Искусственный интеллект (ИИ) всегда был предметом мечтаний и видений о далеком будущем человечества. Несмотря на то, что мы далеки от сознательной роботизированной системы, в настоящее время системы искусственного интеллекта повсеместны и демонстрируют огромные успехи в различных областях нашей повседневной жизни. Мы используем их ежедневно, часто даже не замечая. Будь то виртуальные персональные помощники на наших мобильных телефонах (например, Siri, Google Now и Cortana), беспилотные автомобили, ранжирование веб-страниц по вашему поисковому запросу или классические примеры из учебников, такие как системы фильтрации спама и рекомендательные системы интернет-провайдеров медиа и торговых площадок, таких как Amazon.

За последние годы в различных областях искусственного интеллекта произошел большой скачок вперед. Поскольку большинство систем ИИ слишком сложны, чтобы их можно было определять вручную, нам приходится прибегать к автоматическому изучению правил и шаблонов на основе данных с использованием сложных методов машинного обучения (ML). Ярким примером является AlphaGo от Google Deepmind, который, используя множество обучающих примеров, научился играть в го, в конечном итоге победив лучшего в мире игрока го. Еще одна важная область ИИ - это Обработка естественного языка (NLP), которая является требованием для персональных помощников, чат-ботов или систем ИИ, играющих в игру Jeopardy, такую ​​как IBM Watson. Этому успеху способствуют огромные объемы данных, которые у нас есть сегодня. Будь то неструктурированные данные, такие как текстовые документы, изображения и видео, или структурированные данные, которые предварительно определены и могут быть прочитаны компьютером. Данные доступны в изобилии, особенно в страховой отрасли, что, как и во многих других секторах, привело к еще одной недавней разработке архитектур и методов больших данных, которые включают в себя различные этапы, такие как сбор данных, очистка данных, консолидация данных, хранение данных и аналитика. , среди прочего, чтобы разобраться в данных. Однако закономерности в данных ускользают от внимания человеческого глаза из-за того, что они неочевидны или объем данных слишком велик для обработки специалистом в данной области. Приложения аналитики и бизнес-аналитики (BI) используют исторические и текущие данные о текущем бизнесе и помогают принимать правильные решения на основе информации, сосредотачиваясь на том, что произошло, понимая производительность и отслеживая ключевые показатели эффективности (KPI). С другой стороны, методы искусственного интеллекта перспективны. Что мы можем раскрыть с учетом исторических и текущих данных? Что мы можем предсказать на будущее? Что мы можем оптимизировать? Что можно автоматизировать? В этом смысле,

Искусственный интеллект - это следующий логический шаг после больших данных.

Таким образом, страховые компании могут извлечь большую выгоду из последних достижений в области искусственного интеллекта и машинного обучения. Многие подходы оказались успешными в решении проблем, представляющих большой интерес, таких как ценообразование, обработка претензий и обнаружение мошенничества, среди прочего. Далее мы представим некоторые области, в которых ИИ может помочь в решении этих проблем, и дадим краткий, не исчерпывающий обзор компаний и стартапов InsurTech в этих областях. Обратите внимание, что присвоение этих инструментов различным категориям не может происходить без дублирования, поскольку некоторые инструменты и запуски могут решать различные проблемы. Мы попытались разбить на разделы, исходя из основной области внимания.

Управление претензиями и обнаружение мошенничества
Управление претензиями можно расширить с помощью методов машинного обучения на разных этапах процесса обработки претензий. Используя искусственный интеллект и обрабатывая огромные объемы данных за короткое время, страховщики могут автоматизировать большую часть процесса обработки и, например, ускорить рассмотрение определенных претензий, чтобы сократить общее время обработки и, в свою очередь, затраты на обработку при одновременном повышении качества обслуживания клиентов. Алгоритмы также могут надежно определять закономерности в данных и, таким образом, помогать распознавать мошеннические претензии в процессе. Благодаря своим способностям самообучения системы ИИ могут адаптироваться к новым невидимым случаям и со временем улучшить обнаружение. Кроме того, модели машинного обучения могут автоматически оценивать серьезность повреждений и прогнозировать затраты на ремонт на основе исторических данных, датчиков и изображений. Две компании, занимающиеся управлением претензиями, - это Shift Technology, предлагающая решения для управления претензиями и обнаружения мошенничества, и RightIndem с видением, направленным на устранение трений по претензиям. Motionscloud предлагает мобильное решение для процесса обработки претензий, включая сбор и хранение доказательств в различных форматах данных, взаимодействие с клиентами и автоматическую оценку стоимости. ControlExpert обрабатывает претензии по автострахованию, а ИИ заменяет специализированных экспертов в долгосрочной перспективе. Cognotekt оптимизирует бизнес-процессы с помощью искусственного интеллекта. Поэтому текущие бизнес-процессы анализируются с целью выявления возможностей автоматизации. Приложения включают в себя управление претензиями, в котором процессы автоматизированы для ускорения цикла и для обнаружения закономерностей, которые в противном случае были бы невидимы для человеческого глаза, а также для обнаружения мошенничества и прочего. Методы искусственного интеллекта могут изменить правила игры в сфере мошенничества. Случаи мошенничества можно обнаружить легче, быстрее, надежнее и даже в случаях, невидимых человеческому глазу. Выше мы видели ряд компаний, которые используют методы искусственного интеллекта для обнаружения мошенничества в процессе обработки претензий, такие как Shift Technology, Motionscloud и Cognotekt. Другие включают SAS с их системой защиты от мошенничества для страховой отрасли, которая выявляет мошенничество в процессах претензий и андеррайтинга, и IBM's Counter Fraud Management для решения для страхования.

