Das Buy-Vs-Build-Dilemma der Versicherungsbranche für KI-Lösungen

Das Dilemma „Build vs Buy“ für KI-gestützte Lösungen ist für Führungskräfte ein schwieriges Problem, selbst für Unternehmen mit viel Geld, erheblichem Umfang und Technologieteams voller hochmoderner Talente. Der Grund, warum es so schwierig ist, liegt in der grundlegenden Natur von Projekten für künstliche Intelligenz und maschinelles Lernen der nächsten Generation: Sie sind nicht'Es verhält sich wie herkömmliche Software-Builds und dieses schlechte Verhalten kann für diejenigen, die nicht darauf vorbereitet sind, ein ziemlicher Schock sein.

In dem Artikel, der unten zum Download zur Verfügung steht, berichtet Tomas Vykruta, CEO und Mitbegründer von EvolutionIQ, über seine Erfahrungen aus erster Hand beim Aufbau unserer marktführenden Plattform zur Schadenberatung. Darin beschreibt er die vielen erforderlichen Schritte sowie die vielen Risiken und Fallstricke, mit denen sich Versicherer auseinandersetzen müssen, wenn sie entscheiden, ob sie eine interne KI-Lösung entwickeln wollen.

Tom betont, dass selbst unser Team von promovierten Datenwissenschaftlern von Google, Meta/Facebook, Bloomberg und anderen Technologieführern das Problem in den ersten sechs Monaten der Bemühungen nicht lösen konnte. Selbst nach den 14 Monaten hatten wir zwar Fortschritte erzielt, aber keine Durchbrüche in Bezug auf komplexe Schadensanalysen und Erkenntnisse erzielt. Es wurden über 15 verschiedene Ansätze verfolgt, und nur einer funktionierte. Erst am Ende kamen die Durchbrüche zustande und setzen sich dann immer weiter fort. Wir'Ich sehe sie immer noch und der Wert ist beträchtlich. Aber die Fähigkeit, diese Art von Erfolgseinbußen über sehr lange Zeiträume auszuhalten, ist unerlässlich und nichts für schwache Nerven.
Zu den wichtigsten Herausforderungen, die Tom in dem Artikel untersucht, gehören:

• Die erheblichen Kosten der Investition
• Dass bis zu 87 Prozent der KI-Projekte nicht gestartet werden
• Die Notwendigkeit, firmeneigene Trägerdaten durch externe Datenquellen zu erweitern
• Wie die marginalen Renditen von KI-Projekten nichtlinear sind, wobei die letzten 5 Prozent des technischen Aufwands den größten Teil des Werts ausmachen
• Dass lange Zeithorizonte erforderlich sind, bevor Prototypen überhaupt getestet werden können.
• Die Notwendigkeit, dass Bauherren einen Rahmen für die Bewertung von Risiko und Erfolg über den gesamten Lebenszyklus der Initiative hinweg entwickeln
• Warum Initiativen für maschinelles Lernen unterschiedliche Endrisiken aufweisen, die in der traditionellen Softwareentwicklung nicht vorhanden sind
• Wie die Akzeptanz durch Benutzer an vorderster Front ein großes Hindernis sein kann, wenn die Software nicht sofort wie erwartet funktioniert
• Die Notwendigkeit einer kontinuierlichen Feinabstimmung und Kalibrierung aufgrund von Datenabweichungen, bei denen sich die statistischen Eigenschaften im Modell auf unvorhergesehene Weise ändern können, wenn ständig neue Daten in das System gelangen

Wie Tom betont, besteht dringender Handlungsbedarf. Fortschritte beim maschinellen Lernen in den letzten fünf Jahren haben zu einer Situation geführt, in der die Versicherungsbranche, die lange Zeit mit fortschrittlichen Technologien unterversorgt war, bald ihren eigenen Uber-Moment erleben wird, da sie einen Wandel durchläuft, der nur einmal in einer Generation erfolgt, um veraltete Methoden für das Schadenmanagement zu ersetzen.

Das heißt, die Entscheidung zwischen Build und Buy ist'Es ist nur akademisch.'ist eine, die C-Suiten in der gesamten Branche derzeit entwickeln.

Klicken Sie hier, um den vollständigen Artikel herunterzuladen, Das Buy-vs-Build-Dilemma der Versicherungsbranche für KI-Lösungen.

‍