Wie beschleunigt die Helvetia Group die Dokumentenverarbeitung mit GenAI?
- Daten & Künstliche Intelligenz
Diese Seite wurde automatisch aus dem Englischen übersetzt, um den Zugang zu erleichtern. Im Zweifelsfall empfehlen wir, die Originalversion zu konsultieren.
Die geschäftliche Herausforderung
Die Kosten der manuellen Dokumentenbearbeitung
Wie in vielen anderen Branchen besteht die tägliche Arbeit zahlreicher Mitarbeitender in Versicherungsunternehmen darin, Informationen aus Dokumenten zu extrahieren und manuell in ein System einzugeben, um sie digital verfügbar zu machen. Diese Integration ermöglicht es dem Unternehmen, die Informationen in seine Datenlandschaft einzubinden, wodurch eine maschinelle Verarbeitung und Speicherung für verschiedene Zwecke möglich wird. Während viele Dokumenttypen heute digital verarbeitet werden können, erfordern Scans und Fotos häufig weiterhin manuelle Bearbeitung – insbesondere bei variierenden Strukturen und Layouts. Das kostet Zeit:
Je nach Länge des Dokuments kann dieser Schritt von wenigen Sekunden bis zu mehreren Minuten dauern. In gut strukturierten Versicherungsdokumenten ist die Informationssuche schnell erledigt, bei 120-seitigen Berichten hingegen deutlich aufwendiger.
Der Zeitaufwand für die Eingabe der extrahierten Daten hängt von der Informationsmenge und der Benutzerfreundlichkeit des Systems ab. In der Regel dauert dieser Schritt Sekunden bis Minuten.
Die Eingabe, insbesondere bei komplexen oder zahlreichen Datenfeldern, wird mit dem Originaldokument abgeglichen. Teilweise erfolgt auch ein automatischer Abgleich mit internen Systemen, z. B. zur Zuordnung eines Kundennamens aus dem Dokument zu einer Kunden-ID in einer internen Datenbank. Je nach Komplexität dauert auch dieser Schritt Sekunden bis Minuten.
Insgesamt reicht die Bearbeitungszeit für manuelle Dokumentenverarbeitung von wenigen Minuten bis zu mehreren Stunden – etwa bei der Prüfung komplexer Unterlagen für die Risikobewertung von Unternehmenskunden in spezialisierten Geschäftsbereichen.
Auch bei Helvetia Group (in einem neuen Tab öffnen) ist die Informationsgewinnung aus Dokumenten mit erheblichem manuellem Aufwand verbunden. Als Vorreiter bei der Einführung innovativer Technologien erkannte Helvetia Group bereits 2023, dass generative künstliche Intelligenz (GenAI), insbesondere große Sprachmodelle (LLMs), eine Lösung zur Effizienzsteigerung in diesem Bereich bieten könnte. Im Rahmen des Programms „Fit4AI“ entstand die Idee zur internen Entwicklung einer intelligenten Anwendung zur schnellen Dokumentenextraktion. Helvetia Group holte Wavestone als Entwicklungspartner ins Boot – nach mehreren erfolgreichen und innovativen KI-Projekten.
Unsere Lösung und Herangehensweise
Obwohl das Projekt auf einem konkreten Anwendungsfall basierte, war schnell klar, dass verschiedene Abteilungen bei Helvetia Group dieselben manuellen Schritte durchführen. Die Inhalte und Dokumenttypen mögen stark variieren, doch der grundsätzliche Ablauf bleibt gleich. Daher wurde die Anwendung nicht nur für einen einzelnen Use Case entwickelt, sondern so konzipiert, dass sie leicht auf neue Anwendungsfälle skalierbar ist – und sich die Entwicklungsinvestition mehrfach auszahlt.
Die Lösung ist modular aufgebaut. Ihr Kern besteht aus einer OCR-Komponente (Optical Character Recognition) und einem LLM-Modul. Jeder Anwendungsfall wird durch eine Konfigurationsdatei definiert, die die zu extrahierenden Inhalte festlegt. OCR ist eine KI-Methode, die mithilfe eines Vision-Modells Text in Bildern erkennt und in Textform umwandelt. Dieser Text wird zusammen mit den spezifischen Anforderungen des Use Cases an ein LLM übermittelt, das die gewünschten Informationen extrahiert. Das Ergebnis wird in einem strukturierten Format ausgegeben und ist somit direkt maschinell weiterverarbeitbar.
Eine skalierbare, flexible und sichere KI-Lösung
Neben der einfachen Skalierbarkeit über verschiedene Anwendungsfälle hinweg war Flexibilität bei den verwendeten KI-Modellen und Dienstleistern ein zentrales Designprinzip. Die GenAI-Entwicklung schreitet rasant voran – nahezu wöchentlich erscheinen neue, leistungsfähigere Modelle von unterschiedlichen Anbietern. Daher war klar: Eine nachhaltige Lösung muss die Integration neuer Modelle ermöglichen. Diese Flexibilität besteht sogar auf Anfrageebene, da je nach Use Case ein Modell bessere Ergebnisse liefern kann als ein anderes. Auch direkte Abfragen an multimodale Modelle sind möglich. Diese können Bilder wie Scans und Fotos direkt verarbeiten und daraus Informationen extrahieren.
Die Flexibilität betrifft auch die Bereitstellung der KI-Modelle. Sie können über verschiedene Hyperscaler-Dienste (z. B. Azure, AWS, Google usw.) genutzt werden. Aktuell kommen Azure-Dienste zum Einsatz, doch die Lösung erlaubt eine einfache Migration zu anderen Anbietern.
Die interne Entwicklung bringt nicht nur Flexibilität, sondern auch Sicherheit. Die Anwendung läuft innerhalb der Helvetia-Infrastruktur, und weder die Inhalte der Abfragen noch die verarbeiteten Dokumente verlassen dank der Cloud-Angebote von Azure die „Helvetia-Welt“.
InfoXtractor ermöglicht uns die schnelle Interpretation von Millionen digitalisierter Dokumente und wird viele Prozesse erheblich vereinfachen.
Ergebnisse
Von Minuten auf Sekunden, von Stunden auf Minuten
Die neue GenAI-Lösung ersetzt manuelle Schritte und liefert Ergebnisse je nach Komplexität des Use Cases und Dokumentgröße innerhalb von Sekunden oder Minuten. Dank des strukturierten Ausgabeformats können die extrahierten Daten direkt maschinell verarbeitet oder über eine Benutzeroberfläche zur Prüfung angezeigt werden.
Wie erwartet – und bereits während der Entwicklungsphase – wandten sich immer mehr Teams aus verschiedenen Helvetia-Abteilungen mit potenziellen Anwendungsfällen an das Projektteam. Bald waren über 20 Use Cases in der Pipeline, mit unterschiedlichen Teams, die die Machbarkeit der Lösung prüften, die intern bei Helvetia Group inzwischen unter dem Namen InfoXtractor bekannt ist. Die Lösung ist inzwischen live und zeigt vielversprechende Ergebnisse – mit hoher und weiter wachsender Nachfrage.