Поговорка гласит: «Чтобы вырастить ребенка, нужна деревня». Это означает, что для безопасного / здорового роста и успеха в обществе требуется взаимодействие всего сообщества с ребенком. Если хотите, предположим, что примерно то же самое верно в отношении сообщества AI / ML и получаемых в результате моделей, которые используются. Чтобы предоставить реальный объем моделей и информации, необходимые миру потенциальных пользователей, потребуется целая деревня поставщиков, чтобы создать ландшафт необходимых возможностей. Я не верю, что какой-либо один провайдер может предоставить все модели и выводы, которые потребуются миру, но я верю в необходимость целевой специализации в конкретных отраслях и сценариях использования.

В этом ключе я рад возможности возглавить Артуро в качестве технического директора, поскольку мы работаем, чтобы занять свое место в сообществе AI / ML и помогать продвигать эти предложения. Я потратил большую часть своей карьеры на создание систем обработки и анализа пространственных данных в режиме, близком к реальному времени, и это следующий захватывающий шаг на этом пути. Совсем недавно я работал над внедрением автоматизированной аналитики, прогнозной аналитики и новых возможностей AI / ML для удовлетворения уникальных требований Национального агентства геопространственной разведки (NGA). За время работы в NGA я познакомился с богатым набором возможностей (пространственных и непространственных), использующих AI, ML, DL и CV для решения уникальных задач с невиданными ранее темпами и масштабами. Когда у меня была возможность увидеть, что строится в Артуро, решение присоединиться к команде было простым. Мне было ясно, что у Артуро есть что-то по-настоящему уникальное и он определенно входит в топ-10% всех возможностей геопространственного анализа, которые я видел и испытал за последние несколько лет. Таким образом, я очень рад быть частью команды Arturo, предлагающей набор новых предложений для этого растущего сообщества, которые добавят новые уникальные ценности.

Здесь, в Arturo, мы считаем, что возможности AI / ML улучшат наше понимание мира от макромасштаба до микромасштаба. Нам повезло, что нас окружают удивительные компании и академические / правительственные исследователи, которые создают отличные модели для макроуровня (глобального и национального уровня), вплоть до региональных и местных выводов и прогнозов. В Arturo мы ориентируемся на микромасштаб конкретного адреса. Я называю это целенаправленным и целевым анализом. Мы берем адрес места жительства в качестве входных данных и делаем выводы об этом адресе во времени и пространстве. И мы не полагаемся на предварительную обработку и кеширование, а выполняем обработку по запросу по каждому адресу.

Мы создали тщательно подобранный набор моделей, которые отвечают на конкретные вопросы, задаваемые страховой отраслью жилищного страхования. У нас была уникальная возможность начать нашу работу в рамках American Family Insurance, где мы получили критическое представление о потребностях и желаниях ключевого клиента. Используя эти уроки, мы смогли построить решение, которое точно нацелено на конкретные потребности сообщества страховых компаний P&C.

Наше предложение было разработано с использованием четырех основных строительных блоков: Обработка по запросу, Оценка уверенности (следите за сообщениями в блоге по этой теме в ближайшие несколько недель), Циклы обратной связи и Собственные и уникальные данные. Недавно наш руководитель отдела прикладного машинного обучения написал отличный пост в наших циклах обратной связи. Здесь я хотел бы сосредоточиться на том, как мы используем обработку по запросу. Предлагая обработку по запросу, мы используем самые современные изображения с самым высоким разрешением - с нашими самыми современными и эффективными моделями глубокого обучения. Это увеличивает понимание риска для страховщиков и позволяет нам помогать с предварительным заполнением страховых заявлений, что представляет собой интересный вариант использования, для поддержки которого мы адаптировали нашу систему. В случае предварительного заполнения результаты должны быть актуальными и доступными в течение нескольких секунд, чтобы избежать задержек в процессе подачи заявки. В нашей системе есть три ключевых элемента, которые поддерживают это: надежное партнерство данных, четко настроенные модели и хорошо масштабируемая система обработки, которая может возвращать массив выводов менее чем за 10 секунд.

Партнерство данных

Наша команда имеет прочные связи с геопространственным сообществом и долгую историю использования геопространственных данных для мониторинга мира. Благодаря партнерству с ведущими поставщиками геопространственных данных в отрасли мы можем получать данные за секунды с помощью API доступа и обнаружения, размещенных этими поставщиками. Такое богатство партнерских отношений позволяет нам получать доступ к самым качественным и своевременным данным, относящимся к каждому запросу нашего API, в частности к коммерческим спутниковым снимкам с самым высоким разрешением, доступным у наших партнеров в MAXAR (ранее DigitalGlobe), и к аэрофотоснимкам высокого разрешения, полученным из наши партнеры в Неармап.

Настройка модели

Наша команда прикладного машинного обучения постоянно изучает новые данные, разрабатывает новые модели и совершенствует существующие. Наш процесс Full-Loop Deep Learning ™ постоянно улучшает наши модели. Наши знания и связи с геопространственной отраслью приводят к тому, что мы постоянно исследуем новые варианты данных, что приводит к богатому конвейеру новых и улучшенных моделей, которые расширяют наши предложения. И, наконец, наша команда инженеров по машинному обучению настраивает каждую модель для извлечения функций из определенного свойства и его соседей за считанные секунды. Каждая новая / обновленная модель проходит тщательное тестирование, чтобы убедиться, что она соответствует нашим предложениям по выводам по запросу.

Масштабируемая система обработки

Используя несколько инструментов из набора возможностей, предлагаемых Cloud Native Computing Foundation, OSGeo Foundation, инструменты с открытым исходным кодом и собственные проприетарные возможности, мы создали платформу обработки, которая может генерировать широкий спектр выводов в менее 10 секунд. Эта система позволяет нам получать множество адресов через наш API каждую секунду и возвращать информацию о свойствах нашим конечным пользователям. Он может плавно масштабироваться вверх и вниз по мере увеличения или уменьшения объемов трафика и может обрабатывать большие пакетные задания для клиентов, которые хотят отслеживать список свойств. Мы регулярно обрабатываем пакеты от 10 до 100 тысяч адресов для наших пользователей.

Обработка по запросу

Это позволяет нам поддерживать предварительное заполнение клиентом онлайн-заявки на страхование определенного имущества в темпе, который не теряет внимания потенциального потребителя. И мы по-прежнему продвигаемся вперед с новыми и расширенными возможностями поверх этой платформы. Следующим шагом будет дальнейшее расширение нашего предложения, которое позволит отслеживать изменения в свойствах квартал за кварталом. Помимо этого, мы будем стремиться помочь в дальнейшем улучшении понимания риска с помощью прогнозных моделей. Эти новые модели будут сосредоточены на прогнозировании вероятности событий риска, включая необходимость замены крыши в ближайшие 1–3 года или потенциальную стоимость замещения данной собственности.

В заключение…

Это захватывающее время для развития в этой сфере, и мы с нетерпением ждем продолжения развития. Мы рады расширять наши партнерские отношения с данными и изучать возможности сотрудничества с нашими коллегами из сообщества геопространственных данных и глубокого обучения. У нас впереди обширная область исследований, но я рад видеть, что мы прибываем в то время, когда мы можем использовать автоматизированную аналитику, глубокое обучение и искусственный интеллект для быстрого получения информации о нашем мире от глобального масштаба до самого высокого уровня. конкретный адрес в рекордно короткие сроки.

Бен Таттл, доктор философии | Технический директор ARTURO