Андеррайтинг и предотвращение потерь
Автоматическое андеррайтинг может значительно ускорить процесс и часто делает ненужными дорогостоящие тесты за счет объединения нескольких соответствующих источников данных, даже внешних, которых нет в медицинских записях. Если вы можете сделать вывод о здоровом образе жизни из маркетинговых или социальных профилей, это может хорошо отразиться на других сферах жизни человека. Страхование обычно вступает в игру после того, как нанесен ущерб. Вместо того, чтобы платить за лечение, которое является дорогостоящим для страховки и вредным для здоровья пациента, было бы полезно инвестировать в профилактику и раннее выявление заболеваний и рисков. Таким образом, можно использовать данные, которые были использованы заранее для оценки рисков, чтобы затем снизить вероятность причинения ущерба застрахованному и, в свою очередь, страховщику.
Atidot разрабатывает платформу для актуарный и риск-менеджмент с использованием методов машинного обучения. Для этого они работают с большим количеством источников данных, чем просто демографические данные. Это могут быть телематика, носимые устройства, социальные сети, погода или новости, которые по своей природе динамичны и подвержены быстрым изменениям. FitSense предлагает платформу для анализа данных, собирающую данные о здоровье пользователей с разных устройств. Затем эти данные анализируются для создания профилей пользователей. Приложение white label по вовлечению в здоровье было запущено как первый продукт, который позволяет страховщикам предлагать собственные программы самооценки, управления здоровьем и стимулирования. FitSense в настоящее время разрабатывает андеррайтинг и прямую покупку страховых продуктов на основе данных, собранных и проанализированных на платформе, которые можно использовать для оценки состояния здоровья клиентов и предложения индивидуальных продуктов. Dreamquark использует сложные модели машинного обучения, такие как глубокие нейронные сети, для анализа медицинских карт, структурированных и неструктурированных данных, чтобы добиться смены парадигмы от оказания медицинской помощи к целевой профилактике. Big Cloud Analytics предлагает платформу аналитики состояния здоровья, которая собирает данные с носимых устройств и анализирует их, чтобы использовать данные, в том числе показатели состояния для оценки рисков и борьбы с ними.

Маркетинг и качество обслуживания клиентов
Одной из важных частей маркетинга является управление оттоком клиентов и улучшение качества обслуживания клиентов. Adtelligence анализирует межплатформенные данные и статистику использования клиентов, чтобы узнать подробные профили клиентов, чтобы иметь возможность предлагать персонализированный контент и только релевантные продукты. Это повышает удовлетворенность клиентов и увеличивает вероятность оттока.
Brolly - это персональный страховой консьерж для взаимодействия с клиентами и управления портфелем. Он собирает все политики клиентов в одном месте и обеспечивает легкий доступ ко всей необходимой информации. Политики анализируются и сравниваются с потребностями клиента, чтобы определить, подходит ли страховое покрытие, т. Е. Чрезмерно или недостаточно застраховано, а также следует ли приобретать страховое покрытие.

