Banken, Versicherungen & Kanzleien

Schadenfotos automatisch bewerten: Computer Vision für Versicherer

Ob Handyfoto vom eingedrückten Kotflügel oder Drohnenaufnahme nach dem Hagelsturm: In der Schadenbearbeitung entstehen täglich Bilder, die Modelle vorsortieren und bewerten können. Dieser Tag richtet sich an Datenanalysten, Entwickler und technisch versierte Fachleute aus Schaden und Betrieb, die verstehen wollen, wie CNN, Vision Transformer und multimodale LLMs Schadenbilder auswerten. Sie trainieren selbst ein Klassifikationsmodell mit PyTorch, bauen eine Erstbewertung über eine Vision-API und klären, was zwischen Proof of Concept und Produktivbetrieb noch fehlt.

Für wen

Datenanalysten, Entwickler sowie technisch interessierte Fachleute aus Schadenabteilung und Betrieb von Versicherern, die Bildanalyse für die Schadenbewertung verstehen und als Prototyp umsetzen möchten.

KI-Tagesseminar · 1 Tag

Schadenbilder klassifizieren, mit Vision-LLMs auswerten und in den Schadenprozess bringen

Das nehmen Sie mit

  • Ein eigenes Schadenklassifikationsmodell mit Python und PyTorch ist trainiert, seine Güte gemessen und seine Fehlerbilder gedeutet.
  • Eine prototypische Erstbewertung per Vision-API zeigt Ihnen, was multimodale LLMs bei Schadenfotos leisten und wo Halluzination und Haftung bremsen.
  • Zwischen Klassifikation, Objekterkennung und Segmentierung sowie zwischen Spezialmodell und Allrounder-LLM wählen Sie begründet.
  • Für den Weg in die Produktion haben Sie Drift-Überwachung, Fotodatenschutz und Nachtraining eingeplant.

Ablauf

  1. Teil 1

    Modul 1 – Grundlagen: Wie Modelle Schadenbilder lesen

    • Vom Pixel zur Schadenart: CNN und Vision Transformer anschaulich nachvollzogen
    • Klassifikation, Objekterkennung oder Segmentierung: welches Verfahren zu welcher Schadenfrage passt
    • Multimodale Modelle mit Bildverständnis: GPT-4V, Gemini und Claude im Vergleich
    • Live-Demo: Ein Modell bestimmt Schadenart und -umfang anhand eines Handyfotos
    • Stand der Technik: wo die Bilderkennung heute überzeugt und wo sie noch danebenliegt
  2. Teil 2

    Modul 2 – Einsatzfelder: Bildanalyse entlang der Schadenbearbeitung

    • Kfz-Schäden anhand von Fotos einordnen und die Reparaturkosten schätzen
    • Gebäude- und Elementarschäden aus Drohnen- und Satellitenaufnahmen beurteilen, etwa nach Sturm oder Hochwasser
    • Belegprüfung: bearbeitete Schadenfotos und mehrfach eingereichte Bilder aufdecken
    • Fallbeispiele mit realen Schadenbildern aus Kfz- und Sachversicherung
    • Nutzen für Versicherungsnehmer, Sachbearbeitung und Betrugsabwehr gleichermaßen
  3. Teil 3

    Modul 3 – Praxis: Ein eigenes Klassifikationsmodell trainieren

    • Bilddatensätze zusammenstellen und annotieren: worauf es bei Schadenkategorien praktisch ankommt
    • Transfer Learning: vortrainierte Netze mit wenigen eigenen Schadenbildern brauchbar machen
    • Übung: Sie trainieren ein Schadenklassifikationsmodell in Python mit PyTorch
    • Modellgüte bestimmen und typische Fehlklassifikationen, etwa Hagel gegen Parkrempler, verstehen
  4. Teil 4

    Modul 4 – Multimodale LLMs: Erstbewertung per Vision-API

    • Schadenfotos von Vision-LLMs beschreiben lassen und die Angaben strukturiert auswerten
    • Übung: Eine automatisierte Erstbewertung eingehender Schadenfotos über eine Vision-API aufsetzen
    • Grenzen offen ansprechen: Halluzination, Kalibrierung der Konfidenz und Haftung
    • Spezialisiertes Modell oder Allrounder-LLM: Kriterien für die Wahl im Schadenfall
    • Kosten pro Bild und Latenz bei großen Schadenvolumina einkalkulieren
  5. Teil 5

    Modul 5 – Betrieb: Vom Prototyp zum produktiven Einsatz

    • Modellgüte im Betrieb laufend messen und Drift frühzeitig erkennen
    • Einbindung in den Schadenprozess: welche Entscheidung beim Modell liegt und welche bei der Sachbearbeitung
    • Datenschutz bei Schadenfotos: abgebildete Personen, Kfz-Kennzeichen und Metadaten der Aufnahme
    • Betrieb, Wartung und Nachtraining mit realistischem Aufwand einplanen
    • Fahrplan vom Proof of Concept bis zum produktiven Einsatz in der Schadenabteilung

VoraussetzungenEmpfohlen sind Grundkenntnisse in Python und erste Erfahrungen in der Datenanalyse.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen