Op verzoek van VVP, het platform voor financieel dienstverleners, legt onze CTO en AI strateeg Dennie van den Biggelaar uit hoe je specifieke AI en machine learning toepast op ‘advies in de praktijk’. In verschillende edities zullen de volgende onderwerpen worden uitgelicht: 

• Starten met specifieke AI en ML

• Operationaliseren in bedrijfsprocessen

• Integreren in bestaand IT landschap

• Meten = leren: KPIs voor ML

• Ethiek, regelgeving en maatschappij

• AI en ML: een kijkje in de nabije toekomst

In deze derde editie beantwoorden we de vraag: hoe integreer je een getraind algoritme met je bestaande IT-landschap en tooling?

Lees hier de tekst van het artikel:

Integreren van AI software

De verzekeringssector staat aan de vooravond van een technologische revolutie. Met de integratie van AI decision engines kunnen verzekeraars hun klantbediening aanzienlijk verbeteren en betere bedrijfsresultaten behalen. AI-algoritmes kunnen o.a. churn voorspellen, klantwaarde (CLV) berekenen en aanbevelingen doen voor cross- en upsell, waardoor adviseurs beter geïnformeerde beslissingen kunnen nemen. Maar hoe intergreer je deze algoritmes in je bestaande IT landschap? Hoe zorg je ervoor dat je werknemers deze voorspellingen en suggesties op het juiste moment tot hun beschikking hebben om makkelijker en effectiever te kunnen werken? In dit artikel bespreken we een aantal concrete technische tips voor een succesvolle integratie van AI decision engines in verzekeringssystemen.

Definieer een succesvolle integratie

Ik geloof er heilig in dat IT vraagstukken altijd een business doel moeten dienen. Een succesvolle integratie begint dan ook altijd met het stellen van de vraag: ‘wanneer is deze integratie succesvol?’ Het opstellen van een user story kan daarbij helpen, een voorbeeld:

“Als [digitale marketeer van volmachtbedrijf X] wil ik [wekelijks weten welke klanten behoefte hebben aan een extra product Y], zodat ik [voor deze groep een gerichte automatische marketing campagne kan opzetten] met als doel [het wekelijks genereren van (nieuwe) leads voor mijn buitendienstadviseurs].”

Dit is een mooi startpunt om de technische experts te presenteren wat er van hen wordt verlangd. Meestal volgen er dan nog verdiepende vragen:

• Welke specifieke informatie wil de gebruiker zien?

• Hoe vaak moet deze ververst worden?

• Hoe gaan we het succes meten van deze automatische campagnes?

Door het stellen én beantwoorden van deze vragen, identificeert het team vanzelf de kaders van een succcesvolle integratie. Dit is dus geen one-man-job: het is belangrijk dat bij deze exercitie zowel de business/gebruikers als technische experts vertegenwoordigd zijn!

Analyse bestaand IT-landschap

Een succesvolle integratie begint met een grondige analyse van de bestaande IT-infrastructuur. Veel integratiepogingen mislukken omdat er geen goed inzicht is in de huidige systemen, wat leidt tot compatibiliteitsproblemen. Met welke bestaande IT-systemen, databases en interfaces moet het AI-algoritme ‘samenwerken’? Welke hoeveelheden data moeten er worden doorgegeven? Wanneer en hoe snel?

In de praktijk betekent dit samenwerken en afstemmen met verschillende IT partners van backend en frontend systemen. Start deze inventarisatie daarom tijdig en neem alle (externe) stakeholders mee in je plannen. Heb je hier zelf geen tijd of resources voor? Stel dan één van je IT partners aan om dit project management voor je te doen. Het is tenslotte hun expertise!

