.gd/UbYX0x
4. Adversarial Robustness Toolbox URL: https://www.ibm.com/academic/technology/ibm-watson
5. Causal Inference 360 URL: https://www.ibm.com/academic/technology/ibm-watson IBM Input Management Factory: https://is.gd/rTc3Cp
6. Trustworthy Generation 360 URL: https://www.ibm.com/academic/technology/ibm-watson
7. IBM Security SOAR URL: https://www.ibm.com/academic/technology/security
22Sie können auch lesen
