Jak Sztuczna Inteligencja wpływa na ubezpieczenia?

Autor

Tomasz Wiliński

Autor

Miron Bałtruszewicz

Dlaczego to robimy 

Posiadanie ubezpieczenia powinno być gwarancją spokoju od konsekwencji zdarzeń, które mogą nas spotkać w każdym aspekcie życia. Ta gwarancja nie bierze się z wpatrywania w szklaną kulę, a z matematyki ubezpieczeniowej. To zakres statystyki, inteligencji obliczeniowej, a dziś algorytmów sztucznej inteligencji. Jaki jest finał równania, w którym do ubezpieczeń dodamy AI? Nie jest żadną nowością, że firmy  wykorzystują AI do analizy danych tabelarycznych, które potem są przechowywane w  hurtowniach danych. W PZU wiemy, że potencjał AI sięga o wiele dalej, oferując innowacyjne rozwiązania w przetwarzaniu danych z różnorodnych źródeł. Zespołem odpowiedzialnym za analizę danych z pomocą modeli uczenia maszynowego w PZU jest Fabryka Sztucznej Inteligencji (FSI), automatyzowane przez nią procesy należą do kluczowych dla poszczególnych jednostek biznesowych Grupy PZU. Tworzymy i przetwarzamy dane w BIG Data, nie jest nam obce tworzenie modeli Computer Vision czy Data Mining uszytych na miarę naszych potrzeb.  
 

Jak do tego podeszliśmy w Anonimizacji zdjęć? 

W przypadku zgłoszeń szkód, klienci często przesyłają zdjęcia uszkodzeń pojazdów czy mienia. Te dane wizualne zawierają wrażliwe informacje, takie jak twarze osób, numery rejestracyjne czy inne identyfikatory, które dla nas nie są użyteczne. 

Jakie technologie wykorzystaliśmy  

1. W wykrywaniu obiektów korzystamy z algorytmów AI, takich jak konwolucyjne sieci neuronowe (CNN, R-CNN), które trenujemy do rozpoznawania różnych obiektów na zdjęciach. Tego typu modele są w stanie z dużą dokładnością wykrywać twarze oraz inne obiekty. Po wykryciu obiektów, AI może automatycznie zamazywać te obszary lub zamieniać je na neutralne wzory,  co zapobiega identyfikacji osób i innych wrażliwych danych.
2. Spektakularne wyniki otrzymujemy przy wykorzystaniu głębokich sieci konwolucyjnych z zakresu klasyfikacji (classification) i klasyfikacji z lokalizacją (Object Detection). Korzystamy tu z sieci wstępnie wyuczonych, które łączymy z odpowiednimi  frameworkami, tj. Tensorflow lub YOLO. To najszybszy sposób wytworzenia modelu przy małej liczbie zdjęć. Od 150 do 300 fotografii wystarczy nam do poprawnej klasyfikacji np. marka modelu samochodowego.
3. Technika Transfer learning, z której korzystamy polega na wykorzystaniu wcześniej wytrenowanych modeli (np. MASK R-CNN)  i dostosowywaniu ich do specyficznych potrzeb firmy ubezpieczeniowej poprzez dalsze trenowanie na własnych zbiorach danych. Do wykrywania dowolnego potrzebnego obiektu na zdjęciach potrzebujemy około 150 do 200 zdjęć.  

Poniższa tabela pokazuje, że to my możemy decydować jaką architekturę sieci wykorzystamy, wystarczy pobrać wstępny model, dostosować go do naszych potrzeb i przepis na sukces jest gotowy.
 

Jak do tego podeszliśmy w rozpoznawaniu  podpisów na dokumencie  

W procesie zawierania umów ubezpieczeniowych, klienci często muszą dostarczyć podpisane formularze. Tradycyjne metody weryfikacji podpisów są czasochłonne i podatne na błędy. 

Jakie technologie wykorzystaliśmy? 

W procesie przygotowania danych zbieramy i etykietujemy duży zbiór zdjęć dokumentów zawierających podpisy. Weryfikujemy podpisy na zdjęciach dokumentów, wykorzystując zaawansowane techniki detekcji obiektów z architekturami YOLO (You Only Look Once) oraz Inception w w bibliotekach TensorFlow i PyTorch. W rozliczaniu polisy korzystamy z decyzyjności AI, dzięki której system automatycznie podejmuje decyzje. 

 Liczby tych projektów