En az dijitalleşen sektörlerden biri olan sigorta sektörü, şaşırtıcı bir şekilde finansal hizmetler sektörünün en etkisiz bölümlerinden biri. Dahili iş süreçleri genellikle kopyalanır, bürokratikleşir ve zaman alıcıdır. Makine öğrenimi ve yapay zeka sistemlerinin yaygınlığı arttıkça, sigorta şirketlerindeki operasyonları otomatikleştirme, böylece maliyetleri düşürme ve üretkenliği artırma potansiyeline sahipler. Bununla birlikte, kuruluşların AI genişlemesine direnmek için birçok nedeni vardır; işsizlik korkusu ve bilişsel sistemlere olan güven eksikliği bunların arasındadır.
Ancak bunlar pek haklı kaygılar değil. Accenture'a göre, AI sigorta savunucuları et ve kemikten oluşan sigorta acentelerinin zamanının geçtiğini iddia etse de, sigorta şirketlerinin üç CEO'sundan ikisi net iş kazancı bekliyor. Gerçek ortada bir yerde: Sigorta şirketleri, insan ve yapay zeka çabalarını birleştirerek sinerji elde edebilir. İlginç bir şekilde, çalışanlar AI uygulaması konusunda iyimser. Bahsedilen Accenture raporu, danışmanlık firması tarafından ankete katılan sigorta sektörü liderlerinin yüzde 60'ından fazlasının, AI'nın benimsenmesinin taşıyıcılarını artıracağına inandığını gösteriyor. Öyleyse, sigorta endüstrisinde AI'nın benimsenmesinin ana fırsatlarından bahsedelim.
Yapay Zeka, Makine Öğrenimi, Büyük Veri ve Bilgisayarla Görmede En Son İşleri Keşfedin:
- AI İşleri
- Makine Öğrenimi İşleri
- Büyük Veri, Veri Mühendisliği ve Veri Bilimi İşleri
- Bilgisayarla Görme İşleri
AI Insurance nedir: inovasyonun arkasındaki teknoloji
Çeşitli kalp rahatsızlıkları olan insanlar için sağlık sigortası tekliflerini kişiselleştirmeyi planladığınızı hayal edin. Bu, hassas, gerçek zamanlı, bireysel kalp takibi gerektirir. Bu verilere erişmek için sigortacılar, kalp ritmini izleyen ve toplanan verileri bir sunucuya aktaran giyilebilir bir cihazın (örneğin Apple Watch veya diğer) fiyatını tamamen veya kısmen karşılayabilir. Daha sonra, belirli bir kişinin kısa süre içinde tıbbi müdahaleye ihtiyacı olup olmayacağına dair tahminlerde bulunmak için bu veriler sigortalının elektronik sağlık kaydı (EHR) veri kümesine karşı analiz edilmelidir. Risk ne kadar yüksek olursa, aylık veya yıllık fiyat teklifi o kadar yüksek olur. Ve bu oldukça basitleştirilmiş ve "çoktan bir" bir modeldir. Şu anda, AI algoritmaları, sağlık kayıtlarını izleyerek müşterileri çeşitli risklere bağlı olarak yüzlerce gruba ayırabilir ve bu bir kazan-kazan ilişkisidir. Çoğu müşteri, adil teklifler ararken kişiselleştirilmiş bir yaklaşımın keyfini çıkarır. Öte yandan, sigorta şirketleri riskleri ve marjları daha iyi yönetebilir.
Trend Yapay Zeka Makaleleri:
- Mankenler için Makine Öğrenimi
- Algoritmaları Kullanarak Metin Sınıflandırma
- Derin öğrenmede düzenleme
- AI ve NLP Çalıştayı
Peki, bu nasıl çalışıyor?
Genel anlamda yapay zeka (AI) , verileri doğrusal olmayan bir şekilde analiz edebilen, hakkında tahminlerde bulunabilen ve kararlara varabilen bir bilgisayar sistemidir. Gelişmiş sistemler sürekli öğrenip kendilerini geliştirebilirler.
Genellikle makine öğrenimi (ML), yeni veriler üzerinde tahminler yapmak için mevcut kayıtların istatistiksel analizini kullanan yöntemleri kullanarak yapay zeka sistemleri oluşturur. Örneğin, önceki müşterilerle ilgili kapsamlı sağlık verilerimiz varsa, şu veya bu müşterinin tıbbi bakım arama olasılığını ve bunun ne kadar kısa sürede gerçekleşebileceğini tahmin edebiliriz. Geleneksel, kural tabanlı algoritmaların aksine, makine öğrenimi, mühendislerin çeşitli girdi-çıktı senaryolarını açıkça eşleştirmesini gerektirmez. Bu, geleneksel programlamanın başaramadığı şey olan, karmaşık bir şekilde birbirine bağlı sayısız faktöre dayalı olarak tahminde bulunmaya ve karar vermeye olanak tanır.
Not: Bazı uzmanlar, yapay zeka terimini, girdileri işleyen, analiz eden ve kararlar veren farklı ve bağımsız bir aracı tanımlamak için daraltmayı tercih eder. Makalemizde, karar vermek veya yalnızca insan iş akışını artırmak için veri bilimi tekniklerinden yararlanan herhangi bir akıllı sisteme atıfta bulunmak için AI kullanıyoruz.
Yapay zeka sistemleri, insanları tamamen değiştirecek kadar akıllı olmasa da, halihazırda bir taşıyıcının operasyonlarında birkaç somut iyileştirme önermektedir. Gelin bu fırsatlara bir göz atalım.
Sigorta sektöründe yapay zeka kullanım örnekleri
Şimdiye kadar, sigorta endüstrisinde AI'nın yardımcı olabileceği yedi ana alan görüyoruz.
Hasar işlemede konuşma/ses tanıma
Her gün ortalama bir sigorta acentesi, zamanının yüzde 50'sini, taleplerle ilgilenmek için çeşitli formları manuel olarak doldurmak için harcıyor. Doğal dil işleme (NLP) ve konuşma tanıma algoritmaları, bu hantal rutini kolaylaştırmak için insan konuşmasını kopyalayabilir ve hatta yorumlayabilir.
Taleplerin ele alınmasını özel olarak ele alan birkaç NLP odaklı ürün vardır. Bir örnek, Nuance'ın Dragon Naturally Speaking çözümüdür. Yazılım, aracıların konuşmalarını kopyalayarak, formları toplu olarak doldurmak için belirli komutları tanıyarak ve yapılandırılmamış metni analiz ederek veri girişini otomatikleştirir. Sistem ayrıca sesli komutları kullanarak metni biçimlendirmek, düzeltmek ve revize etmek için bir arayüz sağlar. Şirket, AI çözümlerinin yüzde 99 tanıma doğruluğuna ulaştığını iddia ediyor.
Belgeleri dijitalleştirmek için metin tanıma
Çoğu belge artık dijital formatlarda mevcut olsa da, bir dizi sigorta uygulaması hala hem daktilo edilmiş hem de el yazısı metinlerle fiziksel belge alışverişini gerektirmektedir ve her ikisi de sonunda şu veya bu şekilde sayısallaştırılmalıdır. Microsoft ve Google tarafından desteklenenler de dahil olmak üzere , ML tabanlı platformların birden çok sağlayıcısı, metin tanıma için API'lere sahiptir. Doğru donanımı ayarlamak hala bir taşıyıcının sorunudur, ancak artık önceden oluşturulmuş API'leri kullanabileceğiniz ve bunları dahili dijital altyapı ile entegre edebileceğiniz için tanımanın kendisi özel makine öğrenimi mühendisliği gerektirmez.
Belgeleri dijitalleştirmek için metin tanıma
Çoğu belge artık dijital formatlarda mevcut olsa da, bir dizi sigorta uygulaması hala hem daktilo edilmiş hem de el yazısı metinlerle fiziksel belge alışverişini gerektirmektedir ve her ikisi de sonunda şu veya bu şekilde sayısallaştırılmalıdır. Microsoft ve Google tarafından desteklenenler de dahil olmak üzere , ML tabanlı platformların birden çok sağlayıcısı, metin tanıma için API'lere sahiptir. Doğru donanımı ayarlamak hala bir taşıyıcının sorunudur, ancak artık önceden oluşturulmuş API'leri kullanabileceğiniz ve bunları dahili dijital altyapı ile entegre edebileceğiniz için tanımanın kendisi özel makine öğrenimi mühendisliği gerektirmez.
Öneri motorları ve robo-danışmanlar
Sigorta tavsiye motorları, aynı teknikleri birden fazla taşıyıcı tarafından hizmet sunan sigorta pazarlarına uygulayarak yaygın e-ticaret tavsiye sistemleri gibi çalışabilir. Diğer bir yaygın durum ise robo-danışma sistemidir. Hem hayat hem de P&C (mal ve kaza) sigortası, bu sistemi yatırım alanında kullanıldığına benzer şekilde kullanabilir. Bu tür sistemler, müşterilerin sigorta gereksinimlerini özelleştirmeleri ve kişiselleştirilmiş sigorta planları oluşturmaları veya P&C sigortası sunmaları için uygun bir görsel arayüz sağlar. Bir sigorta robo-danışmanlık başarı öyküsü, başlangıç Clark'tır . Alman şirketi, kullanıcıların hayat, sağlık ve mülk sigortası satın almalarına ve yönetmelerine izin vermek için 43,5 milyon doları aştı. Bir AI algoritması ayrıca mevcut sigorta planlarını analiz eder ve bunları optimize etmenin yollarını önerir.
Dolandırıcılık tespiti
Sahte veya mükerrer iddialar, gereksiz tıbbi testler faturalandırması ve geçersiz sosyal güvenlik numaraları, hem sağlık hem de sigorta sektörlerinin maruz kaldığı yaygın dolandırıcılık türleridir. Makine öğrenimi, diğer karmaşık tekniklerle birlikte anormallik tespitini kullanarak örtük ve önceden bilinmeyen girişimleri tanımlayabildiğinden dolandırıcılık tespitinde etkinliğini kanıtlamıştır . ( Fikri anlamak için dolandırıcılık tespit bilgi grafiğimize bakın .) Yapay zeka dolandırıcılık tespit motorunuz için kullanmak üzere çok sayıda dolandırıcılık iddiasına sahip değilseniz, piyasada bakmanız gereken seçenekler var. Shift Technology , şüpheli etkinlikleri tanımada makine öğrenimi algoritmasını eğitmek için yaklaşık 100 milyon P&C iddiasını analiz ettiklerini öne süren AI tabanlı bir dolandırıcılık algılama çözümü sunar.
Kişiselleştirilmiş araba sigortası
Kişiselleştirme, daha önce de belirttiğimiz gibi, hem taşıyıcılar hem de müşterileri için arzu edilen bir ileri adımdır. Ana engel, kişiselleştirmeyi kesin ve adil hale getirmek için yeterli veriyi elde etmektir
Telematik fikri (sürücü davranışını izlemek için araba kara kutularını ve sensörleri kullanmak) sigortacılıkta giderek daha popüler hale geliyor. Sürücü davranış verileri analiz edildikten sonra özel araba sigortası tekliflerinin yapılandırılmasına izin verir. Telematik sistemleri, veri toplayabilir ve daha fazla analiz için mobil bağlantı aracılığıyla doğrudan taşıyıcının sunucularına aktarabilir; burada algoritma, bireysel sürüş stiline dayalı kişiselleştirilmiş teklifler sağlayabilir.
İngiltere merkezli insurtech şirketi MyDrive Solutions , ML odaklı analitik tarafından desteklenen uçtan uca telematik ürünleri sağlıyor. Ürün, sigorta şirketlerine risk profili oluşturma, prim optimizasyonu ve hatta dolandırıcılık tespiti konularında yardımcı olur. Bunun da ötesinde, MyDrive uygulaması sürücülere ipuçları ve geri bildirim sağlayarak güvenli sürüşü teşvik eder.
Hasar değerlendirmesinde görüntü analizi
Neredeyse tüm sigorta talepleri, sağlık hizmetleri, araba sigortası ve hatta tarımsal davalar dahil olmak üzere görüntüler içerir. Görüntü tanıma, derin sinir ağlarının kullanıma sunulmasından sonra makine öğreniminin en hızlı ilerleyen dallarından biri haline geldi: Bugün , akıllı telefonunuzun kamerasıyla ortak nesneleri tanımak için Google Lens'i kullanabilirsiniz. Ve artık IBM Watson Visual Recognition gibi kullanıma hazır hizmetler , bir makine öğrenimi modelini eğitmek için yeterli geçmiş veriye sahip olduğunuz göz önüne alındığında, etki alanına özgü görevleri desteklemektedir.
