Wie Versicherungen und Finanzdienstleistungen von LLMs profitieren können

Sofern Sie im Laufe des Jahres 2023 nicht abgeschnitten von allen Technologie-Nachrichten waren, haben Sie aller Wahrscheinlichkeit nach mitbekommen, dass LLMs (Large Language Models) den KI-Hype an sich gerissen haben – sowohl bei Ihnen als auch bei allen anderen in der Tech-Branche. Auch ich persönlich war von der Nachrichtenflut überrollt und wusste manchmal nicht, worauf ich achten sollte.

 

But why did this happen?

 

Im Wesentlichen ist es die generative KI (GenAI), insbesondere die der Large Language Models (LLMs) wie GPT-4, die diese Begeisterung entfacht hat. ChatGPT – basierend auf GPT-3.5 – wurde im November 2022 von OpenAI veröffentlicht, gefolgt von GPT-4 im März 2023. Diese Technologie stellt einen gewaltigen Durchbruch dar. LLMs können menschenähnlichen Text verstehen und erzeugen. Damit befähigen sie Maschinen, Aufgaben zu bearbeiten, die natürliches Sprachverständnis und Texterzeugung erfordern.

Die Technologie birgt eine Fülle von Möglichkeiten speziell für Unternehmen im Finanzdienstleistungssektor. Diese Chancen sind die eine Hälfte der Begeisterung. Seit über 10 Jahren arbeite ich schon mit Sprachverarbeitungstechnologie (Natural Language Processing) und sehe diesen Durchbruch als Wendepunkt. Diese Modelle sind mit riesigen Mengen von Textdaten trainiert und besitzen ein beträchtliches Sprachverständnis sowie allgemeines Weltwissen. LLMs können sogar für spezifische Zwecke verfeinert werden, etwa Fragen zu beantworten, als Assistenten zu dienen oder Menschen beim Schreiben zu unterstützen,  Texte zusammenzufassen oder sogar beim Programmieren zu helfen.

 

 

„Klassische“ Sprachverarbeitung (NLP) bleibt sehr nützlich, erfordert aber Können und Erfahrung von Datenwissenschaftlern oder NLP-Ingenieuren. LLMs machen die Lösung von Problemen wie Klassifizierung, Entitätsextraktion und Zusammenfassung für Softwareentwickler zugänglicher. Dadurch lässt sich KI wesentlich einfacher in Geschäfts- oder Privatanwendungen integrieren.

 

 

Letztendlich können Unternehmen durch Einsatz von LLMs Prozesse teilweise oder vollständig automatisieren, die Kundeninteraktion verbessern und eine intelligente Datenanalyse vorantreiben. Das führt zu höherer Effizienz, Kostenreduzierung und verbesserter Kundenzufriedenheit - es könnt ein Game-Changer sein.

 

 

Obwohl diese Technologie äußerst leistungsfähig ist, beobachte ich die Tendenz, sie als das Schweizer Taschenmesser der KI zu betrachten. Man verfällt leicht dem Irrglauben, damit könne man Menschen vollständig ersetzen. Das ist genau das, woher die andere Hälfte der Begeisterung rührt. Nun, kann sie nicht! Dies trifft nur auf relativ einfache Aufgaben zu, und der Technologie sollte (noch) kein vollständiges Vertrauen bei Aufgaben entgegengebracht werden, die echte Expertise und Liebe zum Detail erfordern.

Was können Large Language Models in der Versicherungs- und Finanzdienstleistungsbranche bewirken?

 

Was also lässt sich mit dieser außergewöhnlichen Technologie anfangen?

 

Es gibt viele beeindruckende Einsatzmöglichkeiten für LLMs. Konzentrieren wir uns jedoch auf einige, die für Versicherungen und Finanzdienstleistungen von Bedeutung sein können.

 

1. RAG-basierte Frage-Antwort-Anwendungen (Q&A)
2. Risikoprüfung (Underwriting)
3. Schaden- und Betrugserkennung
4. Anlageportfoliomanagement
5. Vertrieb
6. Kundenservice

 

Seit 12 Jahren arbeite ich mit dem Versicherungs- und Finanzdienstleistungssektor. Es gibt mehrere Stufen der Wertschöpfungskette, in denen Unternehmen mit Text- und Zahlen umgehen müssen. Fachkräfte aus allen Bereichen würden erheblich von LLMs profitieren, darunter: Underwriting, Schadensbearbeitung und Betrugserkennung, Anlageportfolioüberwachung, Vertrieb und Kundenservice.

