Einsatz künstlicher Intelligenz für ein intelligenteres Risikomanagement bei Waldbränden in der Versicherung

Weltweit treten Waldbrände immer häufiger und intensiver auf, was zum Teil durch den Klimawandel verschärft wird, der zu mehr Dürren und Hitzewellen führt. Die letzten Jahre haben gezeigt, dass die finanziellen und ökologischen Folgen von Waldbränden immer größer werden: 2023 war das schlimmste Jahr aller Zeiten für Waldbrände, während 2021 und 2020 die dritt- bzw. viertschlimmsten Jahre waren. Die finanziellen Auswirkungen sind für die Versicherer katastrophal, da die Auszahlungen mit der zunehmenden Häufigkeit und dem Ausmaß von Waldbränden in die Höhe schnellen. Acht der zehn teuersten Waldbrände fanden in den letzten zehn Jahren statt, und zwischen 2013 und 2022 verursachten Waldbrände wirtschaftliche Schäden in Höhe von fast 100 Milliarden US-Dollar und versicherte Schäden in Höhe von 70 Milliarden US-Dollar.

Das weltweit wachsende Problem der Waldbrände hat den öffentlichen und privaten Sektor dazu veranlasst, innovative Lösungen für die Überwachung und Eindämmung von Waldbrandrisiken zu entwickeln. Unternehmer und Innovatoren haben mit Hilfe von Spitzentechnologien Instrumente entwickelt - wie Systeme zur Erkennung von Waldbränden und Überwachungssatelliten -, die den Versicherern präzise, effiziente und wirksame Mittel an die Hand geben, um die Überwachung und Bewertung von Waldbrandrisiken, die Zeichnung und Verwaltung von Schäden sowie die Kundenzufriedenheit zu verbessern.

Ein in Kalifornien ansässiges Start-up-Unternehmen hat eine Plattform zur Modellierung des Waldbrandrisikos für Versicherer entwickelt, die ihnen hilft, das Waldbrandrisiko sowohl auf Nachbarschafts- als auch auf Objektebene vorherzusagen. Die Plattform von ZestyAItrainiert Systeme der künstlichen Intelligenz (KI) auf der, wie das Unternehmen es nennt, "weltgrößten Datenbank für Waldbrandschäden", die detaillierte Informationen über jeden bedeutenden Waldbrand in den USA von 2000 bis heute enthält und fast 100 Prozent der historischen Waldbrandschäden der Branche repräsentiert", sagt Kumar Dhuvur, Mitbegründer und Chief Product Officer des Start-ups.

Als die Versicherer in den USA in brandgefährdete Bundesstaaten expandierten, kämpften sie mit konventionellen Risikobewertungsinstrumenten wie auf Waldbrandkarten basierenden Lösungen und objektspezifischen Modellen, die nicht auf Verlustdaten trainiert waren und denen es an der für eine genaue Segmentierung des Waldbrandrisikos erforderlichen Granularität mangelte, so Dhuvur.

Der Schlüssel zu einer möglichst präzisen Bewertung des Waldbrandrisikos liegt laut Dhuvur in der wirkungsvollen Kombination von KI und einer Fülle von hochrelevanten und unverfälschten Daten - im Gegensatz zu den simulierten Daten, die viele andere Programme zur Modellierung des Waldbrandrisikos verwenden.

KI-Algorithmen sind auf große Datenmengen angewiesen, um zu lernen und Muster zu erkennen, wobei die Datenqualität für den Aufbau präziser und effektiver KI-Systeme entscheidend ist. ZestyAI bezieht Daten über die Umgebung von Waldbränden von Bundes- und Landesbehörden. "Wir ergänzen diese Daten mit einer Analyse historischer Luftaufnahmen, um festzustellen, welche Gebäude überlebt haben oder von den einzelnen Bränden betroffen waren", sagt Dhuvur. Dieser "umfangreiche historische Datensatz" fließt in die firmeneigenen KI-Systeme ein, "die wichtige Erkenntnisse über das Verhalten, die Auswirkungen und die Trends von Waldbränden liefern und so die Risikovorhersage und -minderung verbessern."

