Modernisierung der Schadenbearbeitung mit generativer KI - Eine Schritt-für-Schritt-Anleitung
In der Versicherungsbranche werden täglich Tausende von Schadensfällen bearbeitet. Sachbearbeiter verbringen Stunden damit, Formulare, handschriftliche Dokumente, PDFs und Bilder zu bearbeiten, um die relevanten Informationen zu extrahieren. Die Überprüfung des Versicherungsschutzes und die Einleitung der Zahlungen folgen auf diese erste Datenextraktion. Dieser sich wiederholende, dokumentenintensive Prozess ist genau der Punkt, an dem generative KI durch die Automatisierung der textbasierten Verarbeitung einen Mehrwert schaffen kann.
Generative KI kann eine Vielzahl von Vorteilen bei der Automatisierung von Schadensfällen erschließen:
Sparen Sie Zeit bei der Sortierung unstrukturierter Daten
80 % der Daten, die die Sachbearbeiter erhalten, liegen in unstrukturierten E-Mails, PDFs, Formularen und Bildern vor. Es ist ein erheblicher Aufwand, große Mengen von Dokumenten zu sichten und aussagekräftige Erkenntnisse zu gewinnen. Eine Automatisierung kann Zeit sparen, die Genauigkeit verbessern, das Risiko verringern und die Fehlerquote senken.
Schnelle Markteinführung und verbesserte Kundenerfahrung (CX)
Schnelligkeit ist Trumpf… und im digitalen Zeitalter sind die Kunden daran gewöhnt, dass sie dank Technologie und Apps fast in Echtzeit bedient werden. Langsame Schadenbearbeitungszeiten frustrieren die Kunden und erhöhen die Abwanderung. Langsame Schadenbearbeitungszeiten führen bei Versicherern zu niedrigen Transactional Net Promoter Scores und einer hohen Kundenabwanderung, oft zu digitalen Herausforderern.
Kosteneffizienz
Durch den Einsatz von Automatisierung können Versicherer den Zeit- und Kostenaufwand für die manuelle Bearbeitung von Schadensfällen erheblich reduzieren. Dadurch können sich die Sachbearbeiter auf komplexere und schwierigere Schadensfälle konzentrieren, bei denen sie einen größeren Mehrwert schaffen können.
Proaktive Einhaltung gesetzlicher Vorschriften
Finden und implementieren Sie die neuesten Gesetzesänderungen, um Ihre Richtlinien zu aktualisieren, Mitarbeiter zu schulen und Risiken zu verringern. Scannen Sie automatisch Websites mit Vorschriften, um neue Gesetze zu erkennen und auf interne Richtlinien und Ansprüche anzuwenden.
Verbesserte Schadenprognose
Die prädiktive Modellierung, eine zentrale Stärke von Algorithmen des maschinellen Lernens, verfeinert die Vorhersage weiter. Durch die Nutzung historischer Daten und verschiedener Einflussfaktoren vermitteln die Modelle den Versicherern ein besseres Verständnis der Variablen, die sich auf das Auftreten von Schäden auswirken. Dieser Ansatz gibt den Versicherern die Werkzeuge an die Hand, um auf der Grundlage genauer Prognosen fundierte Entscheidungen zu treffen und die Ressourcen zu optimieren.
Wahrung der Datenintegrität
Verbessern Sie den Schutz Ihrer Daten. Die KI-Fähigkeiten bei der Erkennung von Betrug und Anomalien schützen vor finanziellen Verlusten und bewahren die Integrität der Schadendaten.
Die Automatisierung der Schadenbearbeitung ermöglicht es den Sachbearbeitern, eine große Datenmenge zu verarbeiten und sich auf wichtige Aufgaben zu konzentrieren. So können die Versicherer fundiertere Entscheidungen treffen und die Genauigkeit und Effizienz verbessern. Automatisierung und KI können in jeden Schritt des Schadenbearbeitungsprozesses eingebettet werden: Meldung des Anspruchs, Bewertung des Anspruchs, Validierung des Anspruchs, Entscheidungsfindung und Bearbeitung der Zahlung. Letztendlich werden dadurch Komplexität, Kosten und Risiken reduziert.
Keine Forderung ist wie die andere
Unabhängig davon, ob Sie schon einmal einen Schaden bei Ihrer Versicherung geltend machen mussten oder nicht, können Sie verstehen, dass aufgrund der Natur des Lebens und aller Variablen, die auftreten können, jeder Schadenfall einzigartig ist, selbst wenn er in einem Zusammenhang steht (z. B. ein großer Sturmschaden in einem großen Gebiet).
Dies macht die Verwaltung von Ansprüchen zu einem sehr manuellen Prozess.
Hier kann Gen AI wirklich helfen, die Prozesse zu beschleunigen, und das kann zu einer höheren Kundenzufriedenheit führen, denn in der Regel ist ein Schadenfall auch mit Emotionen verbunden.
Einen Anspruch verstehen
In der Regel wird ein Versicherer einen Datensatz über die „erste Schadensmeldung“ erstellen wollen. Dies ist ein Datensatz, der anzeigt, dass der Kunde signalisiert hat, dass er einen Schaden geltend machen möchte. Sobald die Informationen extrahiert sind, läuft der Schadenprozess in der Regel wie folgt ab:
– Der Versicherer prüft den Anspruch
– Er gibt dem Kunden eine Rückmeldung, ob der Anspruch gedeckt ist
– Die Selbstbeteiligung und die Höhe des Anspruchs werden besprochen
– Der Anspruch wird genehmigt oder abgelehnt
Das ist eine grobe Vereinfachung, aber im Allgemeinen funktioniert der Prozess so.
Struktur aus unstrukturierten Daten schaffen
Computersysteme wollen Struktur, aber bei variablen Geschäften wie Versicherungen ist es manchmal sehr schwierig, Daten so zu produzieren, dass traditionelle Systeme und Modelle die Eingaben verstehen und eine definitive Ausgabe liefern können.
Bei Firemind nutzen wir die generative KI, um unseren Versicherungskunden zu helfen, die Lücke zwischen strukturierten und unstrukturierten Daten zu schließen. Diese Arbeit hat dazu beigetragen, dass wir Anfang dieses Jahres die AWS Financial Services Competency erhalten haben.
In diesem Beitrag stelle ich Ihnen einige Rezepte vor, die wir bei unseren FSI-Kunden einsetzen, um die unstrukturierten Daten in ein Format zu bringen, das es ihren Teams ermöglicht, bei manuellen Prozessen Zeit zu sparen und ihren Kunden schneller ein Ergebnis zu liefern.
VQA mit visuellem Nachweis
Bei den meisten Schadensfällen verlangen die Versicherungsgesellschaften, dass ein visueller fotografischer Beweis vorgelegt wird. Wir haben unseren Kunden dabei geholfen, die besten Multi-Modell-Großsprachmodelle für VQA (visuelle Fragen und Antworten) zu nutzen, und jetzt, mit der Veröffentlichung von Claude 3 Sonnet und Haiku auf Bedrock, ist dieser Prozess viel einfacher geworden.
Während der technische Durchlauf hier einige der grundlegenden Schritte abdeckt, ist es wichtig zu wissen, dass bei der Zusammenarbeit mit Kunden bei der Erstellung einer Anwendung auch andere wichtige Elemente eine Rolle spielen. Dazu gehören Aspekte wie die Beratung zur Anpassung der Lösung an spezifische Bedürfnisse, die Gewährleistung der Einhaltung von Versicherungsvorschriften, die Implementierung von Sicherheitsmaßnahmen wie Tarifbegrenzung, Authentifizierung und Fehlerbehandlung sowie die Dateivalidierung und die Nutzung von Web Workern für eine effiziente Verarbeitung.
Lassen Sie uns gleich loslegen und annehmen, dass wir schnell eine Webanwendung erstellen möchten, die ein Bild an Bedrock für VQA mit einem Versicherungsgeschmack senden kann:
Wir beginnen mit unserer Frontend-Logik und erstellen ein Eingabeformular, mit dem der Benutzer die Dateien auswählen kann, die er überdenken möchte:
<Form.Control
accept='.jpg,.png'
multiple={true}
onChange={(e) => parseFiles(e.target.files).then(sendFiles)}
type='file'
/>
const reader = new FileReader()
reader.onload = async (e) => loadPrompt(e.target.result)
reader.readAsArrayBuffer(file)
Da wir die Eingabeaufforderung dann im Backend erstellen, möchten wir die Nachrichten-API von Claude nutzen.
