Intelligente Risikobewertung: Bitechs KI-gesteuerte Lösung für die Sachversicherung
.png)
Wichtige Herausforderungen
Bitech stand vor Herausforderungen bei der Bewertung und dem Management von Risiken, die mit bestimmten geografischen Standorten verbunden sind. Ziel ist es, das Risiko eines bestimmten Standorts basierend auf mehreren Faktoren wie Kriminalität, Arbeitslosigkeit, Überschwemmungen, Klima und Brand zu bestimmen, um Verluste im Sachversicherungssegment zu verhindern. Darüber hinaus hatten sie Schwierigkeiten, wichtige Informationen aus Kundendaten zu extrahieren, diese Daten zusammenzufassen und den Zeit- und Arbeitsaufwand für die Verarbeitung und das Verständnis komplexer Daten zu reduzieren.
Wichtige Ergebnisse
Ankercloud hat erfolgreich eine Anwendung entwickelt, die das Bedrock Titan-Modell von Amazon nutzt. Dessen fortschrittliche Sprachverarbeitungsfähigkeiten ermöglichen die Echtzeit-Zusammenfassung komplexer sozioökonomischer und umweltbezogener Risikofaktoren aus großen Datensätzen. Durch die Analyse von Daten aus verschiedenen Quellen, darunter Nexiga und EEA, liefert das System intuitive und verdichtete Risikoeinblicke, die auf spezifische Standorte zugeschnitten sind. Diese Automatisierung reduziert den manuellen Arbeitsaufwand erheblich und verbessert die Benutzererfahrung, wodurch Underwriter und Risikoanalysten sich auf die Entscheidungsfindung konzentrieren können. Die personalisierten Risikozusammenfassungen, die Kriminalitätsraten, Arbeitslosigkeit, Hochwasserrisiken und Klimadaten umfassen, bieten wertvolle Einblicke für eine ganzheitliche Risikobewertung.
Übersicht
Die Bitech AG ist ein IT-Beratungsunternehmen mit Sitz in Hürth bei Köln, das sich auf kompetente IT-Beratung spezialisiert hat. Sie legen Wert auf ausgewogene Beziehungen zwischen Kunden, Mitarbeitern und dem Unternehmen, symbolisiert durch das blaue Dreieck in ihrem Logo.
Die Bitech AG unterstützt Unternehmen bei Projektmanagement, Softwarequalität, IT-Systemdesign, Softwareentwicklung und neuen Technologien wie Cloud Computing, DevOps und KI. Ihre Initiativen, wie das Innovation Lab und die Quality Factory, fördern Kreativität und hohe Standards. Insgesamt ist die Bitech AG ein vertrauenswürdiger Partner für Unternehmen, die sich mit IT- und geschäftlichen Herausforderungen auseinandersetzen.
Herausforderungen
Bitech stand vor Herausforderungen bei der Bewertung und dem Management von Risiken, die mit bestimmten geografischen Standorten verbunden sind. Ziel ist es, das Risiko eines bestimmten Standorts auf der Grundlage mehrerer Faktoren wie Kriminalität, Arbeitslosigkeit, Überschwemmung, Klima und Brand zu bestimmen, um Verluste im Segment der Immobilienversicherungen zu vermeiden. Darüber hinaus hatten sie Schwierigkeiten, wichtige Informationen aus Kundendaten zu extrahieren, diese Daten zusammenzufassen und so den Zeit- und Arbeitsaufwand für die Verarbeitung und das Verständnis komplexer Daten zu reduzieren.
Lösung
In der Lösung für die Versicherungsbranche wurde das Titan-Modell von AWS Bedrock genutzt, um die Benutzererfahrung durch die Zusammenfassung von Risikobewertungen für bestimmte Standorte zu verbessern. Diese Lösung ist besonders nützlich für Immobilienversicherungsunternehmen, die Risiken bewerten möchten, die mit geografischen Faktoren wie Kriminalität, Arbeitslosigkeit, Überschwemmung, Klima und Brand verbunden sind.
Architektur:
Datenmanagement
Die Rohdaten von Nexiga und die EWR-Daten werden in einem S3-Bucket gespeichert.
Es gibt zwei separate Ordner zur Speicherung von
- Nexiga-Daten :- Die Nexiga-Datensätze enthalten verschiedene sozioökonomische Merkmale und Geolocation-Merkmale wie Postleitzahl und Stadtname. Die Datensätze enthalten mehrere Kriminalitätsspalten wie Wohnungseinbrüche, Kraftfahrzeugdiebstahl, Sachbeschädigung und Gesamtkriminalität.
