Eine der zentralen Herausforderungen des praktischen Einsatzes von Modellen und Implementierungen im Themengebiet der Actuarial Data Science besteht in ihrer Erklärbarkeit und Transparenz. Zusammen mit Fragen der Ethik und Akzeptanz sind die Hürden für einen produktiven und vor allem ökonomischen Einsatz von ML-Techniken für versicherungstechnische Anwendungen aufgrund der großen Reputationsimplikationen fraglos höher als in anderen Wirtschaftszweigen.
Die High Level Expert Group der Europäischen Kommission hat hierzu im zurückliegenden Jahr eine maßgebliche Empfehlung getroffen mit den "Ethics Guidelines for Trustworthy AI". Die dort getroffenen Vorschläge sind vorwiegend prinzipienorientiert und insbesondere nicht spezifisch auf die Versicherungswirtschaft angepasst.
Unter Berücksichtigung nationaler Vorgaben und einer Abwägung des Spannungsfeld "Akzeptanz- vs. Legalitätsprinzip" stellen wir einen an das Konzept der "Technisch-organisatorischen Maßnahmen" der EU-DSGVO angelehnten Maßnahmenkatalog vor, der bis zu einer weitergehenden regulatorischen Vorgabe im Hinblick auf Fragen der Künstlichen Intelligenz und Data Science ein für die aktuarielle Praxis umsetzbaren und nachvollziehbaren Dokumentations- und Vorgehensrahmen bietet, um gegenüber Dritten sicherzustellen, dass in die produktive Arbeit gelangende Modelle keine (großen) operationellen Risiken ausgesetzt sind.