Проблематика применения ИИ-систем в транспортном страховании

В данной статье рассматриваются вопросы применения технологий искусственного интеллекта (ИИ) и больших данных в сфере транспортного страхования.

Аннотация статьи
искусственный интеллект
автоматизация
транспорт
страхование
Big-data
андеррайтинг
Ключевые слова

В современном мире, где технологии играют все более значительную роль, искусственный интеллект (ИИ) внедряется во множество областей нашей жизни. Одной из таких областей является транспортное страхование, где применение ИИ-систем может значительно улучшить качество услуг и снизить стоимость страхования. Поэтому, исследования в этой области имеют важное практическое значение для развития транспортного страхования и оптимизации его процессов. В связи с этим, проблематика применения искусственного интеллекта в секторе транспортного страхования, и в частности – водного транспорта, является актуальной.

Цель данного исследования - выявление вариантов практического применения систем искусственного интеллекта (ИИ) в секторе транспортного страхования.

Сегодня во всем мире сфера транспортного страхования переживает цифровую революцию. Искусственный интеллект (ИИ) – это развивающаяся технология, отрасль и область исследований. Искусственный интеллект применяется, когда машина имитирует когнитивные функции, которые обычно люди связывают с другими людьми, такие как обучение и решение проблем.

Учитывая все более высокий уровень внедрения и появление новых технологий, приложения ИИ могут похвастаться впечатляющей эффективностью в различных отраслях. При этом существует большой неиспользованный потенциал в использовании этих инструментов для улучшения существующих транспортных процессов (таблица 1) [1].

Таблица 1

Наиболее используемые типы нейронных сетей в транспортной отрасли

Название модели

Описание

Возможные сферы применения в транспортном сегменте

1

Перцептронные сети (ANN)

Сети-классификаторы. Используются для обработки и анализа данных

Управление транспортными средствами, прогнозирование трафика.

2

Рекуррентные нейронные сети (RNN)

Обработка последовательностей данных, таких как тексты, речь или временные ряды

Управление транспортными системами, прогнозировании трафика и оптимизации маршрутов

3

Сверточные нейронные сети (CNN)

Системы обработки изображений и компьютерное зрение.

Системы автоматического распознавания объектов на дороге, системы безопасности.

4

Глубокие нейронные сети (DNN)

Поиск сложных закономерностей. Классификация изображений, распознавание объектов и обработка естественного языка

Транспортные экспертные системы, поддержка и принятие управленческих решений.

5

Генеративно-состязательные сети (GAN)

Генерация новых данных на основе уже существующих.

Вспомогательный компонент в обучении систем управления транспортом

На сегодняшний день сектор транспортного страхования сталкивается с множеством проблем. В современных условиях санкционного давления на российскую экономику актуальными являются вопросы оценки востребованности услуг по бесперебойному и стабильному страховому обеспечению рисков транспортировки товаров и услуг, влияния запретов на предоставление страховой защиты российским экспортерам и импортерам.

Страховая отрасль созрела для внедрения автоматизации, поскольку она в первую очередь применяет технологии анализа и обработки информации. Любой переход к автоматизации в этом случае должен привести к значительной экономии средств, учитывая, что значительная часть структуры затрат страховой компании приходится на человеческие ресурсы.

Российскими страховыми компаниями предлагаются разнообразные продукты для страхования грузов, перевозимых различными видами транспорта по всему миру. Однако, в настоящее время возникли трудности в перестраховании рисков в связи с экономическими санкциями. К привычным рискам добавились последствия экономических санкций и военных рисков в связи с проведением СВО (Специальной военной операции) на Украине. Власти «недружественных стран» предпринимают усилия в части ареста, конфискации, задержки грузов. Несмотря на существующую международную практику прекращения договоров перестрахования, действующие договоры по большей части не расторгаются, однако новые договоры не заключаются именно по причине возможных штрафов за нарушение санкций. Все это требует разработки научных и методологических подходов к вопросам повышения конкурентоспособности отечественных страховщиков. В этом отношении, технологии искусственного интеллекта могут стать важным шагом в развитии отечественной страховой отрасли.