- EWR-Daten:- Dieser Ordner enthält alle Klimadatensätze, die wir von der EWR-Agentur für die Klimaanalyse ausgewählt haben.
Alle Jupyter Notebooks-Dateien mit der Erweiterung .ipynb befinden sich im ec2-user-Ordner.
Die Nexiga-Datensätze enthalten sozioökonomische Merkmale und die EWR-Daten klimabezogene Merkmale. Die beiden Datensätze enthalten Stadtspalten als Primärschlüssel. Es wurden Master-Datensätze durch die Kombination dieser Datensätze basierend auf Stadtspalten erstellt.
Datenimputation
Die kombinierten Datensätze enthalten fehlende Werte für die Klima- und Überschwemmungsfaktoren. Der fehlende Wert wird basierend auf der nächstgelegenen Stadt aus den Klimadaten (EWR) mit minimalem Abstand (Haversine) imputiert.
Analytischer Hierarchieprozess
Der AHP ist eine strukturierte Gruppenentscheidungstechnik zur Organisation und Analyse komplexer Entscheidungen. Er stellt einen semi-objektiven Ansatz zur Quantifizierung der Gewichtungen und Präferenzen von Entscheidungskriterien dar. In einem speziell entwickelten Format verwendet jedes Teammitglied den Forced-Choice-Paarvergleichsprozess, um die relative Bedeutung jedes Elementpaares zu bewerten.
Sobald die geeigneten Kriterien oder Elemente der Entscheidung ausgewählt wurden, bewerten die Gruppenmitglieder die verschiedenen Elemente systematisch, indem sie diese paarweise miteinander vergleichen. Bei den Paarvergleichen kann die Gruppe tatsächliche Daten über die Elemente verwenden, aber typischerweise nutzen sie ihre subjektiven Einschätzungen über die relative Bedeutung der Elemente.
Anwendungsablauf:
Die vorverarbeiteten Daten wurden in einem S3-Bucket zur Zusammenfassung gespeichert. Benutzeraktionen lösen Anfragen an den Server aus, der mit den Daten kommuniziert. Der Server ruft Daten aus dem S3-Bucket ab und fasst anschließend über den LLM-Modell-Endpunkt den Risikowert des spezifischen Standorts zusammen.
Hier kann der Benutzer spezifische Details wie Stadtname und Postleitzahl eingeben, die App verarbeitet diese Eingabe, um Risikodaten abzurufen. Das LLM analysiert diese Daten und erstellt eine Zusammenfassung der individuellen Risikobewertungen und des Gesamtrisikos, wenn der Benutzer auf Zusammenfassen Button klickt.
Bereitstellung:
Wir haben AWS CodePipeline verwendet, um den Chatbot im AWS Elastic Container Service bereitzustellen. Der Quellcode wird basierend auf Commits an geschützte Branches in CodeCommit gepusht; die CodePipeline löst den CodeBuild-Job aus, der für die Bereitstellung neuer Aufgaben im Dienst verantwortlich ist.
Geschäftsergebnis
- Verbesserte Benutzererfahrung: Das System reduziert durch die Integration von Titan die Komplexität der Rohdaten und präsentiert dem Benutzer leicht verständliche Risikozusammenfassungen. Dies spart Zeit und Aufwand für Underwriter und Risikoanalysten, die sich nun auf die Entscheidungsfindung konzentrieren können, anstatt Zeit in die Aufbereitung riesiger Mengen komplexer Informationen zu investieren.
- Automatisierung und Effizienz: Die Integration von Titan in den Datensatz reduziert den manuellen Arbeitsaufwand. Da die Daten in AWS S3 Buckets gespeichert sind, können sie automatisiert verarbeitet und zusammengefasst werden, um Echtzeit-Einblicke zu gewinnen, ohne dass dafür in großem Umfang menschliche Arbeitszeit benötigt wird. Dies trug zur Steigerung der Mitarbeiterproduktivität bei.
- Die Entwicklung eines Chatbots zur Echtzeit-Risikozusammenfassung in der Sachversicherung birgt großes kommerzielles Potenzial. Versicherungsanbieter können fundierte Entscheidungen treffen, Verluste reduzieren und die Kundenzufriedenheit steigern, indem sie eine schnelle Risikobewertung ermöglichen.
