Was gibt es Neues zu dem Thema aus der Versicherungswelt?
Nicht direkt themenverwandt, aber hochinteressant sind erste Lösungen zur Virtualisierung von Kundenverhalten. Tausende virtueller Kunden mit unterschiedlichen Personas und damit abweichenden Präferenzen reagieren auf Tarif- und Preisänderungen eines Angebots.
Aus dem simulierten Verhalten der virtuellen Kunden lassen sich wichtige Erkenntnisse für ein optimales Produktportfolio gewinnen und sind wesentlich genauer als Marktforschung, Pricing-Beratung oder das eigene Bauchgefühl.
Aktuelle Neuigkeiten und Trends aus der Forschung
Segmentierung ohne Expertenwissen
Derzeit erfordern selbst die populärsten Modelle für Objekterkennung und Segmentierungsaufgaben in der Computer Vision, wie bspw. das Faster R-CNN (Faster Region Based Convolutional Neural Network), manuelles Einpflegen über Wissen der Architektur. Ein neues Framework, das DETR genannt wird (kommt von DEtection TRansformer), verwendet 2D-Bildmerkmale aus einem CNN (Engl. für Faltungsnetze), führt sie zu einer Sequenz zusammen und transformiert sie, um Merkmale zu modellieren. Das Modell ist einfacher, da es lernt zu interpretieren und viel manuelles Vorarbeiten nicht mehr gebraucht wird. Im Bild sieht man, dass das Modell für Segmentierungsaufgaben recht gut abschneidet.
Raumkrümmungen korrigieren
360° Bilder liefern nicht unbedingt die Ergebnisse, die man sich wünscht. Wir sehen hier, dass das linke Bild fehlausgerichtet ist, also keine einheitliche Bezugslinie hat. Hochmoderne Deep Learning Algorithmen sind in der Lagen, dem Bild einen ebenen Bezugspunkt zu geben und so einheitlich auszurichten.
Semantisches Erkennen von Bildobjekten
Bisher tun sich Modelle schwer, Texte und Symbole in Bildern zu erkennen und ihren semantischen Hintergrund zu begreifen. Aber auch hier gibt es einen großen Fortschritt in der Forschung. So ist das KI-Modell LoRRA (Look, Read, Reason & Answer) auf einem völlig neuen Datensatz aus ca. 45.000 Fragen zu ca. 28.000 Bildern trainiert worden, und konnte danach effizient Fragen zu Bildern beantworten.
Realistische Abtastwerte in Texturen erzeugen
Das ist aber noch nicht alles aus dem Bereich von Computer Vision. Das Modell SinGAN ist in der Lage, realistische Abtastwerte für Texturen und ganze Objekte zu erzeugen und liefert damit einen echten Mehrwert im Bereich der Bildverarbeitung.
Man beachte den Weihnachtsbaum, in der Mitte rechts, der als bildfremdes Objekt eingefügt wurde und als solches ein völlig falsches Sampling besitzt. Der Algorithmus lässt es aber so aussehen, als wäre er Teil des Originals.
