05.11.2019

Deep Learning – wenn Maschinen lernen

Mit dem Einzug des maschinellen Lernens in Unternehmensprozesse geht die Digitalisierung in die nächste Runde. Hochleistungsrechner unterstützen nicht nur bei der Automatisierung, sondern lernen selbst zu lernen. Eine Form des Maschinenlernens ist das Deep Learning, das auch im Personenschadenmanagement bei ACTINEO zum Einsatz kommt.

Beim Deep Learning werden mithilfe von künstlichen neuronalen Netzen und großen Datenmengen Lernmethoden entwickelt, die Computer Muster erkennen und eigene Prognosen und Entscheidungen treffen lassen.

„Ein Anwendungsfeld des Deep Learning bei ACTINEO zielt zum Beispiel auf neue Möglichkeiten der Worterkennung in handgeschriebenen Dokumenten, zum Beispiel in Arztberichten“, ergänzt Sebastian Steinfort, Leiter Business Intelligence (BI) bei ACTINEO. Dabei werden die Arztberichte zunächst manuell ausgelesen und markiert. Anschließend wird am Rechner ein Modell trainiert, das die Wörter automatisch erkennen und erfassen kann. „Wer Arzthandschriften kennt, weiß, welche Entlastung das selbst für unsere erfahrenen Anleger bringen wird, die bisher von jedem handgeschriebenen Arztbrief eine Leseabschrift machen“, erläutert Steinfort.

Neue IT-Infrastruktur

Neben der Datenbasis ist eine entsprechende IT-Infrastruktur Voraussetzung für die enorme Rechenleistung, die für maschinelles Lernen notwendig ist. Aus Datenschutzgründen arbeitet ACTINEO mit eigens konfigurierten Hochleistungsrechnern im Haus – und nicht in der Cloud. Die besondere Stärke liege vor allem in den Grafikkarten der modernsten Generation, erläutert der BI-Leiter.

Parallel zum Ansatz der Worterkennung nutzt ACTINEO Deep Learning bei einem neuen Projekt zur Klassifizierung ganzer Dokumente. Jetzt schon erkennen die trainierten Modelle mit einer Exaktheit von nahezu 100 Prozent, ob es sich um ein Foto oder eine Seite mit Text handelt. „Nach Abschluss des Projekts werden wir bei Textdokumenten sicher zwischen einem Rechtsanwaltsschreiben, einer Schweigepflichtentbindungserklärung, einem Arztbericht und einem Versicherungsauftrag unterscheiden und damit rund 80 Prozent des Volumens der bei uns eingehenden Dokumente automatisch indizieren können“, so Steinfort. Ein notwendiger Schritt, um anschließend gezielte Texterkennung, also Optical Character Recognition (OCR), anwenden und Dokumente auslesen zu können.

Das Resultat einer Automatisierung in diesem Bereich sind eine erleichterte Prozesssteuerung und eine weitere Beschleunigung der Verfahren – sowie mehr Effizienz, geringere Kosten und kürzere Laufzeiten für den einzelnen Personenschadenfall.

Deep Learning bei ACTINEO

Der Einsatz von Deep Learning eignet sich überall dort, wo codierte Modelle große Datenmengen nach Mustern durchsuchen können. Daher kommt diese Art der Künstlichen Intelligenz häufig bei der Gesichts-, Objekt- oder Spracherkennung zum Einsatz. Technisch werden – ähnlich wie bei der menschlichen Nervenzelle die Impulse – zugelieferte Werte in ein Netz gegeben, wobei dieses selbst regelt, ab wann Informationen weitergegeben werden. Vor diesem Hintergrund ist es sehr wichtig, die Netze richtig zu trainieren.

„Bei ACTINEO wird das sogenannte Supervised Learning, also überwachtes Lernen, angewandt, wobei der Mensch dem Rechner eine Ground Truth, eine definierte Grundwahrheit, vorgibt“, erklärt Sebastian Steinfort. Bei dieser Trainingsmethode sind die Ergebnisse bekannt und werden genutzt, um den Rechner anzulernen und zugleich das Ergebnis zu kontrollieren. Ein Vorteil des Maschinenlernens ist dabei seine Systematik, die dafür sorgt, dass bei gleichen Eingangswerten immer dasselbe Ergebnis erreicht wird.

KI: Chancen nutzen

Das Potenzial von KI und Maschinenlernen ist nach Einschätzung von BI-Leiter Sebastian Steinfort auch für den Personenschaden groß. Mit entsprechenden Modellen könne beispielsweise eine sehr hohe Genauigkeit bei der maschinenbasierten Erkennung von Diagnosecodes oder Abrechnungsziffern erzielt werden. Ebenso sei es künftig vorstellbar, über eine Vielzahl von eingelesenen OP-Berichten automatisiert Fehler oder Komplikationen bei der Behandlung zu erkennen.

Insofern liefert Deep Learning auch für die Versicherungsbranche die Arbeitsmittel, um die Digitalisierung und die Automatisierung weiter voranzutreiben. Wie bei anderen Prozessen der Künstlichen Intelligenz bleibt aber auch hier wichtig, dass der Mensch an den richtigen Stellen eingreift. Dazu Sebastian Steinfort: „Wir müssen die Prozesse, die wir automatisieren wollen, entsprechend gestalten. Dann haben wir definitiv einen Qualitätsgewinn. Zudem werden wir noch größere Datenmengen verarbeiten können, als es bislang möglich ist.“

Foto: geralt/pixabay.com