Основные проблемы отрасли, наблюдаемые сегодня во многих страховых предприятиях, можно подразделить на шесть основных групп [2]:

  • Мошенничество: рост числа ложных претензий и мошеннических
  • Затраты времени: самая быстрая поддержка оказывается преимущественно для постоянных клиентов.
  • Стоимость и высокозатратные страховые претензии.
  • Большие данные зачастую обрабатываются вручную, что делает любые аналитические операции громоздкими.
  • Поиск и подбор правильного набора продуктов, соответствующих требованиям клиентов
  • Поиск потенциальных клиентов и обращение к ним в нужное время.
  • Сегодня выделяют следующие примеры использования ИИ для страховых компаний [3]:
  • Анализ рисков и андеррайтинг. Использование искусственного интеллекта для анализа данных может привести к более точной оценке потенциальных рисков, определению наилучшей политики и покрытия для ваших нужд, а также к способам снижения риска будущих претензий.
  • Обнаружение мошенничества: чат-боты с искусственным интеллектом помогают автоматизировать многие процессы, которые часто подвергаются мошенничеству, и принимать меры без необходимости участия человека. Он также может отмечать новые полисы, помогая выявлять людей, которые с большей вероятностью совершат страховое мошенничество.
  • Автоматизированная обработка претензий. ИИ может помочь клиентам сообщать о претензиях, фиксировать ущерб или убытки, проверять политику и лимиты, общаться с клиентами и предупреждать клиентов и страховщиков о статусе претензий.

Одной из наиболее значимых тенденций, обусловленных ИИ, является «гиперперсонализация». Общий рост объема данных является основополагающим фактором развития ИИ-технологий. Интеллектуальные системы позволяют страховщикам предлагать высоко персонализированные услуги в зависимости от потребностей и предпочтений клиентов. К ним относятся индивидуальные политики, модели ценообразования и даже коммуникационные стратегии. Искусственный интеллект позволяет страховщикам анализировать огромные объемы данных и получать информацию о поведении клиентов, профилях рисков и предпочтениях. Эти знания могут адаптировать продукты и услуги к уникальным потребностям каждого клиента.

ИИ также помогает изменить процесс рассмотрения претензий для новых и существующих держателей полисов. Обработка претензий является основной функцией страховщиков. Ручная проверка документов требует много времени и ресурсов. Голосовой ИИ может помочь справиться с большим объемом вызовов за счет снижения нагрузки на операторов-людей. McKinsey прогнозирует [4], что обработка запросов и претензий останется основной функцией всех страховых компаний в 2030 году, а технология искусственного интеллекта сократит накладные расходы, связанные с убытками, на 70–90%.

Страховое мошенничество в настоящее время принимает множество различных форм, что затрудняет его обнаружение и предотвращение страховщиками. Отмечаются некоторые из наиболее типичных видов страхового мошенничества, в частности [2]:

  • Инсценированные несчастные случаи. При этом виде мошенничества люди намеренно устраивают несчастные случаи, чтобы подать мошеннические страховые претензии.
  • Ложные претензии: Ложные претензии предъявляются лицами с целью получить страховое возмещение за ущерб, которого не было.
  • Кража личных данных. Мошенники могут украсть личности реальных страхователей, чтобы подать ложные иски.

Из-за огромного объема и сложности мошеннических претензий страховщикам трудно обнаружить и предотвратить мошенничество, используя традиционные ручные подходы. В то же время, отмечается эффективность систем ИИ и машинного обучения в обработке больших объемов данных и выявления тенденций, которые могут указывать на мошенническое поведение. Таким образом, алгоритмы искусственного интеллекта способны обнаруживать подозрительные закономерности среди миллионов страховых претензий, позволяя страховщикам значительно быстрее анализировать и обрабатывать запросы.

С другой стороны, внедрение искусственного интеллекта и машинного обучения для в страховой отрасли сопряжено с трудностями.

