Computer Vision mit Deep Learning in der Schadenbegutachtung: Bilder automatisiert bewerten

Computer Vision mit Deep Learning in der Schadenbegutachtung: Bilder automatisiert mit KI.

MODUL 01: WIE MASCHINEN SEHEN LERNEN

• Der Weg vom Pixel zur Bedeutung: CNN und Vision Transformer anschaulich
• Klassifikation, Objekterkennung und Segmentierung – was wann passt
• Multimodale Modelle: Bildverständnis mit LLMs (GPT-4V, Gemini, Claude)
• Live-Demo: Ein Modell erkennt Schadenart und -umfang aus einem Handyfoto
• Was heute erstaunlich gut geht – und wo die Technik noch stolpert

MODUL 02: ANWENDUNGEN IN DER SCHADENBEGUTACHTUNG

• Kfz-Schäden aus Fotos klassifizieren und Reparaturkosten schätzen
• Gebäude- und Elementarschäden aus Drohnen- und Satellitenbildern bewerten
• Belegprüfung: manipulierte Fotos und Duplikate entlarven
• Fallbeispiele mit echten Schadenbildern
• Der Nutzen für Kunde, Sachbearbeiter und Betrugsabwehr zugleich

MODUL 03: HANDS-ON BILDKLASSIFIKATION

• Datensätze aufbauen und annotieren: was in der Praxis wirklich zählt
• Transfer Learning: mit wenigen Bildern zu brauchbaren Modellen
• Übung: Sie trainieren ein Schadenklassifikationsmodell (Python, PyTorch)
• Modellgüte messen und Fehlerbilder verstehen
• Der Aha-Moment: Ihr eigenes Modell trifft die erste richtige Vorhersage

MODUL 04: MULTIMODALE LLMS IM SCHADENPROZESS

• Schadenfotos mit Vision-LLMs beschreiben und strukturiert auswerten
• Übung: Sie bauen eine automatisierte Erstbewertung per Vision-API
• Grenzen ehrlich benennen: Halluzination, Kalibrierung, Haftung
• Wann ein spezialisiertes Modell besser ist als ein Allrounder-LLM
• Kosten und Latenz im Blick behalten

MODUL 05: VOM PROTOTYP IN DIE PRODUKTION

• Modellgüte messen und Drift im Betrieb überwachen
• Integration in Schadenprozesse: das Mensch-Maschine-Zusammenspiel
• Datenschutz bei Fotos: Personen, Kennzeichen, Metadaten
• Betrieb, Wartung und Nachtraining realistisch planen
• Ihr Fahrplan vom Proof of Concept zum produktiven Einsatz