Чат-боты
В настоящее время наиболее часто используемыми приложениями являются приложения для обмена сообщениями, и поэтому это кажется наиболее прямым и естественным способом взаимодействия с потребителем с помощью виртуальных помощников. Обработка естественного языка и анализ настроений необходимы для автоматической обработки проблем и пожеланий клиентов, а также для их персонализированного решения.
Cognicor предлагает интеллектуального помощника по обслуживанию клиентов, к которому можно обращаться в человеческом диалоговом интерфейсе. Ответы на вопросы потребителей, рассмотрение жалоб и претензий не ограничиваются только службой поддержки клиентов. Он также может предлагать индивидуальные продукты и услуги, анализируя намерения клиентов.
Conversica - это виртуальный помощник по продажам, который использует искусственный интеллект для автоматизации беседы с потенциальными клиентами. Он взаимодействует с клиентом, используя индивидуальные запросы, анализирует ответы, чтобы найти правильные возможности продаж, которые направляются торговым представителям, и отслеживает потенциальных клиентов.
Существует также ряд медицинских чат-ботов. MedWhat - еще один виртуальный медицинский ассистент, использующий глубокое обучение, чтобы предоставить доктора в вашем кармане, который может ответить на вопросы здоровья и медицинские вопросы с использованием электронных медицинских записей потребителя.
Вавилон предлагает виртуальные консультации с целью предложить доступное медицинское обслуживание каждому человеку на планете, особенно тем, кто не имеет доступа к другим источникам. Your.MD - личный помощник по здоровью, который спрашивает о симптомах и дает совет на основе разговора.

Телематика
Телематика - одна из областей, которые, как ожидается, окажут значительное влияние на страховую отрасль. Одна из таких компаний - Octo Telematics, предоставляющая телематику для индустрии автострахования. Перевозчики уже предлагают тарифы черного ящика, предоставляя скидки в зависимости от частоты и времени вождения, пробега или стиля вождения.
Однако в будущем мы дополнительно сможем распознавать закономерности в данных GPS, делая выводы дорожные условия и условия движения и, в свою очередь, даже помогают избежать несчастных случаев, что повышает удовлетворенность клиентов и снижает количество претензий.

Общие фреймворки, платформы и библиотеки машинного обучения
Помимо этих в основном специализированных компаний и стартапов, существует ряд поставщиков машинного обучения общего назначения и поставщиков облачных услуг с возможностями машинного обучения, которые Очень привлекательно получить представление о возможностях, особенно если вы уже используете инфраструктуру, учитывая огромное количество данных.

Microsoft расширила свою платформу облачных вычислений и хранения данных Azure за счет службы машинного обучения. Azure ML Studio. Используя широкий спектр доступных алгоритмов, вы можете создавать, обучать и публиковать модели для использования с другими вашими сервисами.
Microsoft также сделала свой Distributed Machine Learning Toolkit открытым для разработчиков , чтобы иметь возможность масштабировать алгоритмы машинного обучения за счет использования большего количества машин, а также Microsoft Computational Network Toolkit с возможностью создавать и обучать нейронные сети с множеством процессоров и графических процессоров параллельно.
Amazon Machine Learning - аналогичный сервис, основанный на хостинге серверов Amazon Web Services (AWS) и облачных сервисах. Он (пока) не так обширен, как другие сервисы машинного обучения, однако легко интегрируется с хранилищем и сервисами AWS.
Google TensorFlow - это фреймворк машинного обучения, предназначенный для масштабирования на нескольких машинах. , используя центральные и графические процессоры.
Вычисления фреймворка глубокого обучения описываются в так называемом графе потока данных, который представляет вычисления, узлы представляют операции, а ребра представляют собой многомерные массивы (тензоры), отсюда и название.
Apache Spark MLib - это библиотека машинного обучения, построенная на Apache Spark, входящая в семейство Hadoop.
В отличие от hadoop, Spark - это обработка данных в памяти framework и может быть на порядки быстрее, чем Hadoop. Алгоритмы, доступные в библиотеке машинного обучения Sparks, постоянно расширяются и пересматриваются.
IBM Watson объединяет обработку естественного языка, обучение, основанное на фактах, и создает гипотезы для помощи в различных приложениях и областях с использованием входные данные. Некоторые из предыдущих примеров, такие как чат-боты, вполне могут использовать возможности Watsons.
H2O.ai предлагает структуру искусственного интеллекта для бизнеса. Он предлагает широкий спектр алгоритмов, таких как Deep Learning, Gradient Boosting и Generalized Linear Models, и может легко использоваться локально или поверх Apache Spark для эффективных и параллельных облачных вычислений. Сценарии использования включают, среди прочего, анализ рисков и мошенничества, удержание клиентов и рекламу.

Как мы видели, в страховом бизнесе есть много вопросов, на которые нужно ответить, и ИИ может найти ответы на многие из них. Он предоставляет нам инструменты, необходимые для решения этих проблем, действительно разбираясь в собранных данных. в последние годы и привели отрасль к следующему шагу. insurers.ai - компания, занимающаяся искусственным интеллектом, специализирующаяся на предоставлении услуг ИИ и разработке индивидуальных решений ИИ для страхового сектора. Он был основан доктором Бабак Ахмади (кандидат искусственного интеллекта) и является портфельной компанией InsurTech.VC.

Прочтите еще раз или загрузите технический документ по адресу http://insurers.ai/blog.html