Sztuczna inteligencja jest coraz bardziej powszechna w dzisiejszym świecie i oferuje wiele możliwości, dla różnych branż, w tym dla branży ubezpieczeniowej. Modele machine learning są wykorzystywane do analizowania danych, identyfikowania wzorców i podejmowania decyzji biznesowych. Jednak, choć modele mogą pomóc w poprawie procesów biznesowych i zmniejszeniu ryzyka, to stopień ich adaptacji w branży ubezpieczeniowej jest nadal niewielki. Skąd bierze się ta trudność? W artykule omówię cztery kluczowe przeszkody, które muszą być pokonane w celu skutecznego wykorzystania sztucznej inteligencji w branży ubezpieczeniowej.
Zrozumienie
Pierwszą kluczową barierą w zastosowaniu sztucznej inteligencji jest jej zrozumienie. Problem wynika zazwyczaj z ogromnych oczekiwań względem modeli machine learning podsycanych przez działania gigantów branży IT. Tworzy to sytuację, w ramach której już na początku projektu stawiamy nieosiągalne wymagania względem tworzonych modeli sztucznej inteligencji, a w konsekwencji spotyka nas ogromne rozczarowanie w momencie ich nieosiągnięcia.
Z drugiej strony, niewiele organizacji zdaje sobie sprawę, że wiele procesów biznesowych, pomimo zastosowania sztucznej inteligencji, nadal będzie wymagała kontroli naszych pracowników. Zresztą najczęściej najlepsze efekty osiąga się w wyniku kooperacji człowieka – specjalisty z danej dziedziny oraz wspierającego go modelu machine learning. Model jest w stanie sugerować tysiące czy nawet miliony decyzji w krótkim czasie, ale ostateczną decyzję, szczególnie w nieoczywistych przypadkach, należy zostawić człowiekowi.
Specjaliści
Drugą przeszkodą w adaptacji machine learning przez firmy jest ograniczony dostęp do specjalistów machine learning. Pozornie pozyskanie programisty, który zbuduje model rozwiązujący wybrany przez nas problem, wcale nie jest takie trudne. Temu złudzeniu ulega wiele organizacji, które próbują na własną rękę budować zespoły specjalizujące się w data science. Jednak taka praktyka jest bardzo trudna, kosztowna i wiąże się z dużym ryzykiem.
Lepszym podejściem jest, w pierwszym etapie, współpraca z firmami specjalizującymi się w budowie i wdrażaniu modeli sztucznej inteligencji. Podkreślam to drugie z dwóch powodów. Po pierwsze, większość modeli przygotowanych na laptopie nie nadaje się do uruchomienia produkcyjnego, a budowa środowiska uruchomieniowego to temat na osobny projekt. Po drugie, do budowania modeli machine learning potrzebujemy zespołu specjalistów o różnorodnych umiejętnościach – od przygotowania danych, analizy biznesowej, poprzez trenowanie modeli, aż do ich wspomnianego już uruchomienia produkcyjnego. Oczywiście w miarę czasu i rozwoju machine learning w firmie warto inwestować również we własne zespoły.
Środowisko
Trzecim problemem, z jakim musi się zmierzyć każda organizacja chcąca wdrożyć sztuczną inteligencję, jest jej środowisko uruchomieniowe. Otóż wiele modeli wymaga dużej mocy obliczeniowej, a z kolei samo okno, w jakim mogą być dokonywane obliczenia, jest krótkie – np. godzina w ciągu doby. W innych przypadkach wielkość środowiska będzie zależna od natężenia zapytań, które będzie większe np. w środku dnia, a dużo mniejsza w godzinach wieczornych lub w nocy.
Powyższe scenariusze wyraźnie faworyzują uruchamianie modeli sztucznej inteligencji w chmurze, ponieważ koszt zakupu sprzętu i licencji na środowisko gotowe obsłużyć piki wydajnościowe zazwyczaj będzie zbyt drogie w stosunku do ROI projektu. Patrząc z tej perspektywy, problemem dla Towarzystw Ubezpieczeniowych jest więc niska adaptacja chmury, związana po części z istniejącymi regulacjami, a po części z niechęcią do podjęcia ryzyka migracji środowisk naszych firm do chmury.
Wyjaśnialność
Wyjaśnialność modeli machine learning to ich zdolność do wyjaśnienia, jakie czynniki i w jakim stopniu przyczyniły się do podjęcia określonej decyzji. W branży ubezpieczeniowej jest to istotne, ponieważ decyzje oparte na modelach dotyczą często wysokości składek. Z uwagi, że decyzje w niektórych modelach sztucznej inteligencji, takich jak sieci neuronowe, są bardzo trudne lub wręcz niemożliwe do wyjaśnienia, ogranicza to możliwość ich zastosowania nie tylko ze względu na regulacje, ale i po prostu na transparentność decyzji względem klientów.
Z drugiej strony nie należy traktować problemów z wyjaśnialnością modeli jako czerwonego światła dla wdrażania tego typu rozwiązań w branży. Po pierwsze, często możemy użyć prostszych modeli, które łatwiej również wyjaśnić. Po drugie, trwa dynamiczny rozwój narzędzi pomagających tłumaczyć, na jakiej podstawie została podjęta taka, a nie inna decyzja. Do tego należy dodać wszelkie obszary działania Towarzystw Ubezpieczeń niepodlegających tak ścisłym regulacjom, jak marketing czy usprawnienia procesów wewnętrznych. Wyjaśnialność modeli jest więc dodatkową przeszkodą, ale nie – jak wielu sugeruje – uniemożliwia rozwoju sztucznej inteligencji w sektorze ubezpieczeń.
Podsumowanie
Podsumowując moje rozważania, chciałbym zwrócić uwagę na fakt, że z wymienionych ograniczeń dwa pierwsze są zupełnie uniwersalne i dotyczą wszystkich branż, natomiast dwa kolejne są charakterystyczne dla branży finansowej ze względu na obowiązujące w niej regulacje. W konsekwencji zauważanym trendem na rynku jest większe zaawansowanie w zastosowaniu machine learning firm z branż nieregulowanych, takich retail, logistyka, produkcja czy e-commerce.
Z drugiej strony, obserwując te właśnie branże, możemy gołym okiem zobaczyć, jak bardzo algorytmy machine learning wspierają rozwój i dają przewagę firmom, które potrafią je odpowiednio wykorzystać. Jest więc tylko naszą decyzją, czy skupimy się na tym, jakie przeszkody stoją przed naszym Towarzystwem Ubezpieczeniowym w zastosowaniu sztucznej inteligencji, czy po prostu pokonamy te przeciwności i dzięki odpowiedniemu zastosowaniu modeli zdobędziemy przewagę nad konkurencją.
