Dieser Artikel beschreibt, wie wir einen gesetzlichen Versicherer bei der Operationalisierung seines ersten Machine Learning (ML) Modells begleitet haben. Vom Einschätzen des aktuellen Anwendungsprozesses über die Entwicklung der am besten geeigneten MLOps-Lösung bis hin zur Integration in den laufenden Prozess haben wir es unserem Kunden ermöglicht, die Geschwindigkeit und Effizienz seiner Kerntätigkeiten deutlich zu verbessern.
- MLOps
- Data Science
- Machine Learning (ML)
- Produktion
- Data Engineering
- Geschäftsprozess
- Versicherung
Zentrale Herausforderungen
Unser Kunde ist Anbieter von Berufsunfähigkeitsversicherungen und Risikolebensversicherungen. Das Unternehmen erhält tagtäglich zahlreiche Anträge mit detaillierten Fragebögen, die von Antragsteller:innen ausgefüllt werden und eine Risikobewertung erfordern.
Das Ziel unserer Zusammenarbeit war die Entwicklung eines Machine Learning-Modells, welches dazu in der Lage ist, den Prozess der Bewertung des biometrischen Risikos während des Antragsprozesses teilweise zu automatisieren. Auf diese Weise konnten wir nachweisen, dass es möglich ist, die Geschwindigkeit und Effizienz des Antragsprozesses zu verbessern und die Bearbeitungsrate aller Anträge zu erhöhen. Um diese Ergebnisse jedoch in großem Umfang zu erreichen, musste das Modell produktiv gesetzt und in den bestehenden Versicherungsprozess integriert werden.
Tatsächlich war unser Kunde mit einem Modell noch nie über das POC- oder MVP-Stadium hinausgekommen. Nichtsdestotrotz hatte es sich das Unternehmen vorgenommen, erstmals ein Modell in Produktion zu geben. Die Umsetzung eines solchen Vorhabens in einer so regulierten Branche wie der gesetzlichen Versicherung ist keine leichte Aufgabe.
Unser Kunde wollte:
- eine Lösung für die Überführung des zuvor entwickelten Modells in die Produktion;
- sicherstellen, dass das Modell überwacht wird und revisionssicher ist;
- Unterstützung während des gesamten Prozesses und fachliche Beratung bei MLOps-Aktivitäten.
Unser Ansatz
Um die Herausforderungen unseres Kunden zu meistern und das Modell produktiv zu setzen, haben wir:
- Informationen über den aktuellen Anwendungsprozess, die verwendeten Daten und das entwickelte ML-Modell gesammelt, um ein klares Verständnis darüber zu bekommen.
- Eine geeignete Lösung entworfen, um eine reibungslose und robuste Integration des ML-Modells in den Anwendungsprozess zu gewährleisten.
- einen Webservice und produktionsfertiger Skripte für die erstmalige Operationalisierung entwickelt, getestet und implementiert.
- eine Sicherheitslogik implementiert, um die Kontrolle über kritische Fälle, die einen parametrisierten Schwellenwert übersteigen, zu erleichtern.
- das entwickelte Modell in die bestehende Anwendungslandschaft integriert und die Go-Live-Phase des Projekts begleitet.
- eine Logging- und Monitoring-Komponente eingerichtet und diese in die Gesamtlösung implementiert.
Vorteile
- erste erfolgreiche Operationalisierung eines Machine-Learning-Modells für den öffentlichen Versicherer
- zahlreiche Erkenntnisse für zukünftige MLOps-Aktivitäten und den Einsatz neuer Modelle
- starke Reduzierung des Zeitaufwands bei der Antragsbearbeitung sowie erhöhte Kundenzufriedenheit
- erfolgreicher Echtzeit-Einsatz für jeden Lebensversicherungsantrag
- revisionssichere Operationalisierung von Machine-Learning-Modellen
- erfolgreiche Integration in den produktiven Prozess des Antragssystems (Dark Policing)
Involviertes Team
Ein Data Scientist und ein Data Engineer haben 18 Monate lang mit einem Versicherungsexperten zusammengearbeitet, um diese AI-basierte Anwendung zu entwickeln.
Technologien
Danke an unsere*n
Autor*in
