Η τεχνητή νοημοσύνη είναι ο νέος ηλεκτρισμός. Ακούμε ότι θα αλλάξει θεμελιωδώς την ισορροπία δυνάμεων μεταξύ εργασίας και κεφαλαίου, κυρίως με την αποδυνάμωση της εργασίας.
Θα επιτρέψει και θα ενισχύσει τις μετασχηματιστικές τεχνολογίες που θα αναδιοργανώσουν το κοινωνικοπολιτικό τοπίο και θα οδηγήσουν στην υπερβατικότητα (ή εξαφάνιση) της ανθρωπότητας μέσα στις ζωές μας. Καθώς αλλάζει τον κόσμο, θα ξαναγράψει εκ των πραγμάτων τους κανόνες ασφάλισης.
Του Paul Eaton, AON
Είναι ενδιαφέρον ότι η ασφάλιση είναι μία βιομηχανία γεμάτη πληροφορία. Και η τεχνητή νοημοσύνη (ΑΙ) είναι πεινασμένη. Πεινασμένη για τα δεδομένα, φυσικά. Αλλά επίσης πεινασμένη για συστήματα που μπορούν να αυτοματοποιηθούν και για προβλήματα που μπορούν να βελτιωθούν. Αυτό θέτει την ασφάλιση στο κεντρο της τεχνητής νοημοσύνης και της υπόσχεσή της για μετασχηματισμό. Εάν θέλουμε να είμαστε σε αυτό που η ΑΙ θα φέρει, θα πρέπει να καταλάβουμε τι είναι στην πραγματικότητα, να διαχωρίσουμε τις τεχνολογίες από τη διαφημιστική εκστρατεία και να αναπτύξουμε μια πρακτική κατανόηση του τι απαιτείται για την υλοποίηση λύσεων που υποστηρίζονται από την AI στον ασφαλιστικό τομέα.
Ορίζοντας την Τεχνητή Νοημοσύνη
Το πρώτο μας βήμα είναι το πιο δύσκολο, καθώς πρέπει να οριστεί τι είναι τεχνητή νοημοσύνη και το πεδίο εφαρμογής του όρου AI είναι ευρύ και απαιτεί προσεκτική εξέταση για να αποφευχθεί η σύγχυση. Είναι επίσης πρόκληση να καταλήξουμε σε έναν σαφή ορισμό της φυσικής νοημοσύνης, η οποία μας αφήνει να αγωνιζόμαστε για έναν ορισμό της τεχνητής νοημοσύνης, επειδή η τελευταία είναι τόσο συχνά συγκρίσιμη με την πρώτη. Η ΑΙ τείνει να συζητηθεί σε δύο επίπεδα. Το πρώτο είναι γενική τεχνητή νοημοσύνη (επίσης, τεχνητή γενική ευφυΐα και ισχυρή ΑΙ). Το GAI είναι μηχανισμός ικανό για γνώση ανθρώπινου επιπέδου, συμπεριλαμβανομένης μιας γενικής ικανότητας επίλυσης προβλημάτων που είναι δυνητικά αυτοκατευθυνόμενη και ευρέως εφαρμόσιμη σε πολλά είδη προβλημάτων. Αναφορές στην GAI είναι προσβάσιμες μέσω φανταστικών έργων, όπως το C-3PO στους Star Wars ή το WALL-E της Disney…
Το δεύτερο αναφέρεται συνήθως ως αμιγώς AI, που είναι συγκεκριμένη και μη γενικεύσιμη. Παραδείγματα περιλαμβάνουν αναγνώριση προσώπου στο iPhone X της Apple και μεταγραφή λόγου σε κείμενο από την Alexa του Amazon. Αυτού του είδους η AI γίνεται αντιληπτή ως λογισμικό ή, ίσως, προγνωστικά μοντέλα και μπορεί να περιγραφεί σαν μηχανική εκμάθηση. Οι δισεκατομμυριούχοι του Silicon Valley υποστηρίζουν ότι οι επιπτώσεις της ΑΙ τεχνολογίας μπορούν να συγκριθούν με αυτές των πυρηνικών όπλων.
