Branchenlösungen

Gesundheitswesen

Reduktion der Anzahl Stürze in Krankenhäusern

Ein Krankenhaus beginnt die Nutzung von Künstliche Intelligenz, um die Anzahl von Patienten, die während des Aufenthalts gefährliche Stürze erleiden, zu reduzieren

Quelle: USNews

flash_on

Herausforderung

Stürze sind eine weitverbreitete und erntszunehmende Gefahr für die Sicherheit von Krankenhauspatienten. Das El Camino Krankenhaus im Silicon Valley wollte die Anzahl der Patienten, die während ihres Aufenthalts gefährlich stürzen, reduzieren.

build

Lösung

Eine Software, die mithilfe von elektronischen Patientenakten vorhersagen kann, welche Patienten das höchste Sturzrisiko haben. Gleichzeitig kann die Software das Vorhersagemodell durch Echtzeit-Verfolgung von Patienten verbessern.

business_center

Auswirkung

Sechs Monate nach Implementierung der auf Künstlicher Intelligenz basierenden Technologie hat sich die Anzahl gefährlicher Stürze um 39% verringert.

Reduktion von Verzögerungen in Operationssälen von Krankenhäusern

Quelle: Beckers Hospital Review

flash_on

Herausforderung

Das Lucile Packard Kinderkrankenhaus in Palo Alto war daran interessiert, vorhersagen zu können, wie groß die Wahrscheinlichkeit für Verzögerungen bei Operationen ist. Dadurch wäre es möglich, Zeitpläne genauer anzufertigen.

build

Lösung

Implementierung einer Vorhersageplattform, die Echtzeitinformationen über Behandlungen ermöglicht. Dank der Echtzeitinformationen bezüglich Verzögerungen von Operationen oder vorhergesagten Zeitüberschreitungen können Entscheider nun proaktiv statt reaktiv handeln. Verwendete Daten beinhalten die Art des Eingriffs, die historischen Aufzeichnungen des Chirurgen und die Krankengeschichte des Patienten.

business_center

Auswirkung

Innerhalb von 4 Monaten nach der Implementierung wurden eine Abnahme in Höhe von 10% an Zeitüberschreitungen sowie 15% an Zeitunterschreitungen festgestellt. Der Prozentsatz der um mehr als 10 Minuten verspäteten Fällen verringerte sich um 11 %, sodass seit der Implementierung insgesamt eine Verspätungsverminderung von 520 Stunden erreicht werden konnte.

Branchenlösungen

Banking

Dänische Großbank nutzt Machine Learning-Technologie, um digitalen Betrug abzuwenden

Quelle: Forbes

flash_on

Herausforderung

Durch die Digitalisierung sehen Banken sich mit neuen Arten des Betrugs konfrontiert. Derzeit ist die Betrugserkennung zu restriktiv, sodass sie häufig zur Ablehnung lukrativer Geschäfte führt. Die dänische Danske Bank hat durch Ihr Transaktionsmonitoring jeden Tag automatisch 1.200 mögliche Betrugsfälle identifiziert, wovon 99,5% fälschlich aufgezeigt wurden.

build

Lösung

Nachdem die Bank einige zur Betrugsbekämpfung verfügbare Softwarepakete evaluiert hatte, entschied sie sich, ein eigenes Vorhersagemodell zu erstellen. So konnte sie sicherstellen, eine Lösung in ihre eigene Datenlandschaft anzupassen und so ihr Vorhersagepotenzial zu maximieren.

business_center

Auswirkung

Mithilfe einer Machine Learning-Lösung konnte die Bank zu Unrecht identifizierte Betrugsfälle um 35% reduzieren und die Erkennung tatsächlicher Betrugsfälle um etwa dieselbe Rate erhöhen. Nachdem die Lösung um Deep Learning erweitert wurde, wurden sogar eine Reduktion um 60% bzw. ein Anstieg um 50% erreicht.

Automatisiertes Ablagesystem

Mithilfe Künstlicher Intelligenz konnte JPMorgan Chase 360'000 Arbeitsstunden von Anwälten einsparen. Das automatisierte System kann die gleichen Aufgaben mit der gleichen Resultatqualität innerhalb von Sekunden abschliessen.

