{"id":21532,"date":"2022-07-29T11:38:00","date_gmt":"2022-07-29T09:38:00","guid":{"rendered":"https:\/\/www.sysbus.eu\/?p=21532"},"modified":"2022-07-25T10:36:17","modified_gmt":"2022-07-25T08:36:17","slug":"mit-ki-gerechtere-kredite-und-policen-vergeben","status":"publish","type":"post","link":"https:\/\/www.sysbus.eu\/?p=21532","title":{"rendered":"Mit KI gerechtere Kredite und Policen vergeben"},"content":{"rendered":"\n

Autor\/Redakteur: Anurag Bhatia, Head of Europe Business bei Mphasis<\/a>\/gg<\/p>\n\n\n\n

K\u00fcnstliche Intelligenz soll objektive und zuverl\u00e4ssige Entscheidungen treffen \u2013 so die Anforderung in der Theorie. Das kann sie jedoch nur, wenn die Datenbasis, die ihr zur Verf\u00fcgung steht, frei von Bias, also Verzerrung durch Vorurteile jeder Art, ist. Da das selten zutrifft, ben\u00f6tigt man eine Alternativl\u00f6sung: \u201eExplainable AI\u201c.<\/p>\n\n\n\n

\"\"<\/a>
KI kann nur objektive Entscheidungen treffen, wenn die Datenbasis, die ihr zu Verf\u00fcgung steht, frei von Bias ist, meint Anurag Bhatia von Mphasis (Quelle: Pixabay, geralt)<\/figcaption><\/figure>\n\n\n\n\n\n\n\n

Ob Lebensversicherung oder Immobilienkredit, Banken und Versicherer m\u00fcssen sich bei ihren Leistungen absichern. Bisher hat sich darum meist ein menschlicher Mitarbeiter gek\u00fcmmert. Der durchforstete den Hintergrund und die pers\u00f6nlichen Daten des potenziellen Kreditnehmers oder des zu Versichernden und bezog die Marktentwicklung mit ein. Anhand vordefinierter Regularien oder Erfahrungswerten der Berater wurde festgemacht, welche Konditionen der Kunde erh\u00e4lt, oder ob er vielleicht sogar abgelehnt wird.<\/p>\n\n\n\n

Nun haben es Menschen aber an sich, dass sie nicht vollkommen objektiv sein k\u00f6nnen. Selbst der professionellste und faktenorientierteste Mitarbeiter kann \u2013 bewusst oder unbewusst \u2013 voreingenommene Entscheidungen treffen. Gerade im Bereich Versicherungs- und Finanzwesen kann das f\u00fcr Betroffene schwerwiegende Folgen haben. Wird jemandem wegen Voreingenommenheit ein Kredit verwehrt oder ein h\u00f6heres Risiko bei der Versicherung attestiert, wirkt sich das negativ auf wichtige Bereiche seines Lebens aus.<\/p>\n\n\n\n

Was also tun? K\u00fcnstliche Intelligenz ist die scheinbar richtige und auch zukunftsweisende L\u00f6sung. So halten 45 Prozent der Entscheider im Finanz- und Versicherungssektor diese laut Studie<\/a> f\u00fcr eine wichtige Innovation. KI ist als Maschine scheinbar objektiv und nicht voreingenommen. Schlie\u00dflich arbeitet sie mit Daten und hat dabei keine emotionalen Reaktionen, weder bewusst noch unbewusst. Ihre Beurteilungen sind gerecht. So die Theorie.<\/p>\n\n\n\n

Was tun, wenn die KI voreingenommen ist<\/strong><\/p>\n\n\n\n

Allerdings ist eine KI immer nur so gut, wie die Daten mit der sie gef\u00fcttert wird. Ist in diesen bereits Bias, also eine Verzerrung durch Vorurteile, enthalten, wird die KI diese Ansichten annehmen und weiterf\u00fchren: Ein m\u00e4nnlicher Bankberater k\u00f6nnte beispielsweise unbewusst m\u00e4nnliche Applikanten f\u00fcr Kredite bevorzugen, selbst wenn, rein datenbasiert, seine finanzielle Ausgangslage schlechter ist als die einer Kundin. Wird dieser Datensatz genutzt, um mit neuronalen Netzen den Vergabeprozess f\u00fcr Kredite zu automatisieren, wird die KI diese Voreingenommenheit bei ihren Analysen einbeziehen. Von au\u00dfen betrachtet f\u00e4llt das wahrscheinlich nicht auf. Wie eine KI arbeitet, ist h\u00e4ufig eine \u201eBlack Box\u201c.<\/p>\n\n\n\n

Bei Versicherungen kann dies ebenfalls geschehen, sogar noch indirekter. Ein Beispiel: Ein Vermieter m\u00f6chte seine Wohnungen versichern. Die Versicherung seiner Wahl nutzt seit einiger Zeit KI f\u00fcr die Risikoanalyse, an der der Tarif festgemacht wird. K\u00fcrzlich kam es in der Stadt, in der sich die Wohnungen befinden zu mehreren Br\u00e4nden durch einen Brandstifter, der in der Zwischenzeit gefasst wurde. Einige Versicherungsberater sahen die Meldungen \u00fcber die Br\u00e4nde in den Nachrichten und assoziierten \u201eBrandgefahr\u201c unterbewusst mit der besagten Stadt. Das wirkte sich auf Anfragen aus dieser Region aus. Sie wurden aufgrund dieser unterbewussten Assoziation h\u00f6her eingestuft. Die KI wurde mit den Daten dieser Mitarbeiter gef\u00fcttert. Nun ist es gut m\u00f6glich, dass die KI das Schadensrisiko f\u00fcr das Eigentum des Vermieters wegen der Brandstiftungen h\u00f6her einstuft, obwohl das in der Realit\u00e4t keine Rolle spielt.<\/p>\n\n\n\n\n\n\n\n