Πολλά άρθρα αναφέρουν η AI θα εκτοπίσει τους λεγόμενους εργαζόμενους “λευκού κολάρου”. Η Επισκόπηση Τεχνολογίας του MIT παρέχει μια ωραία περίληψη της έκθεσης σύμφωνα με την οποία οι μισές από τις θέσεις εργασίας παγκοσμίως θα μπορούσαν να εξαλειφθούν τις επόμενες δεκαετίες. Η AI μπορεί να έχει τέτοιο αντίκτυπο. Και οι κοινωνικές, πολιτικές και οικονομικές επιπτώσεις αυτού του αντίκτυπου, ιδίως γύρω από ζητήματα ανεργίας μεγάλης κλίμακας, αξίζουν προσεκτικής μακροπρόθεσμης εξέτασης. Ωστόσο, τα στελέχη και οι ιδιοκτήτες επιχειρήσεων πρέπει να αξιολογήσουν τις επενδύσεις τεχνολογίας σήμερα για να βελτιώσουν την τρέχουσα ανταγωνιστική τους θέση.
Από την άποψη αυτή, θεωρούμε πιο πρακτικό να επικεντρωθούμε στην εξέταση των υφιστάμενων καθηκόντων που θα μπορούσαν να αυτοματοποιηθούν από την AI σήμερα.
Τι σχέση έχει η ΑΙ με τα περιστέρια
Το 2012, οι ερευνητές εκπαίδευσαν περιστέρια για να αναγνωρίσουν ανθρώπους με βάση μόνο τα πρόσωπά τους, ως μέρος μιας μελέτης σχετικά με τις γνωστικές λειτουργίες. Ας υποθέσουμε ότι είχατε εκατομμύρια περιστροφικά αναγνωριστικά περιστέρια. αυτή η δύναμη εργασίας θα μπορούσε να αναπτυχθεί σε ένα ολοκληρωμένο σύστημα αναγνώρισης προσώπου. Ένα σύστημα εντυπωσιακά παρόμοιο με την αναγνώριση προσώπου AI σε συσκευές τηλεφώνου. Αποδείχθηκε επίσης ότι τα περιστέρια εκπαιδεύονται να αναγνωρίζουν φωνές, καρκίνους σε ακτινογραφίες και να μετράνε ανάμεσα σε μια σειρά από άλλα καθήκοντα που σχετίζονται με τα επιτεύγματα του πρωτοποριακού AI.
Η μεταφορά είναι ομολογουμένως ανόητη. Αντί για τα περιστέρια, φανταστείτε μια ομάδα εικονικών ρομπότ ικανών να ταξινομήσουν πληροφορίες από τον πραγματικό κόσμο για να παράγουν ένα σύνολο δεδομένων. Στη γλώσσα εκμάθησης μηχανών, αυτά τα ρομπότ παίρνουν μη δομημένα και τα καθιστούν δομημένα. Τα εν λόγω ρομπότ μοιάζουν με τα μηχανήματα αυτοματισμού ενός εργοστασίου. όπως οι συγκολλητές που συνδέουν ακούραστα τα μέλη του χάλυβα για να σχηματίσουν πλαίσια αυτοκινήτων, τα εικονικά ρομπότ μας ακούραστα αναγνωρίζουν αν ένα πρόσωπο εμφανίζεται σε μια φωτογραφία. Στο σχεδιασμό της ερώτησης, αυτό που μπορεί να αυτοματοποιηθεί με το AI, ένα χρήσιμο σημείο εκκίνησης είναι ο στρατός των ρομπότ (ή των περιστεριών!). Για παράδειγμα:
Ποιες υφιστάμενες αναλύσεις θα μπορούσαν να βελτιωθούν; Θα μπορούσε η τιμολόγηση ή το undrewriting να βελτιωθεί; Ποια δεδομένα υπάρχουν σήμερα στην επιχείρηση που θα μπορούσαν να διατεθούν για νέους τύπους ανάλυσης; Οι σημειώσεις των διαχειριστών αποζημιώσεων μπορούν να γινουν με αλγόριθμους φυσικής γλώσσας και να αναφερθούν με φωτογραφίες φυσικών βλαβών ή προηγούμενων επιθεωρήσεων.
