Machine Learning
Die Genauigkeit und Effizienz von Prognosen steigern
Fortsetzung des Artikels von Teil 1
Anwendungsfälle für AI, DL und ML
Beispiele für den Einsatz von AI-, DL- und ML-Technologien finden sich etwa bei Banken und Versicherungen.
- Prüfung der Kreditwürdigkeit von Bankkunden: Ein Immobilienkäufer beantragt einen Privatkredit und den regulatorischen Vorgaben folgend muss die Bank die Kreditwürdigkeit des Kunden überprüfen. Dazu setzt sie eine Scorecard ein, die mit einem statistischen Prognosemodell arbeitet, das mit historischen Daten der Bank trainiert wurde. Abhängig von der prognostizierten Ausfallwahrscheinlichkeit erhält der Kunde den Kredit zu bestimmten Konditionen.
- Betrugserkennung bei Haftpflichtversicherungen: Ein Versicherer überprüft Schadensmeldungen seiner Haftpflichtversicherung auf Betrug. Das Kernstück des dafür verwendeten Workflows bildet ein Prognosemodell, das für jede Schadensmeldung eine Betrugswahrscheinlichkeit ermittelt. Auf Basis der Modellbewertung werden nur Fälle mit hoher Betrugswahrscheinlichkeit manuell weiter untersucht.
- Assistenzsysteme für Autoversicherungen: Ein Autoversicherer nutzt sein Assistenzsystem für das Kundenmanagement. Folgende Komponenten sind Teil des Assistenzsystems: Spracherkennung zur Verarbeitung von digitalen Texten, Bilderkennung zur Verarbeitung von digitalen Schadensbildern, Telematik-Modul zur Auswertung des Fahrverhaltens, Bestimmung des Kundenwertes und die Bestimmung der Kündigungswahrscheinlichkeit. Das Assistenzsystem liefert lediglich Auswertungen und Empfehlungen. Es trifft keine konkreten Entscheidungen.
Voraussetzungen für erfolgreiche Projekte
In den letzten Jahren wurden viele Algorithmen und Modellvarianten weiterentwickelt und es entstanden unzählige neue, die zu immer effizienteren Prognosen führen. Allerdings steigen damit auch die Anforderungen an Erfahrung und Kenntnisse, die einen qualifizierten Einsatz der Verfahren voraussetzen. Das erfolgreiche Trainieren eines komplexen Neuronalen Netzes zum Beispiel erfordert ein hohes Maß an Expertenwissen und sehr viel Erfahrung mit deren Umgang. Theoretisches oder kurzfristig angeeignetes Wissen reicht nicht aus. So ist beispielsweise die Erfahrung mit Softwarepaketen wie Python Scikit-Learn für Machine Learning oder Python Keras, TensorFlow und Caffee für Deep Learning erforderlich.
Der Projekterfolg steht und fällt mit dem Vorhandensein von Strukturen in den Daten. Daher sollten die Daten immer intensiv über Datenexplorationen untersucht werden, und zwar parallel in allen Projektphasen. Ob überhaupt ein Potential in den Daten aus verschiedenen Quellen steckt, das mit Hilfe von Machine und Deep Learning genutzt werden kann, können einzig und alleine die Daten „erzählen“. Machine-Learning-Anwendungen kommen mit kleinerem Budget aus. Unternehmen können sie auch für Nicht-Core-Business-Bereiche entwickeln. Deep-Learning- und AI-Applikationen sind in der Regel aufwendig und teuer. Deswegen sollten diese nur für Core-Business-Bereiche entwickelt werden.
- Die Genauigkeit und Effizienz von Prognosen steigern
- Anwendungsfälle für AI, DL und ML
Lesen Sie mehr zum Thema