RAG-basierte Q&A-Anwendungen

 

Meiner Erfahrung nach tun sich viele Unternehmen schwer damit, Informationen organisationsweit zu finden. Informationen und Daten sind meist über heterogene Silos in strukturierter und unstrukturierter Form (Datenbanken, Textdokumente, Tabellenkalkulationen, Wissensdatenbanken usw.) verstreut. Dies wird zu einer großen Herausforderung, wenn Unternehmen wachsen, aber auch kleinere Organisationen leiden darunter. Selbst wir als Startup haben Daten über verschiedene Systeme wie E-Mail, Dokumentenmanagement, HR, ERP, CRM und andere verteilt. Es wird schwierig, die Informationen zu finden.

 

Aber wir haben doch schon Suchmaschinen. Oder?

 

Man könnte denken, dass die Lösung für das oben genannte Problem in Unternehmenssuchmaschinen (Enterprise Search) liegt. Tatsächlich zielt Enterprise Search seit vielen Jahren darauf ab, dieses Problem zu lösen. Dies war einigermaßen erfolgreich und hat es erleichtert, Informationen oder besser gesagt Dokumente innerhalb eines Unternehmens zu finden.

 

Aber haben Sie schon einmal ein Enterprise-Search-Projekt gesehen? Die Entwicklung und die Wartung von Enterprise-Search-Lösungen verschlingen in der Regel viele Ressourcen. Kleine und mittlere Unternehmen können sich das meist nicht leisten. Große Organisationen haben hohe Betriebskosten.  Darüber hinaus sind Enterprise-Suchmaschinen nicht gut daran Fragen zu beantworten, sondern eher eine Liste relevanter Dokumente zurück zu geben. Auch sind die meisten für Stichwortsuche oder Volltextsuche optimiert, und nicht für semantische Suche. 

 

Was RAG auf den Tisch bringt

 

 

RAG (Retrieval-Augmented Generation) geht weiter als nur Informationen zu finden oder eine Liste relevanter Dokumente auszugeben. RAG nutzt eine Suchmaschinenkomponente, um relevante Daten abzurufen, speist diese Ergebnisse dann in ein Large Language Model (LLM). Das LLM verarbeitet die Informationen und nutzt sein eigenes Wissen in Verbindung mit den Suchergebnissen, um eine Antwort auf eine Frage zu generieren.

 

 

Mit anderen Worten: RAG löst nicht das Problem, die Informationen in einen einzigen Speicher oder eine Suchmaschine zu bringen. Datenextraktion, Transformation und Ladeprozesse (ETL-Pipelines) oder andere Techniken sind weiterhin erforderlich, um dies zu erreichen. Ohne sie ist es eine Herausforderung, eine RAG-Lösung richtig zum Laufen zu bringen, selbst mit den besten Modellen auf dem Markt. Eine Investition in den Aufbau von Datenpipelines in irgendeiner Form ist immer erforderlich, da LLMs dazu nicht in der Lage sind. Eine weitere Alternative wäre die Verwendung einer Enterprise-Search-Lösung in Verbindung mit einem LLM. Voraussetzung dafür ist, dass die Suchmaschine semantische Fähigkeiten besitzt.

 

Wie also lässt sich der RAG-Ansatz im Versicherungs- und Finanzdienstleistungsbereich nutzen?

Vorteile von LLMs in der Risikoprüfung (Underwriting)

 

In den letzten 12 Jahren habe ich Anwendungen gesehen, bei denen Risikoprüfer (Underwriter) die Sprachverarbeitung nutzen, um Kundendaten, die Schadenshistorie und externe Betrugserkennungsdatenbanken zu analysieren.

 

Beispielsweise habe ich Implementierungen gesehen, die regelbasiertes NLP einsetzen, um technische Risikoberichte zu analysieren und Risikoingenieure bei der Bewertung von Risiken zu unterstützen. Dieser klassische Ansatz ist zwar hilfreich, hat aber hohe Entwicklungs- und Wartungskosten. Mit RAG kann dieser Prozess reibungsloser gestaltet werden, da man auf diese Weise leichter Informationen findet. LLMs können dazu dienen, Risikoberichte von Experten zu bewerten und dann umfassendere Einschätzungen zu erstellen, die potenzielle Problembereiche hervorheben und geeignete Maßnahmen empfehlen.

 

Dies macht das gesamte Verfahren günstiger in Bezug auf Entwicklung und Wartung, aber ebenso gründlicher und präziser.

 

 

Verbesserung der Schadensbearbeitung und Betrugserkennung

 

Betrugserkennungssysteme sind größtenteils regelbasiert. Vor einigen Jahren arbeitete ich an einem System für ein Versicherungsunternehmen im Einzelhandel, das auf die Aufdeckung von Betrug bei Gesundheitsschäden abzielte. Diese Art von Schadensfällen bringt hohe Summen mit sich und erfordert menschliches Eingreifen bei der Bewertung. Das liegt daran, dass Hunderte von Seiten wie z.B. medizinische Berichte geprüft werden müssen. Die Evaluation eines solchen Schadensfalls verursacht hohe Kosten für eine Versicherungsgesellschaft. Damals entwickelte mein Team ein Hybridsystem, das Regeln und ein auf maschinellem Lernen basierendes Klassifizierungsmodell einsetzte, um die Plausibilität zu testen und die Wahrscheinlichkeit eines betrügerischen Anspruchs zu berechnen. Obwohl dies hervorragende Ergebnisse für den Kunden brachte, bedeutete es einen erheblichen Entwicklungs- und Wartungsaufwand. Dutzende von Regeln mussten über einen langen Zeitraum entwickelt und gepflegt werden. Außerdem mussten Anpassungen vorgenommen werden, sobald neue Schadensfälle eingingen oder sich die Vorschriften änderten.

 

Dieser Prozess kann mit LLMs erheblich verbessert werden.

 

Ein Schadensexperte kann ein RAG-gestütztes System fragen: „Wie hoch ist die durchschnittliche Auszahlung für ein zerbrochenes Fenster bei einer Hausratversicherung in der Postleitzahl X?“ Das System würde relevante Daten aus Versicherungspolicen, historischen Schadensdaten und externen Marktberichten abrufen. Das LLM würde dann diese Informationen analysieren und eine Antwort mit dem durchschnittlichen Auszahlungsbetrag generieren.

 

 

LLMs können die Notwendigkeit für regelbasierte Systeme verringern oder sogar beseitigen. Sie vereinfachen das Abrufen von Informationen und machen diese Daten besser zugänglich. Die Einführung dieser Technologie kann Entwicklung und Wartung von Schadensbewertungstools wieder günstiger, genauer und weniger abhängig von Stichproben machen.

 

 

Anlageportfoliomanagement

 

In der Vergangenheit hat mein Team eine Software zur Beobachtung von Investitionsportfolios für ein Finanzdienstleistungsunternehmen entwickelt. Das Tool bestand aus drei Teilen: einem Crawler-Mechanismus, der den Inhalt jeder relevanten Unternehmenswebsite durchforstete; einem Informationsextraktionsmodul, das relevante Informationen aus den Webseiten, Quartalsberichten usw. extrahierte; und einem Zusammenfassungsdienst, der alles zusammenfasste und einen Bericht für jedes Unternehmen erstellte. 

 

 

Die Entwicklung eines solchen Portfolio-Monitoring-Tools war eine anspruchsvolle Aufgabe und eine große Investition unseres Kunden, die sich zwar lohnte, aber auch einen erheblichen Aufwand für Entwicklung und Wartung bedeutete.

 

LLMs und insbesondere RAG können die Entwicklung und Wartung solcher Tools viel schneller und billiger machen. Darüber hinaus können Finanzberater oder Investmentportfoliomanager mit RAG große Mengen an Finanzdaten, Nachrichtenartikeln, Quartals- und Jahresberichten sowie Analystenberichten abfragen. Ein LLM kann dann die wichtigsten Erkenntnisse und Trends zusammenfassen. Außerdem können Fragen zu einem bestimmten Unternehmen oder Portfolio gestellt werden, was den Zugang zu Informationen und die Entscheidungsfindung erheblich erleichtert.

 

 

Verbesserung des Versicherungsvertriebs mit LLMs

 

Versicherungsprodukte sind für die Kunden oft schwer zu verstehen und schwierig zu erklären. Es bedarf eines Spezialisten, um Deckungen und Ausschlüsse zu verstehen und zwischen den verschiedenen Produkten zu unterscheiden, die Versicherungsgesellschaften anbieten. 