Ποια δεδομένα θα αναλύσατε εάν θα μπορούσαν να διατεθούν; Τι γίνεται αν θα μπορούσατε να ακούσετε όλες τις κλήσεις των ασφαλισμένων που έλαβαν το τμήμα εξυπηρέτησης πελατών και να σχολιάσετε ποιες ερωτήσεις αφορούσαν τους αντιπροσώπους εξυπηρέτησης πελατών; Ή ποιες απαντήσεις δείχνουν αρνητικά συναισθήματα στις φωνές των ασφαλισμένων;
Φέρνοντας την AI στην ασφάλιση
Τι είναι ο ασφαλιστής; Ξεκινήστε με το να μην τσιμπήσετε. Προτείνουμε δύο σκέψεις για να διευκολύνουμε μια προοπτική ύπνου-νύχτας. Πρώτον, οι ασφαλιστές είναι ήδη ικανοί στο AI ή στις πρόδρομες τεχνολογίες του. Η δυνατότητα εφαρμογής του AI στο παρόν και στο άμεσο μέλλον βασίζεται εξ ολοκλήρου σε στενές τεχνολογίες AI. Για παράδειγμα, η επεξεργασία της φυσικής γλώσσας και η αναγνώριση εικόνων είναι τόσο εφαρμογές μηχανικής μάθησης όσο και επιχειρηματικές εφαρμογές που λειτουργούν αυτήν τη στιγμή.
Και οι δύο χρησιμοποιούν προγνωστικά μοντέλα για να επιτύχουν αποτελέσματα. Το λογισμικό μπορεί να είναι τεχνητά νευρωνικά δίκτυα που εκπαιδεύονται σε τεράστια σύνολα δεδομένων, αλλά είναι εννοιολογικά συμβατά με τα πράγματα που τα ασφαλιστικά αεροσκάφη έχουν χρησιμοποιήσει εδώ και χρόνια, όπως τα μοντέλα αναλογιστικής τιμολόγησης. Το θέμα είναι ότι η εφαρμογή του AI είναι ένα ενδιάμεσο βήμα προς τα εμπρός στους τύπους των μοντέλων και των δεδομένων που έχουν ήδη εφαρμοστεί στην επιχείρηση. Δεύτερον, η ταξινόμηση μέσω της διαφημιστικής εκστρατείας απαιτεί ένα βασικό εργαλείο λήψης επιχειρηματικών αποφάσεων: την ανάλυση κινδύνου-κόστους-οφέλους. Ο προσδιορισμός των τεχνολογιών που αξίζει να επενδύσουν εμπίπτει στην αρμοδιότητα των υπευθύνων λήψης αποφάσεων οι οποίοι διαφορετικά γνωρίζουν πώς να κάνουν επιλεκτικές επενδύσεις στην ανάπτυξη των ικανοτήτων της επιχείρησής τους. Τα προβλήματα που αντιμετωπίζει ένας μεταφορέας είναι πολύ μεγαλύτερα από τη διαλογή του ΑΕ, εάν η διοίκηση δεν διαθέτει τα βασικά προσόντα για την πραγματοποίηση επιχειρηματικών επενδύσεων.
Τρεις βασικές παράμετροι
Η επιτυχία της μεταφοράς της AI στην ιδιωτική ασφάλιση απαιτεί τρία βασικά συστατικά: δεδομένα, υποδομή και ταλέντο.
Δεδομένα: Η AI μπορεί να θεωρηθεί το κλειδί για τα μεγάλα δεδομένα. Πολλές από τις τεχνικές μοντελοποίησης που εμπίπτουν στην ομπρέλα της AI είναι αλγόριθμοι ταξινόμησης που είναι “πεινασμένοι”. Το ξεκλείδωμα της δύναμης αυτών των μεθόδων απαιτεί επαρκή όγκο δεδομένων εκπαίδευσης. Τα δεδομένα παίρνουν διάφορες μορφές. Πρώτον, υπάρχουν πηγές δεδομένων τρίτων που θεωρούνται εξωτερικές προς τον ασφαλιστικό κλάδο. Οι αεροφωτογραφίες (και η επεξεργασία τους) για τον προσδιορισμό των χαρακτηριστικών του κτιρίου ή για την εκτίμηση πιθανών δυνατοτήτων μετά την καταστροφή είναι εύκολο παράδειγμα. Ίδια με τις τεράστιες ποσότητες δεδομένων συμπεριφοράς βασισμένες στις αλληλεπιδράσεις των χρηστών με ψηφιακές πλατφόρμες όπως τα κοινωνικά μέσα και η αναζήτηση ιστού. Πιο κοντά στο σπίτι, η ασφάλιση είναι εδώ και πολύ καιρό μια βιομηχανία δεδομένων και οι αερομεταφορείς θεωρούνται ότι έχουν σημαντικά σύνολα δεδομένων σε αξιώσεις, εφαρμογές και μάρκετινγκ, μεταξύ άλλων.
