Ocena ryzyka kredytowego, wykrywanie nadużyć finansowych czy przeciwdziałanie próbom prania pieniędzy: sztuczna inteligencja może wspomóc człowieka, znacznie skracając czas i zwiększając precyzję wykonania rutynowych, wymagających wiedzy i doświadczenia czynności. Ale jak się do tego zabrać?
Podstawowa zasada jest taka: niezbędne są dane historyczne – o odpowiednio dużym wolumenie i odpowiednio wysokiej jakości. Bez danych nie jesteśmy w stanie wyszkolić modelu, według którego będzie działać sztuczna inteligencja (AI). Zakres danych musi odpowiadać temu, jaki mamy cel i na jakiej podstawie chcemy działać. Dane pozwalają algorytmom modelu znajdować wzorce i uczyć się, jak rozwiązywać określone zadania. Brak danych często stoi na przeszkodzie do przetestowania pomysłu biznesowego. Jak sobie z tym poradzić?
Kluczem do sukcesu jest odpowiednie zaplanowanie projektu wdrożeniowego. Rozpoczynamy od zbierania danych istotnych z punktu widzenia procesu, który chcemy usprawnić i zautomatyzować, a następnie tworzymy model i uczymy go wykonywać określone zadania na bazie dostępnych danych. Potem wyposażamy system w funkcje bazujące na umiejętności, którą model zdobył, np. szacowania wartości, przewidywania kolejnych kroków czy rekomendowania działań.
Co z tym modelem?
Jak powstaje model, według którego działa sztuczna inteligencja? W dużym uproszczeniu, poprzez eksperymentowanie – na podstawie wiedzy i doświadczeń specjalistów od AI projektuje się architekturę modelu, a następnie trenuje się go, czyli pozwala mu wyszukiwać wzorce, wagi dla elementów danego zbioru danych, czy porównywać wyniki uzyskane dla różnych wartości tych wag.
Zestawiając te wyniki z danymi historycznymi, jesteśmy w stanie ocenić skuteczność działania modelu. Jest tu potrzebna nie tylko wiedza o technologii, ale także wiedza biznesowa, współpraca tych dwóch obszarów jest najważniejsza. Zrozumienie modelu i tego, jak działa, ma także ogromną wartość biznesową. Wskazanie, które elementy zbioru danych są najistotniejsze i jakie wartości tych elementów przynoszą oczekiwane rezultaty, pozwala odkrywać niezauważalne dotąd zależności biznesowe. Rozumiejąc, co najlepiej wpływa na wynik procesu, możemy podejmować decyzje zgodne z pożądanymi rezultatami.
Dojrzałość i otwartość
Sukces w tego typu projektach zależy od dojrzałości i otwartości organizacji. Punktem wyjścia jest ścisła współpraca IT i biznesu, aby wspólnie znaleźć najlepsze wykorzystanie sztucznej inteligencji. Ważne jest określenie przypadków biznesowych, które obejmują duże zbiory danych lub powtarzalne procesy, gdzie mechanizmy sztucznej inteligencji będą miały zastosowanie. Bezpiecznym rozwiązaniem jest wykonanie projektu w formule proof-of-concept, która pozwala testować konkretny przypadek biznesowy, sprawdzać rezultaty i stopniowo udoskonalać model.
Gdzie (jeszcze) to zadziała
Gdzie możemy już teraz wykorzystać sztuczną inteligencję w ubezpieczeniach? Na przykład stosując ją do rozpoznawania stopnia uszkodzeń pojazdów, które uległy wypadkom. Na podstawie zdjęć i historycznych wycen, sztuczna inteligencja rozpoznaje uszkodzenia i szacuje koszt uszkodzonych elementów zewnętrznych, co znacznie przyspiesza proces obsługi szkód komunikacyjnych.
Kolejny obszar to automatyczna klasyfikacja zapytań otrzymywanych mailowo lub przez formularze kontaktowe i automatyczne przydzielanie ich do odpowiednich działów lub osób.
Ale AI to nie tylko przyspieszanie procesów, niezwykłą jej wartością jest też przewidywanie określonych zdarzeń. Wyobraźmy sobie, o ile łatwiej byłoby podejmować decyzje biznesowe, znając przyszłe wyniki sprzedażowe. Dzięki sztucznej inteligencji możemy szacować wartość naszego lejka sprzedażowego. W ten sposób lepiej przewidzimy przyszłe przychody i będziemy mogli z wyprzedzeniem podjąć odpowiednie działania, aby dostosować strategię sprzedażową do aktualnej sytuacji.
Czego chce klient
To wszystko aspekt dotyczący zaplecza operacyjnego, ale jest też drugi, prokliencki: dotyczy rozumienia potrzeb klientów, znajdowania schematów i zależności mogących służyć za podstawę do przewidywania transakcji czy rekomendacji produktów. Jeśli ktoś wydaje pieniądze w określony sposób i na określone cele, to prawdopodobnie przyda mu się produkt X. Najcenniejsze jest tu właśnie znajdowanie prawidłowości, o których czasem nawet byśmy nie pomyśleli – na tym polega przewaga sztucznej inteligencji.
Małgorzata Moderacka
Comarch Digital Insurance Product Manager