Overzichtelijk, schaalbaar en wendbaar

Ik heb helaas vaak moeten meemaken dat organisaties innovatieve plannen hadden, maar dat hun IT landschap té rigide was ingericht. Ontwerp daarom een modulaire en schaalbare architectuur om toekomstige uitbreidingen en veranderingen mogelijk te maken, zodat je als organisatie wendbaar bent. Daarom is het tegenwoordig best practice om microservices architecturen te gebruiken, waarbij elke functionaliteit als een aparte service draait. Zo wordt het makkelijker om nieuwe elementen toe te voegen, te vervangen of bestaande te updaten zonder de hele infrastructuur te herzien.

Consistentie en kwaliteit

Datakwaliteit is cruciaal voor het succes van AI. Veel AI-systemen presteren slecht door inconsistente, onvolledige of verouderde data. Implementeer daarom een data cleaning en preprocessing pipeline die ervoor zorgt dat alle data die naar de AI decision engine wordt gestuurd, schoon en up-to-date is. Geautomatiseerde tools voor data-integratie en validatie kunnen hierbij helpen, waardoor de betrouwbaarheid van de AI-uitkomsten wordt gegarandeerd. Gebruik ETL (Extract, Transform, Load) processen om data uit verschillende bronnen te extraheren, te transformeren naar een uniform formaat en te laden in een centrale data repository. Dit zorgt voor een gestroomlijnde dataflow die essentieel is voor het succesvol trainen en gebruiken van AI-modellen.

Testen, valideren en monitoren

Grondige tests en validaties zijn essentieel om ervoor te zorgen dat de AI-modellen correct functioneren binnen de bestaande systemen. Onvoldoende testen kan leiden tot fouten en onverwachte problemen na livegang. Voer daarom uitgebreide tests uit in een gesimuleerde omgeving die de productieomgeving nabootst. Valideer de output van de AI-modellen met historische data en scenario-analyses. Betrek eindgebruikers in de testfase om ervoor te zorgen dat de modellen voldoen aan de bedrijfsvereisten en gebruikerseisen.

Gebruik API’s

API’s (Application Programming Interfaces) zijn essentieel om AI decision engines te verbinden met bestaande systemen. Zonder gestandaardiseerde interfaces kan de communicatie tussen systemen inefficiënt en problematisch zijn. Door API’s te ontwikkelen en te implementeren die data kunnen ontvangen en verzenden, wordt de integratie flexibel en schaalbaar. Dit zorgt ervoor dat de AI decision engine robuust kan communiceren met zowel backoffice- als frontoffice-systemen.

Veiligheid en privacy

Databeveiliging is cruciaal, vooral gezien de gevoelige aard van verzekeringsgegevens. Onvoldoende beveiliging kan leiden tot datalekken met als gevolg verlies van klantvertrouwen en inbreuk op de privacy van consumenten. Gebruik daarom alleen data die daadwerkelijk nodig is en anonimiseer zoveel mogelijk. Heb je bepaalde gevoelige data echt nodig? Pas dan encryptie toe. Zorg ervoor dat alle data-overdrachten tussen systemen en de AI decision engine over een versleutelde verbinding lopen. Gebruik toegangscontroles en audit logging om de veiligheid van de data te waarborgen en compliance met regelgeving te garanderen.

Conclusie

Een gedegen integratie is een voorwaarde om AI succesvol te laten landen in je organisatie. Je moet niet alleen letten op een schaalbare business case en de gebruiker, maar ook nadenken over wendbaarheid, veiligheid, privacy en kwaliteit. Hierdoor heb je dus een team nodig met verschillende competenties en zul je moeten afstemmen en samenwerken met IT partners.

Zorg daarom eerst dat jij of iemand in je eigen organisatie scherp heeft wat de business kaders zijn van een succesvolle integratie. Maak deze expliciet, zodat je dit kunt overdragen. Stel vervolgens iemand aan die zich verantwoordelijk voelt voor de realisatie en het bijbehorende project management. Als je hiervoor zelf geen resources wilt of kunt vrijmaken, kun je hiervoor prima één van je trusted IT partners inschakelen. Kun jij lekker focussen op jouw eigen core business!