Υποδομή: Η πρόσβαση στα δεδομένα για την τροφοδοσία της AI απαιτεί λειτουργική υποδομή. Πόσο επιτυχώς μπορείτε να απορροφήσετε εξωτερικές πηγές δεδομένων; Πόσο διαφορετικές και μη δομημένες είναι αυτές οι πηγές; Το Cloud computing δεν είναι αναγκαστικά απαραίτητη προϋπόθεση για την επιτυχία της AI. Είναι εξοπλισμένα τα πληροφοριακά σας συστήματα, συμπεριλαμβανομένου του ελέγχου της ασφάλειας, για να κάνουν μοντέλα στο σύννεφο; Μπορείτε να εξαγάγετε τα εσωτερικά σας δεδομένα σε μορφές που είναι έτοιμες για επεξεργασία χρησιμοποιώντας προηγμένες τεχνικές μοντελοποίησης;
Ταλέντο: Προσθέστε την επιστήμη δεδομένων στη λίστα των λέξεων-κλειδιών που σχετίζονται με το AI. Υποστηρίξαμε νωρίτερα ότι πολλές από τις εξελίξεις που αποδίδονται στο στενό AI είναι μοντέλα πρόβλεψης εννοιολογικά όπως οι τεχνικές μοντελοποίησης που χρησιμοποιούνται ήδη στον ασφαλιστικό κλάδο. Ωστόσο, το γεγονός ότι ο αναλογιστής τιμών σας εκτιμά ότι ένα τεχνητό νευρωνικό δίχτυ που κατασκευάστηκε για ανίχνευση απάτης χρησιμοποιώντας δεδομένα συμπεριφοράς δεν σημαίνει ότι έχετε την εσωτερική τεχνογνωσία για να δημιουργήσετε ένα τέτοιο μοντέλο. Οι επενδύσεις στην πρόσληψη, την κατάρτιση και τη διατήρηση του σωστού ταλέντου θα δώσουν δύο σαφή οφέλη. Το πρώτο όφελος είναι καλύτερα εξοπλισμένο για να κάνει την ανάλυση κινδύνου-κόστους-οφέλους για τα δεδομένα και τις μεθόδους που πρέπει να διερευνήσει. Το δεύτερο έχει την ικανότητα να δοκιμάζει και, τελικά, να εφαρμόζει.
Στην A20’s Global Market Outlook για το 2017, διερευνήσαμε την ιδέα του τρίτου κύματος καινοτομίας όπως προτάθηκε από τον Steve Case, ιδρυτή της AOL, στο βιβλίο του “Το τρίτο κύμα: το όραμα του μέλλοντος για τον επιχειρηματία”. Το αποτέλεσμα του τρίτου κύματος για τους ασφαλιστές ήταν ότι η σύμπραξη με εταιρείες που καινοτομούν στην τεχνολογία και όχι η “αναστάτωση” από αυτούς. Αυτή η προσέγγιση ισχύει τώρα περισσότερο από ποτέ, καθώς οι τεχνολογικοί πρωτοπόροι συνεχίζουν να ξεκλειδώνουν το δυναμικό της AI. Αν δεν έχετε τα δεδομένα ή την υποδομή ή το ταλέντο για να φέρετε πιο σύγχρονες τεχνολογίες, μπορείτε να συνεργαστείτε με κάποιον που το έχει.
Η τεχνητή νοημοσύνη είναι πραγματική. Μπορεί οι ορισμοί είναι κάπως ασαφείς – είναι λογισμικό, μοντέλα πρόβλεψης, νευρωνικά δίκτυα ή μηχανική μάθηση – οι επιπτώσεις γίνονται ήδη αισθητές με τη μορφή chatbots, επεξεργασίας εικόνας και αλγορίθμων πρόβλεψης συμπεριφοράς , μεταξύ πολλών άλλων. “Εάν δεν έχετε στρατηγική AI, θα πεθάνετε στον κόσμο που έρχεται”. Αυτό είχε δηλώσει ο Devin Wenig Διευθύνων Σύμβουλος του eBay. Ίσως να είναι αλήθεια, αλλά αυτό δεν το κάνει τρομακτικό. Ο πυρήνας της ασφάλισης είναι: να προσλάβετε τους κατάλληλους ανθρώπους, να τους δώσετε την υποδομή που χρειάζονται για την καλύτερη αξιολόγηση του κινδύνου από τον ανταγωνισμό και να επεξεργαστούν τα απαραίτητα δεδομένα για να τροφοδοτήσουν τα μοντέλα. Η τεχνητή νοημοσύνη δεν το έχει αλλάξει αυτό και δεν θα το αλλάξει.
Πηγή: aon.com