Sigortada görüntü tanıma için kullanım örnekleri çoktur. Örneğin, bir taşıyıcı, dronları kullanarak tarla görüntülerini toplayarak ve bunları AI ile daha fazla analiz ederek tarımsal taleplerin ele alınmasını hızlandırabilir. Bir diğer öne çıkan örnek, araba sigortasıdır. Ageas'ın Birleşik Krallık'taki bir yan kuruluşu, AI Approval adlı aracı oluşturdu . Ürün araba kazalarında hasarı değerlendirir. Kapsamı hesaplamak ve talebin geçerli olup olmadığına karar vermek birkaç saniye sürer. Sistem ayrıca olası dolandırıcılık iddiaları hakkında uyarılar gönderir.
Sigortada görüntü tanıma için kullanım örnekleri çoktur. Örneğin, bir taşıyıcı, dronları kullanarak tarla görüntülerini toplayarak ve bunları AI ile daha fazla analiz ederek tarımsal taleplerin ele alınmasını hızlandırabilir. Bir diğer öne çıkan örnek, araba sigortasıdır. Ageas'ın Birleşik Krallık'taki bir yan kuruluşu, AI Approval adlı aracı oluşturdu . Ürün araba kazalarında hasarı değerlendirir. Kapsamı hesaplamak ve talebin geçerli olup olmadığına karar vermek birkaç saniye sürer. Sistem ayrıca olası dolandırıcılık iddiaları hakkında uyarılar gönderir.
Duygu ve kişilik analizi
Duygu ve kişilik analizi, sosyal medyadaki, ses kayıtlarındaki ve hatta videolardaki müşteri incelemelerinden içgörü toplamaya ve elde etmeye izin verdiği için iş dünyasında yükselen bir başka trend. Çoğu zaman kişilik ve duygu anlayışları, pazarlamanın ilgi alanına girer. Sigorta sistemi medyadaki yorumları analiz edebilir, şikayetleri tespit edebilir ve bir şirketin pazarlama departmanına raporlar gönderebilir. Sonuç olarak, kuruluş markanın etrafındaki medya ortamını kontrol edebilir ve mutsuz incelemelere ve anlaşmazlıklara proaktif olarak tepki verebilir
Bir AI sigorta projesine başlamadan önce sorulması gereken beş soru
Yapay zekayı bir taşıyıcının operasyonlarına dahil etmeden önce, karmaşık yapay zeka projeleri genellikle önemli miktarda yatırım ve personel eğitimi gerektirdiğinden, veriye dayalı strateji için kapsamlı bir planlama yapmayı düşünün. Orta ölçekli veya kurumsal ölçekli bir kuruluşta bir veri bilimi stratejisini tanıtmak için iyi bir uygulama, bir dizi temel soruyu yanıtlayarak ana engelleri erken aşamalarda ortaya çıkarmaktır.
Müşteriyi anlıyor musunuz? AI'nın benimsenmesinin önceliklerinden biri, müşteri deneyimini daha iyi hale getirmek ve sonunda müşteri sorunlarını çözmektir. Örneğin, son yıllarda, 25 yaşın altındaki kişiler için araba sigortası fiyatları çarpıcı biçimde arttı . Bu değişiklik, genç yetişkinlerin ayrıntılı ve kesin fiyat teklifleri aradığı için kişiselleştirilmiş sigorta programlarının büyümesini hızlandırdı. Telematik, sorunun mantıklı cevabıydı.
Bir taşıyıcı, müşteri memnuniyetsizliği noktalarını haritalayabiliyorsa, yapay zeka ve veriye dayalı sistemlerin daha iyi müşteri deneyimine yönelik önemli bir değişiklik yapabileceği alanlara öncelik verilmesine yardımcı olacaktır.
Temsilci ve sigortacı iş akışlarını anlıyor musunuz? Öte yandan, dahili operasyonların derinlemesine anlaşılması, otomasyonun kısa vadeli bir perspektifte en büyük değeri getirme potansiyeline sahip olduğu iş sürecine öncelik verilmesine yardımcı olacaktır. Büyük olasılıkla, kazanılan içgörüler, müşteri deneyiminin iyileştirilmesiyle de kesişecektir.
Bir AI sigorta projesi için yeterli veriye sahip misiniz? Büyük bir etki alanı veri kümesi olmadan verimli bir yapay zeka çözümü oluşturmak neredeyse imkansızdır. Açık veri kümelerini ve bahsettiğimiz araçları kullanarak metin tanıma veya duygu analizini kesinlikle etkinleştirebilirsiniz , ancak bu tür kullanım durumlarının listesi azdır.
Genellikle sigorta şirketleri, sektördeki açık veri ve API'lerin eksikliğinden dolayı müşteri ve operasyon verilerini CRM gibi dahili sistemlerden alır. Bu nedenle kuruluş, analiz için yeterli tarihi verinin bulunduğundan emin olmalı ve kalitesini değerlendirmek için veri bilimi danışmanlarını görevlendirmelidir.
Çalışanlarınız veri odaklı çözümlere hazır mı? Personel eğitim çabalarını ve kuruluş içinde veriye dayalı bir kültür geliştirmek için gereken süreyi tahmin etmek, yönetimin geçiş riskini ve gerekli yatırımları tahmin etmesine izin verir. Referans verilen Accenture raporuna göre, 4 sigorta çalışanından sadece 1'i yapay zeka odaklı yazılımlarla etkileşime girmeye hazır. Bu veri bilimi girişimine başlamak için sigorta şirketleri AI kültürünü oluşturmalı ve teşvik etmelidir. Kültürel dönüşüm, teknik yeteneklerin işe alınmasını, mevcut çalışanların yeniden eğitilmesini ve veri odaklı bir yaklaşım göz önünde bulundurularak iş süreçlerinin yeniden oluşturulmasını gerektirir.
Ne kadar teknik ve mali kaynağa sahibiz ve ihtiyacımız var? AI geliştirme, bir veri bilimi ekibinin türüne ve planlanan bir projenin kapsamına bağlı olarak bir dizi harici veya muhtemelen dahili yetenek kazanımı gerektirir. Bu sorunun cevabı, katılım yaklaşımını önerecektir:
- Hazır bir çözüm , önemli sınırlamaları olan düşük asılı meyvelerdir. Birincisi, bu programların sınırlarını aşan çözüm gerektiren sorunlar olabilir. Ve ürünün kendisi, etki alanı gereksinimlerini karşılayacak kadar esnek olmayabilir./li>
- Yazılım geliştirme genellikle bir sigorta şirketinin temel uzmanlığı olmadığı için şirket içi geliştirme pahalıdır. Bu, ek kurum içi uzmanların işe alınmasını ve dahili operasyonlarda ince ayar yapılmasını gerektirir. Bununla birlikte, bir veri bilimi ekibi oluşturmak, gelecek yıllar için sürdürülebilir bir veri stratejisinin temel taşı olacaktır.
- Bir teknoloji danışmanlık firması kiralamak da risklidir ancak kurum içi yaklaşımdan daha ucuzdur. Ayrıca, küçükten başlayıp daha karmaşık işlemler için ölçeklendirebileceğiniz için proje kapsamı açısından esneklik sağlar.
Cevapları aldıktan sonra, stratejik vizyonunuzu yapılandırabilir ve değişimin yol haritasını çizmeye başlayabilirsiniz.
Sigortada yapay zekanın geleceği
AI, endüstri üzerinde en büyük etki potansiyeline sahip en yenilikçi sigorta teknolojisidir . İlk olarak, AI tabanlı otomasyon, operasyonlar arasında manuel çalışma miktarını azaltacaktır. Bazı işler ortadan kalkacak veya önemli değişiklikler yaşayacak. Ancak AI'nın sektöre getirdiği en önemli değişiklik, karar vermenin otomasyonudur. Sigorta fiyatlandırması ve hasar yönetimine yönelik geleneksel yaklaşımları yeniden tanımlıyor.
Örneğin, McKinsey , 2030 yılına kadar trafik ve araç kontrol sistemlerinin, bir sürücüye (sürücünün manuel kontrolü tercih ettiği göz önüne alındığında) en güvenli rotayı seçmesini önerecek kadar gelişmiş olacağını tahmin ediyor. Ve yapmazsa, prim fiyatı daha yüksek riske göre ayarlanacaktır. Yakından bakarsanız, bu davaya dahil olan tüm teknolojiler, sürdürülebilir bir uygulama için zaten oradalar. Ve stratejik girişimi erken başlatanlar, muhtemelen ilk önce bu kesinti trenine binecekler.