Большинство страховых компаний начали использовать ИИ и его приложения в различных аспектах своих бизнес-процессов. Однако из-за медлительности и склонности к риску в отрасли внедрение ИИ по-прежнему не происходит такими темпами, при которых он может иметь значение для потребителей и приносить достаточно значительную ценность страховым компаниям.

Более подробное рассмотрение некоторых причин чувства неуверенности в отношении технологий ИИ выявило довольно интересный момент. При внедрении ИИ-решений все пришли к единому мнению, что люди будут рады видеть, как их данные оптимально используются для оптимизации процессов и извлечения ранее скрытой информации.

Технологии ИИ могут учиться, но кто их научит?
Однако большинство поставщиков решений и компаний забыли принять во внимание тот факт, что, хотя технологии ИИ, такие как машинное обучение, определенно могут сделать такие процессы, как урегулирование претензий, более эффективными, прозрачными, и точными, им нужно время, чтобы «научиться» читать шаблоны данных. До появления ИИ, когда такие процессы, как идентификация мошенничества и решение о судебном разбирательстве, были ручными, решение принималось экспертом в каждом конкретном случае.

Например, в ответ на вопрос о предъявлении мошеннических требований эксперт опирался на свой опыт, чтобы определить, а) была ли уважительная причина для начала расследования, б) была ли стоимость расследования в допустимых пределах и в) общие шансы решения в пользу компании. Новоиспеченный алгоритм машинного обучения не может закодировать этот опыт. Хотя он может научиться принимать такие тонкие решения, как только он поймет параметры и узнает факторы, которые ему необходимо учитывать, чтобы принять решение.

Поэтому совершенно очевидно, что нам нужны люди-эксперты, чтобы научить наши нейронные сети тому, как они принимают решения. Попросив экспертов предметной области обосновать свои рассуждения и методы прогнозирования или выбора, мы можем просмотреть миллионы точек данных и сосредоточиться на тех, которые имеют отношение к делу. Ценность знания этих соответствующих параметров очень высока. Это значительно сокращает время, необходимое для обучения алгоритмов машинного обучения.

Новые риски требуют новых способов их оценки
Ценность экспертных знаний в предметной области становится еще выше по мере того, как характер рисков, определяемый страховыми компаниями, меняется во всем мире. Например, люди меняют способ использования транспорта — использование таких служб такси, как Uber и Lyft, необходимо учитывать при составлении параметров риска. Добавьте к этому беспилотные автомобили, и сценарий станет еще более сложным. Этот тип риска является лишь одним из примеров. Каждый день появляются новые виды рисков, которые могут нуждаться в покрытии.

Поскольку для обучения решений машинного обучения недостаточно данных, экспертам в предметной области необходимо будет проводить оценки, определять правильные параметры, составлять схему процесса и обучать алгоритмы тому, как принимать правильные решения.

Политика отсутствия социальной предвзятости необходима для точного обучения
Поскольку технологии ИИ могут научиться распознавать закономерности и предсказывать поведение, они также могут учиться предвзятости. Социальная предвзятость — это фундаментально человеческая черта, которую можно сознательно или бессознательно передать алгоритмам машинного обучения. Таким образом, эти эксперты в предметной области несут дополнительную ответственность за обеспечение проверки процесса обучения, чтобы в модели не вносились социальные предубеждения.

Если таких проверок нет, алгоритмы станут неточными и в конечном итоге будут давать социально или юридически неточные результаты. Например: если эксперт, обучающий нейронную сеть, неоднократно отмечает заявления жителей с определенным почтовым индексом, который оказывается районом с низким доходом, может возникнуть предубеждение, что люди из района с низким доходом склонны подавать более недостоверные заявления. алгоритмы. Эксперт, возможно, даже не хотел передавать свою личную предвзятость, но это произошло непреднамеренно из-за характера процесса обучения.

Следовательно, должна быть создана система сдержек и противовесов, основанная на социальной этике, чтобы обеспечить точный анализ с помощью решений ИИ.

Заключение
Некоторые исследования показывают, что инвестиции в ИИ уже замедлились и что компании стремятся проверить обещанную окупаемость развернутых технологий ИИ, прежде чем продолжать их внедрение. В то же время, с более глубоким пониманием роли и возможностей ИИ, похоже, что в этом году страховые компании выберут те приложения ИИ, которые важны для их бизнеса, и не заметят только блеска и блеска ИИ.

Чтобы гарантировать, что решения ИИ обеспечивают как ценность для бизнеса, так и удовлетворенность клиентов, отраслевые эксперты должны обучать решения и разрабатывать дополнительные параметры для дальнейшего обучения.

Чтобы увидеть больше блогов, посетите https://insuranalytics.ai/blog/