Chancen und Grenzen von künstlicher Intelligenz in der Dubiosfallerkennung

Chancen und Grenzen von künstlicher Intelligenz in der Dubiosfallerkennung

669 Views

Thanks! Share it with your friends!

URL

You disliked this video. Thanks for the feedback!

Sorry, only registred users can create playlists.
URL

Description:

Laut einer Studie des GDV sind ca. 9 % aller Schadenfälle sog. Dubiosfälle, von denen aber nur ein Teil einen Versicherungsbetrug darstellen. Es liegt im Interesse der Kunden und ihres Versicherers, dass Dubiosfälle professionell bearbeitetund aufgeklärt werden, da die Schadenbelastung aus ggfs. nicht erkannten Betrugsfällenzu einem höheren Durchschnittsbeitrag und damit zu Wettbewerbsnachteilen für den Versicherer führt. Bisher werden Dubiosfälle vor allem regelbasiert über Indikatoren gefunden. Diese Indikatoren werden aus Erfahrungswerten abgeleitet und haben bekannte Stärken und Schwächen. Ergänzend zu regelbasierten Indikatoren gibt es die Möglichkeit, dass mit Hilfe eines Algorithmus eine Einschätzung über „dubios oder nicht“ vorgenommen wird. Studienergebnisse zeigen, dass sich in diesem Kontext vor allem Verfahren des maschinellen Lernens als deutlich stabiler und erfolgsversprechender zeigen als klassische statistische Methoden. Unabhängig, ob KI oder nicht, handelt es sich bei der Dubiosfallerkennung um ein binäres Klassifikationsproblem. Bei der Lösung dieser Problemstellung treten einige Herausforderungen auf, wie beispielsweise die geringe Anzahl von Dubiosfällen oder die vielen nicht identifizierten Dubiosfälle in den Trainingsdaten. Zudem ist die Einschätzung „dubios oder nicht“ insbesondere zu Beginn einer Triage, wenn der Informationsstand zu einem Schaden meist gering ist, sehr wertvoll und kann dem gezielten Einsatz von spezialisierten Sachbearbeitern dienen. Im Vortrag wird nach einer Einführung die Herangehensweise und Bearbeitung der Dubiosfallerkennung mit lernenden Verfahren im Rahmen eines Forschungs-& Entwicklungsprojekts entlang einer großen Menge von anonymisierten KH- und Kasko-Schadendaten dargestellt. Neben dem Data Preprocessing werden überblicksmäßig verschiedene verwendete Ansätze des maschinellen Lernens vorgestellt, sowie Ergebnisse und Einschätzungen dazu diskutiert. Ein Schwerpunkt bei der Vorstellung der Verfahren wird bei der Technik der neuronalen Netze gesetzt. Abschließend werden die verwendeten Frameworks (mit / ohne die Verwendungvon KI-Standardbibliotheken) vorgestellt. Dabei wird auf die Chancen und Herausforderungen, welche bei einer eigenen Implementierung im .NET-Framework entstanden sind, eingegangen.

Post your comment

Sign in or sign up to post comments.
Be the first to comment