GPT-3 und Chat GPT im Versicherungswesen: Was Sie über den AI-Chatbot wissen sollten

Seit Anfang Dezember sorgt das Sprachmodell GPT-3 oder Chat GPT wieder für Aufsehen. Wir haben Chat GPT intensiv getestet und wollen entscheidende Fragen klären: Was ist GPT-3? Was ist Chat GPT? Welche Möglichkeiten gibt es, Chat GPT in der Versicherungsbranche einzusetzen? Und was sind die Herausforderungen beim Einsatz von Chat GPT für die Sprachverarbeitung in der Versicherungsbranche?

Veröffentlicht: Zuletzt aktualisiert:

Fachartikel, Künstliche Intelligenz, Versicherungswirtschaft

1 Min. Lesezeit
Versicherer Künstliche Intelligenz und Mensch arbeiten zusammen

Was ist GPT-3?

GPT-3 ist ein neuronales Netzwerkmodell für maschinelles Lernen und die Verarbeitung natürlicher Sprache, das von OpenAI entwickelt wurde. Es ist eines der leistungsfähigsten Modelle auf diesem Gebiet und hat sich in verschiedenen Anwendungen wie maschinellem Schreiben, Übersetzung und Dialogsystemen bewährt. GPT-3 ist in der Lage, menschenähnlichen Text zu erzeugen und kann auch für andere Aufgaben wie Frage-Antwort-Systeme, Dokumentenklassifizierung und Zusammenfassungen verwendet werden.

Was ist Chat GPT?

Chat GPT ist eine Anwendung, die auf dem GPT-3-Modell von OpenAI basiert und ein Chatbot-System darstellt. Es wurde entwickelt, um menschenähnliche Dialoge zu führen und kann für verschiedene Anwendungen wie Kundensupport, Marketing und Unterhaltung eingesetzt werden. Chat GPT nutzt das GPT-3-Modell, um Benutzereingaben zu analysieren und darauf basierend Antworten zu generieren.

Welche Möglichkeiten gibt es für den Einsatz von Chat GPT in der Versicherungsbranche?

Es gibt viele Möglichkeiten, wie Chat GPT oder andere Chatbots in der Versicherungsbranche eingesetzt werden können. Einige Beispiele für den Einsatz von Chatbots in der Versicherungsbranche sind:

  • Vertragsmanagement: Chatbots könnten eingesetzt werden, um Kunden bei der Verwaltung ihrer Versicherungsverträge zu unterstützen, z. B. bei der Abfrage von Informationen zum Vertragsinhalt oder der Bearbeitung von Vertragsänderungen.
  • Forderungsmanagement: Chatbots könnten eingesetzt werden, um Schadensmeldungen von Kunden entgegenzunehmen und zu bearbeiten, indem sie beispielsweise Kunden bei der Einreichung von Schadensmeldungen unterstützen oder Schadensmeldungen automatisch an die zuständige Kontaktperson weiterleiten.
  • Kundenberatung: Chatbots könnten eingesetzt werden, um Kunden bei der Suche nach der richtigen Versicherung zu helfen, indem sie beispielsweise Informationen über verschiedene Versicherungsprodukte bereitstellen oder Kunden bei der Auswahl der richtigen Versicherung beraten.
  • Kundenbetreuung: Chatbots könnten zur Bearbeitung und Beantwortung von Kundenanfragen eingesetzt werden, z. B. indem sie Kunden bei der Suche nach Informationen helfen oder automatisch Antworten auf häufig gestellte Fragen generieren.

 

Was sind die Herausforderungen beim Einsatz von Chat GPT bei der Verarbeitung von Versicherungssprache?

Bei der Verwendung von Chat GPT für die Verarbeitung von Versicherungssprache gibt es mehrere Herausforderungen zu beachten. Dazu gehören:

  • Fachsprache: Die Versicherungsbranche hat ihre eigene Fachsprache, die für Branchenfremde schwer zu verstehen sein kann. Chat GPT muss in der Lage sein, diesen Jargon zu verstehen und zu verarbeiten, um genaue Ergebnisse zu liefern.
  • Rechtsprechung: Die Versicherungsbranche unterliegt zahlreichen Gesetzen und Vorschriften, die sich auf die Sprache und den Inhalt von Dokumenten auswirken. Chat GPT muss in der Lage sein, diese Vorschriften zu verstehen und zu berücksichtigen, um genaue Ergebnisse zu liefern.
  • Unterschiedliche Dokumenttypen: In der Versicherungsbranche gibt es verschiedene Dokumenttypen wie Anträge, Policen und Ansprüche, die unterschiedliche Informationen enthalten und unterschiedlich strukturiert sind. Chat GPT muss in der Lage sein, diese Unterschiede zu verstehen und zu berücksichtigen, um genaue Ergebnisse zu liefern.
  • Unvollständige oder inkonsistente Daten: In der Versicherungsbranche gibt es manchmal unvollständige oder inkonsistente Daten, die es schwierig machen, Dokumente zu verstehen. Chat GPT muss in der Lage sein, mit solchen Unvollständigkeiten und Inkonsistenzen umzugehen und trotzdem korrekte Ergebnisse zu liefern.

Chat GPT im Test

Glauben Sie uns, wenn wir sagen, dass Chat GPT alle Antworten auf die obigen Fragen maschinell generiert hat? Beweisen Sie uns das Gegenteil 🙂

Das hat es in der Tat. Wir haben dem Modell einfach die Fragen gestellt und genau diese Antworten oder Teile der Antworten erhalten. Hört sich zunächst beeindruckend an – oder?

Beispiel für einen von Chat GPT erstellten Text
Chat GPT im Test

Doch wie gut ist Chat GPT wirklich und was lässt sich von den Entwicklungen tatsächlich in der Versicherungsbranche anwenden?

Wir haben den Chatbot mit einigen Eingaben und Fragen getestet. Zusätzlich zu den oben aufgeführten Fragen und Antworten war das Modell in der Lage, auf Anfrage kurze Geschichten und Artikel zu beliebigen Themen für uns zu formulieren. Das Erstaunliche: Für die Generierung ist kontextuelles Wissen erforderlich, mit dem das Modell offensichtlich ausgestattet ist. Wo die Antworten auf der einen Seite überraschen, können sie auf der anderen Seite auch verwirren. Der Wahrheitsgehalt der maschinengenerierten Antworten kann nur durch explizites Wissen über ein Thema überprüft werden. Quellen oder Daten, die zur Erklärung der Antworten herangezogen werden können, werden nicht angegeben. Außerdem haben wir festgestellt, dass dieselbe Frage nicht immer dieselbe Antwort ergab. Die Antworten waren inhaltlich nah beieinander, unterschieden sich aber manchmal im Wortlaut und in der Argumentation.

Chat GPT und die Versicherungssprache

Versicherungsspezifisches Training

Ein Sprachmodell ist nur so gut wie die Daten, die zum Trainieren des Modells verwendet werden. Sie können sich diesen Prozess so vorstellen, wie wenn ein kleines Kind sprechen lernt. Je älter ein Kind wird, desto mehr Wörter lernt es. Dabei spielt auch die Umgebung des Kindes eine Rolle. Wenn ein Kind in einem Haushalt mit zwei Anwälten aufwächst und überwiegend Kontakt zu anderen Anwälten hat, wird es im Gegensatz zu anderen Kindern sicherlich einige juristische Fachbegriffe kennen.

Bezogen auf ein Sprachmodell bedeutet dies: Je spezifischer der Datensatz ist, mit dem ein Modell trainiert wurde, desto bessere Ergebnisse sind in einem bestimmten Bereich zu erwarten. Was bedeutet das nun für die Versicherungsbranche oder die Versicherungssprache? Wie in jeder Branche gibt es einige Wörter, die Versicherungsfachleute kennen müssen. Wenn ein Nicht-Versicherungsfachmann versucht, eine allgemeine Versicherungsbedingung zu verstehen, kann er an seine Grenzen stoßen.

Wenn ein Sprachmodell also in der Lage sein soll, entsprechendes Versicherungsvokabular wie Entschädigungshöchstgrenze, Zillmerung oder Wartezeit zu verstehen, muss es mit entsprechenden Texten trainiert werden. Da es neben den versicherungsspezifischen auch spartenspezifische Begriffe gibt, kann eine zusätzliche spartenspezifische Feinabstimmung sinnvoll sein. Das Sprachmodell allein ist jedoch nicht für den erfolgreichen Einsatz verantwortlich.