@app.post("/api/invoke-prompt")
async def invoke_prompt(req: Request):
try:
body = await req.json()
return {
"response": await invoke_model_stream(
{
"messages": body["messages"],
"max_tokens": 3100,
"temperature": 0.5,
"top_k": 150,
"top_p": 0.5,
"system": body.get(
"system",
"You are an expert focusing on the insurance claims industry.",
),
"anthropic_version": "bedrock-2023-05-31",
},
"anthropic.claude-3-haiku-20240307-v1:0",
)
}
except Exception as e:
raise HTTPException(status_code=400, detail=f"Call to Bedrock failed: {str(e)}")
Die Stärke eines großen Sprachmodells mit mehreren Modellen besteht darin, dass es sowohl visuelle als auch textbasierte Eingaben entgegennimmt und eine strukturierte Ausgabe für uns liefert. Wir können unsere Eingabeaufforderungen auf eine bestimmte Art und Weise spezifizieren, um es zu bitten, Daten als JSON zurückzugeben, die bestimmte Fragen beantworten:
{
content: [
{
source: {
data: imageData,
media_type: 'image/jpeg',
type: 'base64'
},
type: 'image'
},
{
text: `Return your response as the following JSON:
{
"description": "Please describe the objects in this image and if there's any damage"
}`,
type: 'text'
}
],
role: 'user'
}
Wir können nun die vorhandenen Computersysteme nutzen, indem wir die Leistung der generativen KI einsetzen, um diesen unstrukturierten Input in strukturierte Datenpunkte umzuwandeln.
Dies ist ein großartiges Beispiel für die Nutzung der ereignisgesteuerten, skalierbaren und stabilen Services von AWS, die in einer Pipeline orchestriert werden, die als Middleware fungieren kann.
– Systeme können Dateien in einen Amazon S3-Bucket senden.
– Diese Dateien lösen eine Validierung in Form eines AWS Lambda aus. Wenn die Validierung erfolgreich ist, wird ein Auftrag erstellt und an eine Amazon Simple Queue Service-Warteschlange übermittelt.
– Ein AWS Lambda holt diese Aufträge am Ende der Warteschlange ab und führt die Inferenz mit Amazon Bedrock aus. Amazon Bedrock kann weitere Agenten aufrufen, um rekursive und komplexe Aufgaben auszuführen, die einen AWS Lambda auslösen können, um die Ausgabe zu verarbeiten.
-Output kann aufgeteilt und in einen diskreten Speicher für das Data Warehouse und einen Langzeitspeicher im Data Lake gesendet werden, wobei Amazon Aurora bzw. Amazon S3 verwendet wird.
– Schließlich kann das Unternehmen mit Tools wie Amazon Athena und Amazon QuickSight auf die Daten zugreifen.
Wie sollten Sie anfangen?
Fühlen Sie sich von generativer KI überwältigt? Keine Panik, es ist einfacher denn je, mit benutzerfreundlichen Tools auf AWS anzufangen und sich auf ein kleines Projekt oder einen Proof-of-Concept (POC) zu konzentrieren.
Wenn Sie fachkundige Beratung benötigen, können wir Ihrem Unternehmen mit unseren maßgeschneiderten Frameworks helfen, den Wert der generativen KI innerhalb weniger Wochen zu erschließen. Setzen Sie sich mit unserem Team in Verbindung oder besuchen Sie uns auf unserer nächsten Veranstaltung und lassen Sie uns Ihrem Unternehmen dabei helfen, durch generative KI Werte zu schaffen.
Kontakt aufnehmen
Möchten Sie mehr erfahren?
Haben Sie eine bestimmte Fallstudie oder einen Einblick gesehen und möchten Sie mehr erfahren? Oder denken Sie über Ihr nächstes Projekt nach? Schreiben Sie uns eine Nachricht!