AI w ubezpieczeniach – konieczność, moda czy strategia przyszłości?
Posiadanie ubezpieczenia powinno być gwarancją spokoju od konsekwencji zdarzeń, które mogą nas spotkać w każdym aspekcie życia. Ta gwarancja nie bierze się z wpatrywania w szklaną kulę, a z matematyki ubezpieczeniowej. To zakres statystyki, inteligencji obliczeniowej, a dziś algorytmów sztucznej inteligencji, która jest następną formą ewolucji nauki i postępu technologicznego. By zapewnić w dzisiejszych czasach korzystanie z nowych narzędzi statystycznych ubezpieczyciele nie zawsze powinni czekać na rozwiązania firm trzecich, a rozwijać własne komórki, które specjalizują się w AI. Jak to, firma ubezpieczeniowa coś tworzy w AI? Ubezpieczenia to obliczanie przewidywania, a wynikiem prognozy zawsze jest stopień prawdopodobieństwa. Jaki jest finał równania, jeśli do ubezpieczeń dodamy AI?
AI w ubezpieczeniach to konieczność?
Nie powinno nas dziwić, że działy w firmach ubezpieczeniowych mogą i powinny tworzyć własne modele sztucznej inteligencji. Często spotykamy się z rozwiązaniami firm zewnętrznych, które mają do tego kompetencje, ale jak zawsze diabeł tkwi w szczegółach. Tymi szczegółami są dane, nie tylko gromadzone przez lata w tradycyjnych hurtowniach danych, ale też w postaci zdjęciowej, filmowej, tekstowej czy głosowej. Duże korporacje ubezpieczeniowe mają ich naprawdę dużo, są więc doskonałym podłożem do tworzenia nowatorskich własnych pomysłów i zastosowań AI.
Nic dziwnego, że tworzymy i przetwarzamy dane w BIG Data, nie jest nam obce tworzenie modeli Computer Vision czy Data Mining uszytych na miarę naszych potrzeb. Nie mówimy o tworzeniu działów naukowych w ramach poznawania procesów matematycznego uczenia, ale umiejętności wykorzystania algorytmów i danych, którymi dysponujemy.
Spektakularne wyniki otrzymujemy przy wykorzystaniu głębokich sieci konwolucyjnych z zakresu klasyfikacji (classification) i klasyfikacji z lokalizacją (Object Detection). Korzystamy tu z sieci wstępnie wyuczonych, które łączymy z odpowiednimi z frameworkami, tj. Tensorflow lub YOLO. To najszybszy sposób wytworzenia modelu przy małej liczbie zdjęć. Od 150 do 300 fotografii wystarczy nam do poprawnej klasyfikacji np. Marko – modelu samochodowego.
Do wykrywania dowolnego potrzebnego obiektu na zdjęciach (object detection i Mask R- CNN) potrzebujemy około 150 do 200 zdjęć. Poniższa tabela pokazuje, że to my możemy decydować jaką architekturę sieci wykorzystamy, wystarczy pobrać wstępny model, dostosować go do naszych potrzeb i przepis na sukces jest gotowy.
Przykładowe sieci wstępnie wyuczone:
Chcemy by wyuczony model znalazł na zdjęciu, np. czujnik lakieru, nic prostszego. Wystarczy na kilkudziesięciu zdjęciach obrysować obiekt, który chcemy wyszukać, następnie uruchamiamy jeden z wspominanych wcześniej framework-ów i gotowe. Jest w tym trochę magii, ale faktem jest, że nie musimy, jak przy innych modelach, wyszukiwać i obliczać współczynnika zależności między parametrami. Decydujemy tylko, co chcemy znaleźć na zdjęciu.
Taki proces wytwórczy może czasem przypominać pracę czarnej skrzynki (black box), ale nie jest to do końca prawda. Operacje na macierzach, całkowanie, pochodne, różniczkowanie dla wielu jest czarną magią, ale to właśnie one dają efekt. Głębokie sieci neuronowe w firmach ubezpieczeniowych dziś są szeroko wykorzystywane w zakresie, do którego należą m.in. klasyfikacje mailowej, analizy spamu i analizy tekstu. Obce nie są wyliczenia predykcji (przewidywania) różnych zakresów operacji sprzedażowych, analizy procesów likwidacyjnych, wspomaganie w wykrywaniu nadużyć ubezpieczeniowych oraz poprawy procesów kontaktu z klientem. Te wszystkie zakresy działania AI są wdrażane z pomocą danych, jakimi dysponuje ubezpieczyciel. To one stanowią podstawę zakresu uczenia i są wartością sukcesu modelu, który chcemy mieć. Pamiętajmy więc o złotej zasadzie „Jakie dane, takie wyniki”.
AI to moda?
Każde rozwiązanie naukowe, które jest popularne i daje pożądany wynik, może być modne! Problem zaczyna się, gdy nieoczekiwanie staniemy się ofiarą przysłowia „Mając młotek, każdą rzecz traktuję jako gwóźdź” lub „Nic na siłę wszystko młotkiem”. Nie wszystko, co działa poprawnie, musi być przerabiane na modele AI. Pamiętajmy również o tym, że to operacje obliczeniowe, które słusznie nazywamy Sztuczną Inteligencją, bo faktycznie umieją się uczyć, ale to my decydujemy, jakich danych potrzebuje i czego ta Sztuczna ma się nauczyć. Dopiero w ostatniej dekadzie stosujemy głębokie sieci neuronowe z sukcesem. Stary perceptron to już historia i podstawa do ogarnięcia co w trawie piszczy.
Nie dajmy się też przekonać (przynajmniej jeszcze przez jakiś czas), że dzisiejsze sieci neuronowe działają lepiej niż człowiek. Efekt procesu anonimizacji na zdjęciach wygląda super, ale czasem zdarzają się błędy (świetnie, że wizerunek lamy jest chroniony, ale nie o to nam przecież chodziło). Nic w tym złego, można taką sieć douczyć, tak jak u człowieka (choć nie mam żadnych dowodów naukowych na to, że sztuczne sieci neuronowe działają na takiej samej zasadzie jak u człowieka) nauka i jeszcze raz nauka dają poprawne wyniki. A nauka to oczywiście w świecie IT nic innego jak dane.
Reasumując, jeśli algorytmy są skuteczne dla naszych potrzeb biznesowych, a nasza firma jest otwarta na wyzwania, to róbmy własne modele. Czasem nie zaszkodzi być kreatywnym i modnym :-).
AI to strategia przyszłości?
W poprzednich punktach przedstawiłem zalety posiadania samodzielnej komórki o kompetencjach pozwalających na tworzenie modeli predykcyjnych na podstawie własnych danych przez ubezpieczyciela. . Dodatkowo, jeśli w dzisiejszych czasach o AI słychać na każdym kroku, to warto tego kroku dotrzymywać. Patrząc na przewidywania, np. raport EY „Global Insurance Outlook 20241”, w miarę, gdy technologia się rozwija, rośnie znaczenie AI, a co więcej będzie ona odgrywać coraz większą rolę w tym sektorze, przynosząc zarówno wyzwania, jak i nowe możliwości. Oto kilka obszarów, które już dziś musimy brać pod uwagę:
- Przetwarzanie roszczeń: AI może automatyzować procesy oceny i przetwarzania roszczeń, co przyspiesza ich rozpatrywanie i minimalizuje błędy.
- Analiza ryzyka i underwriting: Wykorzystanie AI do analizy danych pozwala na lepsze zrozumienie ryzyka i precyzyjne ustalanie cen polis.
- Obsługa klienta: Chatboty, VoiceBoty i wirtualni asystenci jako rozwiązania oparte na AI mogą poprawić komunikację z klientami, odpowiadać na pytania i pomagać w wyborze odpowiednich produktów.
- Wykrywanie oszustw: AI analizuje wzorce i anomalie w danych, pomagając w identyfikacji potencjalnych oszustw.
- Personalizacja oferty: Dzięki analizie danych AI może dostosować ofertę ubezpieczeniową do indywidualnych potrzeb klientów.
- Zarządzanie ryzykiem: AI pomaga w identyfikacji i minimalizacji ryzyka, co jest kluczowe dla stabilności branży ubezpieczeniowej.
- Automatyzacja procesów: Wykorzystanie AI do automatyzacji rutynowych zadań może zwiększyć efektywność
i obniżyć koszty operacyjne. - Perspektywy regulacyjne dotyczące sztucznej inteligencji są również niezwykle ważne. Firmy ubezpieczeniowe muszą dbać o transparentność, odpowiedzialność i zgodność z przepisami.
Jaki jest finał równania, jeśli do ubezpieczeń dodamy AI? Zawsze dodatni!
Czekają nas bardzo ciekawe czasy, w których to AI jest nową rewolucją technologiczną.
Przydatne linki do tworzenia modeli Computer Vision: