W ostatnim czasie wdrożenia rozwiązań opartych na metodach sztucznej inteligencji (AI) zaczynają być coraz bardziej powszechne. Takie wdrożenie może zakończyć się sukcesem, jeśli jest wykonane przez ludzi czy zespoły, które mają do tego odpowiednie przygotowanie.
Jakimi kompetencjami należy dysponować, aby zapewnić możliwie najlepsze efekty? Odpowiedź na to pytanie nie jest jednoznaczna. Poniżej proponuję analizę tego zagadnienia, uwzględniając charakterystyczne etapy wdrożenia.
Kompetencje zależne od potrzeb
Omawiając zapotrzebowanie na kompetencje, należy w pierwszej kolejności zastanowić się nad problemem, który planujemy rozwiązać. W przypadku zastosowania metod sztucznej inteligencji w aktuariacie możliwych jest kilka scenariuszy różniących się skalą wdrożenia, a zatem i wymaganymi kompetencjami.
Oto trzy potencjalne kroki wdrażania projektów opartych na AI:
- Zbudowanie modelu z zastosowaniem metod machine learning.
- Uprodukcyjnienie modelu w postaci cyklicznie wykorzystywanego narzędzia.
- Wykorzystanie modelu w trybie real-time i zarządzanie cyklem życia.
Pierwszym koniecznym filarem jest znajomość technik modelowania metodami uczenia maszynowego (ML). Przedmioty akademickie wprowadzające w to zagadnienie przeżywają w ostatnim okresie istny boom, jednak w przeszłości nie były to kwestie priorytetowe i nie można zakładać znajomości tych technik przez każdego członka zespołu aktuarialnego.
Niemniej jednak w internecie dostępnych jest wiele kursów, w ramach których można samodzielnie nauczyć się podstawowych, jak i zaawansowanych zagadnień z tego obszaru. W tym sensie wymaganymi kompetencjami jest rozumienie kwestii związanych ze statystyką, analizą matematyczną czy rachunkiem macierzowym.
Drugim filarem jest umiejętność programowania. Tu sytuacja jest podobna. Umiejętności pracowników mogą się różnić w zależności od wykształcenia. Pomimo potencjalnego braku w wykształceniu i w tym przypadku bardzo łatwo można znaleźć w internecie całe mnóstwo materiałów wprowadzających.
Rozważmy teraz rozszerzenie tych podstaw względem podziału powyżej.
Znajomość technik uczenia maszynowego
W pierwszym kroku mówimy o zbudowaniu modelu uczenia maszynowego na podstawie istniejącego software’u, np. SAS czy ActuAI. Warunkiem do osiągnięcia sukcesu będzie znajomość technologii, na której oparte jest wdrożenie, oraz praktyczna znajomość wykorzystania metod uczenia maszynowego. Przydatna może być teoretyczna znajomość stosowanej metody, co przełoży się na bardziej precyzyjną kalibrację (proces uczenia), a w następstwie na uzyskane wyniki.
Jeśli nie dysponujemy oprogramowaniem wspierającym techniki ML, można postarać się o niezależne przygotowanie takiego modelu. Dobrym wyborem byłoby napisanie skryptu, z wykorzystaniem Pythona bądź R, które są najpopularniejszymi narzędziami stosowanymi przez data scientists.
Dobrym przykładem może być zagadnienie pricingu w ubezpieczeniach. Do oceny wysokości składki możemy wykorzystać bardzo wiele różnego rodzaju zmiennych – w przypadku ubezpieczeń komunikacyjnych od marki i modelu pojazdu, poprzez wiek czy historię szkodową kierowcy, po charakterystykę miejsca użytkowania pojazdu. Zależności pomiędzy takimi zmiennymi a wysokością składki mogą być bardzo proste, ale mogą też przybierać charakter nieliniowy i wpływać na ostateczną wielkość w sposób nierównomierny.
Zbudowanie modelu wykorzystującego wszystkie dostępne informacje może dać poczucie pewności, że akcja modelowania jest odpowiednia, a model gotowy do użycia.
Umiejętności programistyczne
Kiedy model jest zbudowany i wyniki są satysfakcjonujące, konieczna może się okazać potrzeba uprocesowienia takiego modelu. W rozważanym przykładzie rezultatem działania modelu jest wysokość składki niezbędnej do pokrycia ryzyka dla danej polisy.