Во-первых, существует проблема доверия к ИИ-системам со стороны страховых компании и их клиентов. Многие предприятия не до конца понимают, как работают те или иные ИИ-продукты и какие риски могут быть связаны с его использованием. В связи с этим все чаще проводятся отраслевые конференции, где участвуют представители как страховых компаний, так и IT-сектора.

Вторая проблема связана с необходимостью постоянного обучения и совершенствования алгоритмов ИИ. Точность алгоритмов искусственного интеллекта и машинного обучения сильно зависит от ее архитектуры, но во многом - от качества данных, использованных в обучении модели. Системы искусственного интеллекта и машинного обучения могут быть предвзяты в отношении определенных видов заявлений или отдельных лиц, что, в теории, может приводить к неверным или несправедливым результатам. Чтобы получить оптимальные результаты, страховщики должны гарантировать, что их данные точны, полны и актуальны, а применяемая методология соответствует актуальным требованиям рынка страховых услуг.

Третья проблема заключается в отсутствии четких стандартов и правил использования ИИ в страховании. В разных странах существуют разные законы и регуляторы, которые могут по-разному подходить к вопросу применения ИИ в данной сфере. Это создает определенные трудности для страховых компаний, которые хотят использовать ИИ-системы в своей работе. Отдельно здесь следует выделить проблему конфиденциальности и использования личных данных и сведений, представляющих коммерческую тайну.

Большинство рассматриваемых выше приложений ИИ так или иначе используются для расширения возможностей и знаний страховщика, а не потребителя. По мере увеличения информационной асимметрии страховщик может предоставлять услуги более низкого качества по более низким ценам. Более качественные и дорогие услуги могут перестать предлагаться, поскольку они больше не смогут конкурировать по цене. Дополнительная информация о том, как принимаются решения, может быть скрыта страховщиком. Поскольку конфиденциальная информация может быть оценена ИИ, его использование для обнаружения мошенничества в страховой отрасли создает проблемы в сфере информационной безопасности. Чтобы защитить данные своих клиентов, страховщики должны обеспечить соблюдение законов и правил о конфиденциальности данных. Также можно рассмотреть применение т.н. синтетических данных – искусственная информация. Такой метод может быть применим, к примеру, когда получение реальных данных сложно или дорого, но требования к данным известны

Наряду с возрастающей ролью технологий, необходимо упомянуть и поставщиков ПО в сфере страхования. По мере постоянного расширения возможностей интеллектуального программного обеспечения, специалисты будут все чаще полагаться на интеллектуальные системы, поскольку их знания и опыт будут использоваться при проектировании новых программных решений. Поэтому, с точки зрения страховщиков, для использования ИИ сотрудникам потребуется в ближайшее время получить новые навыки и пройти необходимое обучение.

Зарубежные предприятия, использующие ИИ в страховании [5, 6]:

  • Lloyd's – крупная страховая компания B2B, специализирующаяся в первую очередь на перестраховании. У них есть несколько подходов к внедрению ИИ, например разработка решений в своих лабораториях, поддержка стартапов и покупка решений у ведущих поставщиков экспертных систем.
  • Лондонский стартап Concirrus использует искусственный интеллект для анализа данных, хранящихся в компаниях морского страхования, и на этой основе оптимизирует полисы. Кроме того, суда контролируются в режиме реального времени, чтобы отслеживать защиту, например, во время путешествий через застрахованные и незастрахованные воды. Стартап предполагает, что затраты снизятся на 10–25%.
  • Insurwave – это стартап, который использует искусственный интеллект и блокчейн для автоматизации ряда задач, делая их безопасными и прозрачными.
  • AVIVA, AXA и Zurich Insurance являются преимущественно страховщиками B2C. AVIVA взаимодействует с ИТ-сектором, также включая сотрудничество с TESLA для создания новых страховых услуг для беспилотных автомобилей с поддержкой ИИ.
  • Сотрудники AXA используют виртуального помощника Veezoo с поддержкой искусственного интеллекта для облегчения доступа к соответствующей информации.
  • Zurich Insurance использует искусственный интеллект для выявления случаев мошенничества, которые менее очевидны и могут быть пропущены системой, основанной на правилах.
  • Manulife использует AIDA, инструмент андеррайтинга с искусственным интеллектом, который был обучен с помощью машинного обучения и позволяет осуществлять страхование жизни без принятия окончательного решения человеком.
  • Allstate, GEICO и Progressive используют виртуального помощника, использующего искусственный интеллект. Они могут ответить на общие вопросы о страховании и конкретные вопросы о претензиях пользователя и франшизах. Они также могут настраивать платежи. Виртуальный помощник может взаимодействовать с потребителями голосом или текстом.