Künstliche Intelligenz ist von unschätzbarem Wert, wenn es darum geht, unstrukturierte Daten - große Sammlungen von Datensätzen, die aus allem Möglichen bestehen können, von Bildern über Geo- und Satellitendaten bis hin zu Analysen - in strukturierte und nützliche Erkenntnisse für Versicherer zu verwandeln. Große Sprachmodelle (Large Language Models, LLMs), d. h. KI-Programme, die Text identifizieren und generieren können, wurden auf eine Vielzahl von Quellen wie Baugenehmigungen und Immobilienlistendaten angewendet. Durch die Einbeziehung solcher Daten ermöglichen LLMs den Versicherern, tiefere Einblicke in strukturelle Schwachstellen zu gewinnen. "Dadurch kann die Plattform wertvolle Merkmale auf Immobilienebene extrahieren, die für die Risikobewertung entscheidend sind", sagt Dhuvur.

Computer Vision - ein Bereich der künstlichen Intelligenz, der es Maschinen ermöglicht, Menschen und Objekte in Bildern und Videos zu erkennen und zu beschreiben - wird auch verwendet, um detaillierte Eigenschaften von Immobilien aus Luft- und Satellitenbildern zu extrahieren, wie z. B. schützenswerte Bereiche, überhängende Vegetation und Baumaterialien. Dhuvur erklärt: "Durch die Integration dieser Bilder mit zusätzlichen Datenquellen entsteht ein umfassendes Bild des Waldbrandrisikos, das vorhersagen kann, welche Grundstücke bei einem Waldbrand am stärksten gefährdet sind und welche eher überleben werden - und damit die Einschätzungen herkömmlicher Modelle übertrifft."

Mithilfe von Techniken des maschinellen Lernens wie Gradient-Boosting-Maschinen (GBM) kann die Plattform analysieren, wie verschiedene Eigenschaften von Immobilien zusammenwirken, vom Klima über die Topografie bis hin zu baulichen Details. Laut Dhuvur schneiden diese Maschinen bei der Risikomodellierung besser ab als herkömmliche und nicht KI-gestützte Modelle, wie z. B. verallgemeinerte lineare Modelle, die alle Faktoren gleich behandeln, ohne zu berücksichtigen, wie sie auf komplexere Weise zusammenwirken können. "GBMs zeichnen sich durch die Identifizierung und Modellierung komplexer Wechselwirkungen aus. Sie können erkennen, dass das Risiko, das von der nahe gelegenen Vegetation ausgeht, in bestimmten Klimazonen oder Gebieten mit besonderem Terrain höher sein kann, zum Beispiel, wenn das Grundstück an einem Hang liegt. Diese Fähigkeit, die einzigartigen Risikofaktoren eines jeden Grundstücks zu berücksichtigen, führt zu einer maßgeschneiderten und präzisen Risikobewertung, die das tatsächliche Waldbrandrisiko eines Grundstücks viel genauer widerspiegelt - insbesondere in Gebieten, in denen diese Risiken von einem Grundstück zum anderen dramatisch variieren können.

Für die Versicherer bedeutet der Einsatz eines Toolkits, das sehr detaillierte Erkenntnisse auf Objektebene zur Bewertung des Waldbrandrisikos liefern kann, fundiertere Underwriting-Entscheidungen und die Möglichkeit, Prämien festzulegen, die besser auf das tatsächliche Risiko abgestimmt sind.

Dieser Ansatz ermöglicht es den Versicherern nicht nur, die Schadenkosten zu senken, sondern auch engere Partnerschaften mit den Versicherungsnehmern zu pflegen, indem sie proaktive Risikomanagementmaßnahmen unterstützen.

Kontinuierliche Fortschritte bei anderen Technologien, wie z. B. Sensoren und Fernerkundung, haben ebenfalls zu einer leichteren Zugänglichkeit und Nutzung geführt. Sensor- und Fernerkennungs-Technologien bieten die Möglichkeit, Umweltdaten in Echtzeit zu liefern, die in Vorhersagemodelle integriert werden können, so dass Versicherer das Risiko dynamisch überwachen und ihre Preismodelle entsprechend anpassen können", sagt Dhuvur.

Da Waldbrände weiterhin eine Herausforderung für Versicherer auf der ganzen Welt darstellen, bietet ihnen die Einführung von KI-gestützten Risikomodellen ein wichtiges Instrument, um diesem aufkommenden Risiko einen Schritt voraus zu sein. "Diese Fortschritte eröffnen den Versicherern neue Möglichkeiten, das Risiko genauer einzuschätzen und Prämien auf der Grundlage detaillierter Objektdaten zu berechnen", sagt Dhuvur. Plattformen wie ZestyAI bieten die nötige Präzision und Voraussicht, um Unternehmen und Gemeinden zu schützen.