Aby skutecznie korzystać z modelu, nie możemy polegać na ręcznie wykonanej kalkulacji dla każdego przypadku z osobna. Zbiór danych do analizy może zawierać setki tysięcy lub miliony rekordów. W takiej sytuacji należy rozważyć przygotowanie narzędzia, za pomocą którego regularnie będziemy w stanie przeprowadzić odpowiednią akcję modelowania.
Budowanie takiego narzędzia to zagadnienie zgoła inne od samego procesu uczenia maszynowego, jednak w wielu zastosowaniach może to ukonstytuować wysiłki podjęte podczas modelowania i zakończyć wdrożenie sukcesem. W tym przypadku oddalamy się od akcji modelowania i zaczynamy przesuwać ciężar zagadnienia oceny kompetencji w kierunku programistycznym.
Podczas implementacji należy zadbać o prawidłową obsługę plików wejściowych, jakość danych i odpowiednie przygotowanie plików z wynikami. Często spotykaną praktyką automatyzacji procesów są implementacje w VBA, w przypadku modelu ML może to być niewystarczające albo wymagać integracji z technologią przygotowującą model.
Umiejętności programistyczne są coraz częściej spotykane u pracowników aktuariatu, więc może się zdarzyć, że przekształcenie przygotowanego modelu w narzędzie procesowe będzie wykonane przez tę samą osobę. Rozszerzenie zespołu może okazać się konieczne, gdy budowane narzędzie zacznie nabierać rozmiarów i cech niezależnego oprogramowania.
Zarządzanie cyklem produkcji modeli
Najbardziej wymagającym typem wdrożenia jest stworzenie narzędzia produkcyjnego – narzędzia, które gotowe jest wykonywać zadania zlecone przez użytkowników w sposób bezawaryjny i w trybie pracy ciągłej. Takie wdrożenia, poza aspektami opisanymi w poprzednich akapitach, wymagają szerokich kompetencji z zakresu technologii informatycznych.
Zagadnienie to zaczyna znacząco odbiegać od kwestii modelowania z wykorzystaniem AI i często wymaga komunikacji pomiędzy różnymi działami firmy ubezpieczeniowej.
Mogłoby się wydawać, że takie zagadnienia znacząco wykraczają poza obszar specjalizacji aktuariusza czy analityka, jednak z drugiej strony to właśnie te osoby są odpowiedzialne za jądro całego produktu, czyli model ML. Brak znajomości podstawowych pojęć z ww. dziedziny może powodować niezrozumienie problemów, które pojawią się poza warstwą modelową, a w efekcie doprowadzić do utrudnień we wprowadzaniu zmian czy w skrajnym przypadku zakończyć się niepowodzeniem wdrożenia.
Ogół rozważanych umiejętności może wykraczać poza zdolności pojedynczego pracownika i wymaga raczej zbudowania całego zespołu składającego się z różnorodnych specjalistów, między innymi: eksperta od baz danych, programistę ETL, MLOps czy DevOps.
W rozważanym przypadku możemy sobie wyobrazić sytuację, kiedy model pricingowy oparty na metodach ML jest wystawiony do kalkulacji składki w serwisie internetowym. Takie wdrożenie może okazać się wyjątkowo korzystne, jednak trzeba być świadomym, że modele ML są oparte na danych historycznych – które naturalnie generowane są w każdej kolejnej minucie. To oznacza potrzebę cyklicznego dostosowywania modelu do rzeczywistości, a od strony operacyjnej ciągłą współpracę zespołów aktuarialnych z zespołami IT.
Przyszłość szybko się zbliża
Zalety wykorzystania AI i modelowania opartego na ML są niepodważalne. Trzeba mieć na uwadze, że korzyści płynące z takiego podejścia obarczone są kosztami związanymi z poszerzeniem kwalifikacji zespołu czy jego rozbudową.
Jak w dynamicznie rozwijającym się środowisku odnajdą się zespoły aktuarialne, będziemy mogli ocenić w przyszłości. Tymczasem pozostaje zastanowić się, jakie kompetencje są nam potrzebne, a jakich nam brakuje, żeby dostosować organizację do wymagań rynku.
Piotr Grodzki
konsultant aktuarialny, w zespole Quantee zajmuje się wdrożeniem u klientów rozwiązań programistycznych automatyzujących prace aktuarialne oraz projektami z zakresu uczenia maszynowego