Таблица 2

Программные ИИ-решения в сфере страхования

№ п.п

Название продукта

Описание продукта

Предприятие-разработчик

Страна

1

Lemonade

Используя технологию машинного обучения, они предлагают быстрое и удобное оформление полисов и обработку претензий.

Lemonade Inc

США

2

Shift Claims Fraud Detection

Используя машинное обучение и анализ данных, этот продукт помогает страховым компаниям автоматически обнаруживать мошеннические действия в страховых претензиях. Он анализирует различные факторы и шаблоны, чтобы выявить потенциальные случаи мошенничества.

Shift Technology

Франция

3

Shift Score

Этот продукт предоставляет оценку риска для страховых компаний на основе анализа данных. Он помогает определить вероятность мошенничества или неправильных претензий, что позволяет компаниям более эффективно управлять своими страховыми портфелями.

4

Shift Connect

Это платформа, которая объединяет различные данные из разных источников, чтобы обеспечить полную картину страхового случая. Она интегрируется с системами страховых компаний и помогает автоматизировать процессы обработки претензий и улучшить точность принятия решений.

 

 

5

InsuranceGPT

Insurancegpt помогает страховым компаниям автоматизировать процессы обслуживания клиентов, отвечая на вопросы, предоставляя информацию о полисах и помогая в решении проблем клиентов.

OpenAI

США

6

Geico Virtual Assistant

Это программа, которая использует искусственный интеллект для ответа на вопросы клиентов, обработки заявок на страхование и предоставления информации о продуктах и услугах.

Geico

США

7

Tractable AI

Tractable AI позволяет страховым компаниям быстро и точно оценивать ущерб после аварий или других повреждений, используя компьютерное зрение и анализ изображений.

Tractable

Великобритания

8

Cytora

Cytora помогает страховым компаниям автоматизировать процесс оценки рисков, анализируя данные из различных источников, таких как новости, социальные медиа и открытые базы данных. Это позволяет компаниям принимать более информированные решения при оценке полисов и управлении рисками.

Cytora

Великобритания

9

MOSTLY AI

Платформа MOSTLY AI позволяет создавать высококачественные синтетические данные, которые могут использоваться для обучения и тестирования моделей машинного обучения. Это позволяет компаниям сохранять конфиденциальность реальных данных, а также ускорять процесс разработки и тестирования новых продуктов и сервисов.

MOSTLY-AI

Австрия

Судя по примерам выше, переход отрасли на новые модели может занять несколько лет. Переход также включает в себя социотехнические проблемы, выходящие за рамки организаций. Обеспокоенность пользователей растущей асимметрией использования информации, а также проблемы конфиденциальности потребуют укрепления доверия. Некоторые более мелкие организации могут осуществить этот переход быстрее, в то время как некоторые крупные организации могут сегментировать отдельные услуги, такие как страхование автомобилей, и обеспечить их переход к новой модели, основанной на искусственном интеллекте и данных [5].

Специалисты в области машинного обучения отмечают [7], что объем данных важен, но не менее важно и их качество. Если ИИ использует неточные данные о страховании, он не будет работать эффективно. Такие данные необходимо проверить и очистить от неточностей. Хотя ИИ может обрабатывать и неструктурированные данные, он более эффективен с наборами данных, которые предоставляют соответствующую информацию.