Modellanpassungen erforderlich

Chat GPT wird auf einem allgemeinen Dokumentenkorpus trainiert und kann seine Antworten nur auf sein trainiertes Wissen beziehen. Die Berücksichtigung einzelner Dokumente oder Sachverhalte ist in diesem Fall ohne Modellanpassungen nicht möglich. Um für die Versicherungsbranche relevante Anwendungsfälle umsetzen zu können, halten wir eine Feinabstimmung nicht nur für möglich, sondern für zwingend erforderlich. Wenn man beispielsweise Versicherungstexte automatisch analysieren und/oder vergleichen will, muss man neben einem auf Versicherungssprache trainierten Modell eine ganze Prozessstrecke mit OCR und Datenvorverarbeitung aufbauen. In vielen Fällen ist die Kontextualisierung für Versicherungstexte entscheidend. Hierfür ist es wichtig, heterogene Textformatierungen verarbeitbar zu machen: Unter anderem müssen Textabschnitte mit Überschriften in einen Kontext gebracht oder Aufzählungen aufgelöst werden.

Fazit

Zusammenfassend lässt sich sagen, dass Chat GPT in der Versicherungsbranche nicht ohne weiteres anwendbar ist. Es gibt zahlreiche technische, rechtliche und ethische Herausforderungen, die im Einzelfall bewertet werden müssen. Der Einsatz von Sprachmodellen ist an sich in verschiedenen Anwendungsfällen durchaus sinnvoll und zielführend. Wir würden uns freuen, mit Ihnen die Einsatzmöglichkeiten von Natural Language Processing zu diskutieren. Bitte nehmen Sie Kontakt mit uns auf.

Künstliche Intelligenz in der Versicherung

Lukas Pulß

Autoren

Lukas Pulß – Management Consultant

Als erfahrener IT-Berater und Versicherungsexperte zeichnet sich Lukas‘ Expertise vor allem durch sein umfassendes Fach- und Branchenwissen sowie seine Erfahrung im gesamten Lebenszyklus von IT-Projekten aus. Als Product Owner bildet er die fachliche Klammer über die KI-Themen in der Business Unit Insurance.

Maximilian Lorenz

Maximilian Lorenz – Data Scientist

Bereits während seines Mathematikstudiums an der Universität Würzburg beschäftigte sich Maximilian Lorenz mit neuronalen Netzen und dem Einsatz von Machine-Learning-Algorithmen. Als Data Scientist betreut er KI-Projekte für internationale Kunden aus der Versicherungsbranche.

Ende des SAP Marketing Cloud Supports – wie der Wechsel zu Emarsys gelingt

Veröffentlicht am 30.09.2024

Ende des SAP Marketing Cloud Supports – wie der Wechsel zu Emarsys gelingt

Die SAP Marketing Cloud gehört zu den etablierten Marketinglösungen im SAP-Portfolio und wird von zahlreichen Unternehmen genutzt, um ihre Marketingaktivitäten zu optimieren und Kundenbeziehungen zu pflegen. Nun hat SAP bekannt gegeben, dass der Support für die SAP Marketing Cloud ab…

Product Lifecycle Management Integration

Veröffentlicht am 30.09.2024

Stärken Sie Ihre Produktstrategie: SAP Product Lifecycle Management (PLM)-Lösungen für Wettbewerbsvorteile

In der heutigen schnelllebigen Geschäftswelt ist eine starke Produktstrategie entscheidend, um wettbewerbsfähig zu bleiben. SAP Product Lifecycle Management (PLM) hat sich zu einem unverzichtbaren Werkzeug für Unternehmen entwickelt, die ihre Produktstrategie optimieren und ihre Marktposition stärken möchten. PLM-Lösungen ermöglichen es…

Provisionssystem einführen mit Convista

Veröffentlicht am 19.09.2024

Einführung eines neuen Provisionssystems: Ein einfacher und effektiver Ansatz

In der dynamischen und sich stetig wandelnden Welt ist es unerlässlich, dass Vertriebsprovisionen fair, transparent und motivierend gestaltet werden. Die Einführung eines neuen Provisionssystems bietet hierbei eine ausgezeichnete Gelegenheit, bestehende Modelle zu vereinfachen und gleichzeitig an die modernen Anforderungen des…