• 17 октября, 2018
  • 188

Машинное обучение на службе страхования

Кувшинов Юрий

Генеральный директор Mains Lab

Машинное обучение, базовая составляющая технологии искусственного интеллекта, внедряется во многих отраслях, обеспечивая ощутимую пользу для бизнеса. Все ингредиенты, наконец, доступны – компьютерные мощности практически безграничны, алгоритмы становятся все более сложными, область их применения постоянно расширяется, окружающий нас мир поставляет топливо – тонны терабайт данных каждый день, каждую минуту.

Объем инвестиций в эту сферу подтверждает интерес бизнеса к ней. По данным McKinsey, свыше 30 млрд долларов было инвестировано компаниями в технологии искусственного интеллекта в 2016 году, при этом наиболее активно технологии машинного обучения используются в высокотехнологичных, финансовых и автомобильных индустриях.

Оптимизация и автоматизация бизнес-процессов, качественный скачок в моделях прогнозирования, целевое таргетирование клиентов, улучшение клиентского опыта – в этих областях уже достигнуты ощутимые результаты.

Так, одна из ТОП компаний на рынке добровольного медицинского страхования уже применила технологии машинного обучения для поиска фрода в клиниках, что позволило ей более чем в 2 раза повысить эффективность этого процесса. Другая страховая компания использует машинное обучение для автоматизации операционных процессов. Разработанный на основе этой технологии алгоритм распознает документы произвольного формата и структуры, что позволило компании на 80% сократить расходы на этот процесс. Еще один пример использования машинного обучения в страховании – внедрение технологии в процесс андеррайтинга, результатом которого стал более точный расчет цены для конкретного клиента. Традиционные андеррайтинговые подходы строятся на сложных статистических моделях, связывающие определенные параметры клиента с вероятностью наступления страхового случая. Машинное обучение позволяет неограниченно увеличивать количество входных параметров и определять цену с гораздо лучшей точностью, чем это было раньше.

Другие индустрии также не стоят на месте. Один из лидеров на рынке автоэкспертных услуг внедрил машинное обучение для целей автоматического распознания поврежденных деталей автомобиля и определения необходимого ремонтного воздействия, что позволило на 30% снизить время оценки ущерба. А одна из ведущих клиник по вызову врача на дом, внедрила технологию для автоматического контроля за назначениями, сделанными врачами-терапевтами.

Все описанные выше случаи имеют ряд характерных особенностей, благодаря которым стало возможно применение машинного обучения. Как определить процессы, эффективность которых может быть повышена с помощью этой современной технологии?

1) Процесс должен быть либо ресурсоемким, либо результат его выполнения иметь серьезный бизнес эффект. Машинное обучение – это сравнительно долгий процесс, и не должно быть иллюзий, что один аналитик за одну неделю построит нейросетку или даже дерево решений, которые можно будет сразу внедрить. Поэтому речь о процессах, где компания много тратит, либо может дополнительно заработать.

2) Важной составляющей процесса является принятие решения на основании входящих данных. Поиск поврежденных деталей на фотографии, определение диагноза на основании жалоб клиента и результатов лабораторных анализов, выбор момента для

продажи клиенту дополнительных услугу, определение предрасположенности клиента к приобретению товара – практически в любом процессе можно найти тот элемент, где может быть применено машинное обучение.

3) Есть история принятия этих решений и исходных данных. Подготовка данных, определение ключевых признаков и, непосредственно, обучение машины – ключевые этапы построения искусственного интеллекта. От качества и количества данных не в последнюю очередь зависит результат этого процесса.

В ряде случаев машинное обучение позволяет не просто автоматизировать бизнес-процесс, но создавать совершенно новые модели в бизнесе. Так, одна из европейских компаний по размещению рекламы благодаря технологии машинного зрения полностью изменила свою бизнес модель – встроенные в биллборды камеры позволили фиксировать факт обращения внимания пешеходов на размещенную рекламу, что дало компании возможность перейти от арендной модели размещения рекламы к модели «за взгляд».

В аналитике McKinsey говорится, что только 20% компаний внедрили машинное обучение. Можно выделить два барьера, препятствующих его проникновению как в российский, так и зарубежный бизнес.

1) Внедрение технологии требует так называемых business translators, которые обладают глубокой бизнес экспертизой с одной стороны, и пониманием возможностей технологии, с другой стороны. Дефицит таких компетенций и специалистов важный барьер, сдерживающий применение машинного обучения в бизнесе.

2) Негибкость процессов и систем, неготовность линейного менеджмента компаний к радикальным изменениям – все это является не менее серьезным препятствием к внедрению data-driven insights. Примечательно, что все упомянутые выше примеры применения машинного обучения в российском бизнесе были инициированы генеральными директорами этих компаний, что позволило аллоцировать достаточное количество и денежных, и временных ресурсов на реализацию проектов.

Несмотря на эти барьеры, машинное обучение неумолимо становится органической частью любого бизнеса в России. Процесс этот может занять еще около 5-7 лет. Однако самые радикальные перемены уже начались.

Похожие статьи

Как машинное обучение реформирует страховую индустрию

Отечественные страховые компании в процессе принятия решений пока используют не более 15% доступной информации. Мировой опыт свидетельствует о том, что компании…