С точки зрения пользователя, некоторые риски увеличиваются при автоматизации на основе ИИ: возможности ИИ увеличивают информационную асимметрию между пользователем и страховщиком, поскольку предприятием обрабатывается больший объем данных, что собираются из растущего числа источников. Это усиливает проблемы конфиденциальности. Отсутствие прозрачности может снизить доверие и вызвать этические проблемы.

При дальнейшей цифровизации страхового сектора, можно отметить потребность в экосистеме с участием других партнеров, страховых компаний и технологического сектора. Одним из примеров этого является то, что страховщики могут объединить свои данные, чтобы ИИ можно было лучше обучать и иметь больше данных для принятия решений. Второй пример заключается в том, что одному члену экосистемы, у которого уже есть данные и отношения с пользователем, может быть проще запросить дополнительные данные и доступ, чем другому члену экосистемы. Таким образом, все члены экосистемы могут извлечь выгоду из данных и доступа, которых в противном случае у них не было бы.

Страховой рынок России является не только импортером страховых и перестраховочных услуг, но экспортирует страхование при осуществлении экспортных поставок различного товаров и услуг [8]. Хотя никто не может точно предсказать, как будет выглядеть страховая отрасль в ближайшие несколько десятилетий, однако Российским предприятиям, в целях сохранения своей конкурентоспособности на примере компании СОГАС [9] следует уже сейчас начать изучение технологий и тенденций, связанные с искусственным интеллектом. Впоследствии, основываясь на результатах исследований искусственного интеллекта, страховые компании должны решить, как использовать технологии для поддержки своей бизнес-стратегии.

Выводы

  1. Системы ИИ в страховании водного транспорта являются лучшим цифровым решением для автоматизации процесса андеррайтинга, выявления мошенничества и обработки обращений.
  2. С помощью ИИ страховые компании могут быстрее и эффективнее обрабатывать страховые случаи, снижать операционные расходы и предлагать более персонализированные страховые продукты.
  3. Дальнейшие исследования в направлении ИИ-технологий помогут выяснить, как можно реализовать переход к новым моделям искусственного интеллекта и данных, а также как можно побудить предприятия поддержать эти изменения.
Текст статьи
  1. Введение в архитектуры нейронных сетей - URL: https://habr.com/ru/companies/oleg-bunin/articles/340184/ (дата обращения: 19.10.2023)
  2. AI and Fraud Detection in the Insurance Industry: Challenges and Solutions - URL: https://www.financemagnates.com/fintech/education-centre/ai-and-fraud-detection-in-the-insurance-industry-challenges-and-solutions/(дата обращения: 19.10.2023)
  3. Top Benefits & Use Cases of AI in Insurance Industry - URL: https://www.revechat.com/blog/insurance-ai/(дата обращения: 19.10.2023)
  4. McKinsey: Insurance 2030–The impact of AI on the future of insurance - URL: https://www.mckinsey.com/industries/financial-services/our-insights/insurance-2030-the-impact-of-ai-on-the-future-of-insurance(дата обращения: 19.10.2023)
  5. Alex Z, Christopher P., Alistair M. Evaluating the impact of AI on insurance: The four emerging AI- and data-driven business models - URL: https://emeraldopenresearch.com/articles/1-15#ref-1 (дата обращения: 19.10.2023)
  6. Artificial intelligence within the maritime industry - URL: https://www.wfb-bremen.de/en/page/bremen-invest/artificial-intelligence-within-maritime-industry(дата обращения: 19.10.2023)
  7. Raza H. Why you should take a data first approach to AI - URL: https://humanloop.com/blog/data-first-approach-to-ai (дата обращения: 19.10.2023)
  8. Белоусова Т.А. Трансформация транспортного страхования в современных условиях // Экономика, предпринимательство и прав. 2022. Т. 12. № 9. С. 2463-2478. URL: https://1economic.ru/lib/116264
  9. СОГАЗ внедрил технологию искусственного интеллекта для андеррайтинга - URL: https://www.sogaz.ru/sogaz/pressroom/release/836304/ (дата обращения: 19.10.2023)
Список литературы