 

Nehmen wir ein Beispiel. Welchen Versicherungsschutz braucht eine vierköpfige Familie? Sagen wir mal, zwei Erwachsene, zwei Kinder, ein Haus und ein Auto? Da fallen mir einige Dinge ein: Kranken-, Unfall-, Hausrat- und Privathaftpflichtversicherung, mindestens. Welches ist das beste Produkt dafür? Idealerweise gäbe es ein einziges "Familienversicherungsprodukt", das alles abdeckt. In der Praxis gibt es so etwas jedoch nicht, und zwar aus verschiedenen Gründen, die den Rahmen dieses Artikels sprengen würden. Aber es gibt auch nicht ein einziges Produkt, das alles abdeckt, so dass die Familienlösung eine Kombination aus mehreren Versicherungsprodukten ist. Um eine gute Kombination zu finden, ist ein Spezialist erforderlich, der verschiedene Optionen prüft und oft ein Paket aus verschiedenen Produkten von verschiedenen Versicherungsgesellschaften zusammenstellt. Und was ist, wenn die Familie teilweise versichert ist? 

 

 

Wir haben dafür vor einigen Jahren eine Lösung entwickelt, die sehr erfolgreich war, aber der Aufwand dafür war beträchtlich. Es handelte sich um eine Mischung aus Regeln, natürlicher Sprachverarbeitung und maschinellem Lernen, was die Einbindung eines Teams von KI-Spezialisten für mindestens 6 Monate bedeutete. 

 

 

LLMs können dies auf die nächste Stufe heben und dabei helfen, Anwendungen zu entwickeln, die eine viel bessere Beratung zu viel geringeren Kosten bieten. 

 

So kann zum Beispiel eine Lösung entwickelt werden, die bei Kenntnis des aktuellen Versicherungsschutzes einer bestimmten Familie und eines Produktportfolios eines Unternehmens Folgendes ermitteln kann:

•  
• den aktuellen Versicherungsschutz der Familie
• die Schutzlücke der Familie
• Produkte vorschlägt, die die Deckungslücke abdecken
• bessere Optionen für den aktuellen Versicherungsschutz vorschlagen

 

Durch den Einsatz von LLMs kann eine solche Lösung mit höherer Qualität und geringeren Kosten im Vergleich zur Technologie, die wir vor 6 Jahren verwendet haben, erstellt werden.

 

Dies ist nur ein Beispiel dafür, wie LLMs im Versicherungs- und Finanzdienstleistungsvertrieb eingesetzt werden können. 

Customer Service

 

Ich habe oben erörtert, wie LLMs bei der Schadensbearbeitung im Versicherungsbereich helfen können.

 

Aber die LLM-Technologie kann auch beim Kundendienst im Bankwesen eingesetzt werden. Meine Bank bietet zum Beispiel einen Voicebot für die Kündigung und Bestellung neuer Kreditkarten an. Als ich das letzte Mal anrief, um meine Kreditkarte zu kündigen (ich glaube, im Sommer 2023), war der Dienst noch sehr schwer zu bedienen. Ich habe 5 Versuche gebraucht, bis ich meine Karte erfolgreich kündigen konnte.

 

Dies ist natürlich ein schwieriges Problem, da es mehrere Schritte gibt, einschließlich der Angabe des Ziels des Anrufs, der Authentifizierung des Benutzers, der Identifizierung der zu kündigenden Karte und der Bestätigung der Transaktion mit einem Code.

 

LLM können dazu beitragen, dass dieser Prozess viel reibungsloser abläuft, da diese Technologie wiederum ein schnelleres und besseres Training der sprachverstehenden Teile des Systems ermöglicht, die mit erheblichem Aufwand entwickelt wurden, was zu billigeren und zuverlässigeren Lösungen führt. 

 

 

Fazit

 

LLMs sind ein Wendepunkt für die Finanzdienstleistungsbranche. Ich glaube, dass sie die Art und Weise, wie diese Branche arbeitet, verändern und revolutionieren werden. 

 

 

Um es kurz und bündig zu sagen: LLMs können Ihnen, Ihrem Team und Ihrem Unternehmen eine noch nie dagewesene Macht verleihen.