MLOps: Mehr als nur ein Hype?

Die Nutzung von Lösungen im Bereich Maschinelles Lernen (ML) nimmt in der Versicherungsbranche an Fahrt auf. Hinsichtlich Entwicklung und Betrieb von ML-Lösungen rücken dabei auch verstärkt MLOps-Konzepte in den Fokus. Sie sind kein Hype-Thema, sondern vielmehr ein wichtiger Treiber für den verstärkten ML-Einsatz.

Bisher ist die ML-Nutzung bei Versicherungsunternehmen oft auf Vertriebs- oder Marketingthemen beschränkt. Beispiele sind Chatbots oder Conversational AI. Aber auch bei den Kernversicherungssystemen selbst werden zunehmend ML-Technologien eingesetzt, etwa bei der Bearbeitung von Krankenversicherungsansprüchen oder der Automatisierung der Fallbearbeitung bei Sachversicherungen. So unterstützen ML-Lösungen bei der automatisierten Analyse von Schadensfotos oder der Informationsextraktion aus unstrukturierten Daten wie gescannten Dateien. Betrugsversuche können damit einfacher aufgedeckt werden und auch die Genauigkeit bei der Schadensregulierung verbessert sich.

Allerdings sind die Entwicklung, die Integration, der Betrieb und die kontinuierliche Pflege von ML-Modellen auch mit hohen und spezifischen Herausforderungen verbunden. Für Versicherer ist dies ein nicht zu unterschätzender Aufwand.

Unterstützung bietet hierbei der MLOps-Ansatz, der die Verwaltung des gesamten ML-Lebenszyklus umfasst, von der Softwareentwicklung über die Analyse von Geschäftsmetriken bis hin zum Betrieb (Operations). MLOps-Modelle gewinnen derzeit in vielen Bereichen an Bedeutung. Auch für Versicherungsunternehmen ist eine MLOps-Nutzung von Vorteil, da sie damit ML-Verfahren in Produktionsumgebungen erfolgreich bereitstellen, effizient verwalten und warten sowie sicher überwachen können. Data Scientists werden so beim erfolgreichen ML-Einsatz entscheidend entlastet. 

MLOps-Verfahren bieten Unternehmen eine ganzheitliche Prozessunterstützung. Zu den vier wesentlichen Leistungsmerkmalen gehören:

1. Vereinfachung und Beschleunigung der Bereitstellung

Für die Entwicklung von ML-Lösungen können mehrere verschiedene Bibliotheken, Frameworks, Programmiersprachen und Tools genutzt werden. Schwierigkeiten beim Bereitstellungsprozess können die Folge sein. Durch den Einsatz von MLOps kann das Deployment von Modellen aus verschiedenen Frameworks standardisiert, erheblich beschleunigt und vereinfacht werden.

2. Effiziente Überwachung

Herkömmliche Software-Monitoring-Tools sind im Allgemeinen nicht optimal für ML-Projekte ausgelegt. Daher ist es wichtig, über eine Reihe von Überwachungsverfahren zu verfügen, die speziell für Maschinelles Lernen entwickelt wurden. MLOps bietet solche Monitoring-Möglichkeiten. Dazu zählen etwa die Bereitstellung modellspezifischer Metriken, die Erkennung von Datendrifts, die Evaluierung der Modellperformance oder die Ressourcenverwaltung.

3. Verwaltung des ML-Lebenszyklus

Der ML-Lebenszyklus erfordert einen mehrstufigen Ansatz. Schließlich geht es dabei um Aspekte wie Modellerstellung, kontinuierliche Integration, Bereitstellung, Orchestrierung, Governance, Überwachung oder Diagnose. Das heißt, die Erstellung einer performanten ML-Lösung geht weit über die reine Entwicklung hinaus und umfasst zum Beispiel auch die Wartung der Modelle mit laufenden Aktualisierungen und einer kontinuierlichen Verbesserung. Diese Änderungen dürfen dabei nicht zu einer Unterbrechung des Geschäftsbetriebs führen. Mit der MLOps-Nutzung kann dies zuverlässig sichergestellt werden.

4. Garantierte Einhaltung von Vorschriften und Compliance-Vorgaben

MLOps-Verfahren bieten Rückverfolgbarkeit, Zugriffskontrolle und Audit-Trails zur Qualitätssicherung. Nutzer können so Risiken minimieren, unerwünschte Änderungen unterbinden und die Einhaltung von Vorschriften durchsetzen.

„Aufgrund ihrer zahlreichen Vorteile – von der Prozessoptimierung und -automatisierung bis zur Erhöhung der Mitarbeiterproduktivität – werden ML-Modelle auch im Versicherungssektor bald zum Unternehmensalltag gehören. Im Hinblick auf die ML-Komplexität spricht dabei viel für die Nutzung von MLOps-Verfahren“, betont Dr. Eike Schmidt, Chief Technology & Product Officer von Fadata. „Schließlich kann ein Versicherer mit MLOps die Automatisierung und Überwachung aller Schritte der ML-basierten Problemlösung sicherstellen, und zwar einschließlich Integration, Testing, Release-Management, Deployment oder Infrastruktur-Verwaltung.“

www.fadata.eu