Quelle: Futurism

flash_on

Herausforderung

JPMorgan Chase musste jedes Jahr 360'000 Arbeitsstunden von Anwälten und Kreditsachbearbeiter aufwenden, um eine Reihe alltäglicher Aufgaben zu bewältigen. Dies sind z.B. Aufgaben wie das Klassifizieren von kommerziellen Kreditverträgen zur Archivierung.

build

Lösung

Es wurde eine Software entwickelt, mit der Kreditverträge durch eine Künstliche Intelligenz automatisch klassifiziert werden kann. Während die Rechtsabteilung zuvor tausende Arbeitsstunden aufwenden musste, ist die Software in der Lage, Daten nun schneller als menschliche Experten zu interpretieren. Die Schulung der Software erfolgte auf Basis vergangener Klassifizierungen.

business_center

Auswirkung

Mithilfe der Software konnte die Zahl von Irrtümern bei der Bezahlung von Krediten reduziert werden. Solche Irrtümer waren aufgrund der menschlichen Fehlerquelle bei der Auswertung von 12.000 neuen Verträgen pro Jahr zuvor häufiger sichtbar.

Branchenlösungen

Versicherungen

Optimierung der Preissetzung bei kostenintensiven Schadensfällen

Quelle: Google

flash_on

Herausforderung

Jedes Jahr sind etwa 7-10% der Kunden von AXA in Autounfälle verwickelt. Hauptsächlich handelt es sich um kleine Unfälle, bei denen die Versicherungskosten sich auf einige hundert oder tausend Dollar belaufen. Etwa 1% sind Fälle, die große Verluste und Kosten von über 10.000 Dollar verursachen. Für AXA war es wichtig, herauszufinden, welche Versicherungsnehmer ein hohes Risiko für einen solchen Fall darstellen, um die Preissetzung entsprechend anpassen zu können.

build

Lösung

Zunächst hat das F&E Team von AXA in Japan ein Machine Learning-Modell entwickelt, das ungefähr vorhersagen kann, ob ein Fahrer während der Versicherungsdauer einen Unfall verursachen wird. Im ersten Schritt wurde ein traditionelles Machine Learning-Verfahren implementiert: Ein sogenannter Random Forest. Damit wurde eine Vorhersagegenauigkeit erreicht, die in etwa nur dem Zufallsprinzip entsprach. Danach konnte das Team durch die Entwicklung eines experimentellen Deep Learning (Neuronales Netzwerk) Modells eine Genauigkeit von 78% erreichen.

business_center

Auswirkung

Durch das Modell konnte AXA eine Vorhersagegenauigkeit von 78% erreichen. Mit dieser Verbesserung kann AXA einen bedeutenden Vorteil bei der Optimierung von Versicherungskosten und Preissetzung aufweisen. Zudem hat die Versicherung somit die Chance, neue Versicherungsleistungen wie zum Beispiel die Echtzeit-Preissetzung zum Verkaufszeitpunkt, zu erstellen.

Erkennung von Betrug und Missbrauch

Erhöhung der Präzision von Betrugserkennungssystemen.

Quelle Elderresearch

flash_on

Herausforderung

Das Überprüfen von Gesundheitsdienstleistern, die verdächtigt werden, betrügerische Praktiken abzurechnen, kann zeit- und kostenintensiv sein. Da es unter den Dienstleistern nur vergleichsweise wenige Bösewichte gibt, handelt es sich hier um ein typisches Nadel-im-Heuhaufen-Problem.

build

Lösung

Ein Vorhersagemodell, das in der Lage ist Prüfer die wahrscheinlichsten Betrugsfälle aufmerksam zu machen. Hierzu werden verdächtige Fälle zu bewertet und nach Risiko gewichtet aufgelistet.

business_center

Auswirkung

Für die vom Modell identifizierten 50 risikoreichsten Anbieter, wurde die Betrugserkennungsrate von 5% auf 48% erhöht. Somit stieg auch die Effizienz der Prüfer.