\u201eExplainable AI\u201c (XIA) ist die L\u00f6sung<\/strong><\/p>\n\n\n\n

Sind k\u00fcnstliche Intelligenz und Machine Learning nun doch nicht f\u00fcr die Finanz- und Versicherungsbranche geeignet? Doch, sind sie, wenn man sie richtig nutzt. Denn mit der richtigen L\u00f6sung kann auch eine KI Daten und Informationen hinterfragen. Eine \u201eExplainable AI\u201c (XAI) \u00f6ffnet die \u201eBlack Box\u201c und zeigt die Methodik hinter ihren Herleitungen.<\/p>\n\n\n\n

Ein Beispiel daf\u00fcr ist die Mphasis XAI: Das System nutzt Algorithmen, um seine eigene Datenbasis zu hinterfragen. Die KI sucht nach signifikanten Ausschl\u00e4gen in der Datenbasis und markiert diese. Au\u00dferdem k\u00f6nnen Nutzer die Daten nach \u201ewas-w\u00e4re-wenn\u201c-Szenarien filtern. Wenn \u00c4nderungen an Variablen wie Geschlecht, Ethnie oder Alter vorgenommen werden und sich dadurch die Ergebnisse \u00e4ndern, kann das darauf hindeuten, dass im Datensatz einzelnen Variablen eine zu gro\u00dfe Bedeutung zugeordnet wurde.<\/p>\n\n\n\n

\"\"<\/a>
Entscheider im Finanz- und Versicherungssektor halten KI-Einsatz f\u00fcr sinnvoll, doch wichtig ist, dass die KI ohne Vorurteile Entscheidungen trifft, meint Anurag Bhatia von Mphasis (Quelle: Pixabay, ar130405)<\/figcaption><\/figure>\n\n\n\n

Die KI kann auch entlang der zeitlichen Ebene filtern. Statistische Ausschl\u00e4ge zu bestimmten Zeitpunkten lassen sich so mit Ereignissen abgleichen, die m\u00f6glicherweise zu dem Ausschlag gef\u00fchrt haben. Nutzer k\u00f6nnen au\u00dferdem Einzelf\u00e4lle mit den Durchschnittswerten des Datensatzes abgleichen. Wenn eine Gruppe weit vom Durchschnitt entfernt ist, ist das ein Indiz f\u00fcr eine \u201evoreingenommene Informationsbasis\u201c.<\/p>\n\n\n\n

Au\u00dferdem kann die KI vergleichen, welche Variable bei Entscheidungsprozessen besonders hoch gewichtet wurden: Ein \u00fcberproportional hoher Anteil an Ablehnungen f\u00fcr Kredite weisen eine bestimmte Variable auf, unterscheiden sich allerdings in den anderen Variablen. Das deutet darauf hin, dass ein Wert in den der Analyse zugrunde liegenden Informationen zu stark repr\u00e4sentiert wird.<\/p>\n\n\n\n

All diese Betrachtungen sind ebenfalls ein Lernprozess f\u00fcr die KI. Es geht schlie\u00dflich nicht nur darum, die verwendeten Datens\u00e4tze auf Bias zu untersuchen, sondern auch darum, Voreingenommenheit in Zukunft zu vermeiden. Das aggregierte Wissen aus einem KI-Projekt kann bei einer weiteren Machine-Learning-Initiative erneut zu Rate gezogen werden.<\/p>\n\n\n\n

Eine KI muss Objektivit\u00e4t auch lernen<\/strong><\/p>\n\n\n\n

Digitalisierte Prozesse sollen objektiver und zuverl\u00e4ssiger sein als analoge, von Menschen gesteuerte, Prozesse. Damit das funktioniert, m\u00fcssten, die Menschen, die diese Prozesse automatisieren, ebenfalls streng objektiv denken. Das ist quasi unm\u00f6glich. Je st\u00e4rker ein System auf historischen Daten basiert, desto anf\u00e4lliger ist es f\u00fcr die Ungenauigkeiten in diesen Informationen. Genauso wie Analysten einer Investmentbank die Gr\u00fcnde ihrer Investitions-Strategien erkl\u00e4ren und hinterfragen m\u00fcssen, sollten auch k\u00fcnstliche Intelligenzen ihren \u201eGedankengang\u201c offenlegen.<\/p>\n","protected":false},"excerpt":{"rendered":"

K\u00fcnstliche Intelligenz soll objektive und zuverl\u00e4ssige Entscheidungen treffen \u2013 so die Anforderung in der Theorie. Das kann sie jedoch nur, wenn die Datenbasis, die ihr zur Verf\u00fcgung steht, frei von Bias, also Verzerrung durch Vorurteile jeder Art, ist. Da das selten zutrifft, ben\u00f6tigt man eine Alternativl\u00f6sung: \u201eExplainable AI\u201c.<\/p>\n","protected":false},"author":81,"featured_media":21561,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[8,10036],"tags":[2964,16617,15524,2965,16618],"class_list":["post-21532","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artikel","category-kuenstliche-intelligenz","tag-bank","tag-explainable-ai","tag-mphasis","tag-versicherung","tag-xia"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/21532","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/users\/81"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=21532"}],"version-history":[{"count":2,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/21532\/revisions"}],"predecessor-version":[{"id":21564,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/21532\/revisions\/21564"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/media\/21561"}],"wp:attachment":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=21532"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=21532"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=21532"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}