عنوان گروه خبري / نوآوری و فن‌آوری بیمه . بیمه‌های غیرزندگی . بیمه حوادث . مدیریت بیمه .
  • ساعت : ۱۵:۰۴
  • تاريخ :
     ۱۴۰۳/۰۲/۲۳ 
  • تعداد بازدید : 14
پنج خطای عمده در بازسازی بخش خسارات با هوش مصنوعی در بیمه اموال و حوادث
نگارندگان: Michael Paczolt
تصمیم به ایجاد یک راهکار هوش مصنوعی داخلی و یا خرید آن، امری دشوار است.

بهره‌برداری از هوش مصنوعی (AI)[1] در اداره‌های مدیریت خسارات، راهبردی مهم برای بهبود کارایی و نتایج مطلوب برای مدیریت خسارات است. اما، تصمیم به ایجاد یک راهکار هوش مصنوعی داخلی و یا خرید آن، امری دشوار است. در این مطلب، ما به کاوش درباره پنج خطایی که بیمه‌گران اموال و حوادث (P&C)[2] هنگام اجرای هوش مصنوعی در بخش خسارات، مرتکب می‌شوند، می‌پردازیم و چالش‌های آن را روشن می‌سازیم و بر مزایای خرید یک راهکار آماده، تأکید می‌نماییم.

پنج خطای عمده

خلاصه

فقدان تمرکز راهبردی

این برداشت غلط وجود دارد که هوش مصنوعی، یک راهکار همگانی است و این امر، سبب شده است تا طرح‌های ابتکاری ارائه شود که بسیار گسترده هستند و قابلیت ادغام بی‌نقص در جریان کاری بخش خسارات را نداشته باشند.

برآورد کمترِ صرف هزینه و زمان

دست‌کم گرفتن هزینه‌های مرتبط با هوش مصنوعی نوین، حفظ استعدادهای متخصص لازم و زمانبندی طولانی برای توسعه.

گروه‌های فاقد تخصص در این حوزه

مشکلات در عملکرد الگو، به واسطه وجود مهندسان و دانشمندان داده‌ای که در این حوزه تخصص ندارند، سبب ایجاد پیچیدگی در بخش خسارات شده است.

مشکل در سنجش نتایج

در سنجش نتایج به دلیل ماهیت و پیچیدگی داده‌های خسارات، مشکل وجود دارد که سبب نتیجه‌گیری نادرست نسبت به عملکرد، می‌شود.

چالش‌های پسابکارگیری

نادیده گرفتن رصد مستمر الگو و بهبود اثربخشی بلندمدت

 

۱. فقدان تمرکز راهبردی: در جستجوی معجزه

افسون هوش مصنوعی، غیرقابل‌انکار است. اما، اجرای آن، به اندازه‌ای که بازاریابان صنعت می‌خواهند شما باور کنید، ساده نیست. اغلب،‌ شرکت‌ها در دام این انتظار می‌افتند که هوش مصنوعی، یک درمان جامع است که باید اجرا و فراموش شود و می‌توان آن را با نتایجی آنی، تجربه نمود. این موضوع، اغلب به مشکلات ذیل منجر می‌شود:

· اثرات ضعیف در سطح چندین وظیفه شغلی: تلاش برای اجرای هم‌زمان هوش مصنوعی در سطح چندین حوزه کاری، سبب ضعف در منابع و تمرکز می‌شود و حوزه‌هایی که هوش مصنوعی می‌تواند بیشترین اثر را داشته باشند، نادیده گرفته می‌شود.

· ناهماهنگی با جریان کاری بخش خسارات:‌ داشتن درکی عمیق نسبت به جایی که هوش مصنوعی در رویه خسارات، می‌تواند به کار گرفته شود، ضروری است. بدون این درک، ریسک توسعه راهکارهایی وجود دارد که با جریان‌های کاری واقعی، هم‌سو نیستند و سبب بکارگیری ضعیف هوش مصنوعی و بازده پایین سرمایه (ROI)[3] می‌گردد.

· از دست رفتن اعتماد نسبت به هوش مصنوعی: هنگامی‌که طرح‌های ابتکاری هوش مصنوعی، به واسطه فقدان مسیر راهبردی، ناتوان از تحقق انتظارات باشد، سهام‌داران، اعتماد خود را نسبت به هوش مصنوعی از دست خواهند داد. آنها با این تصور غلط که هوش مصنوعی برای نیازهای آنان، مفید نیست، ممکن است عجولانه، بهره‌برداری آتی آن را نیز کنار بگذارند. این امر ممکن است، سبب چشم‌پوشی نسبت به مزایای بالقوه هوش مصنوعی، هنگام اجرای راهبردی آن در جهت اهداف تجاری، گردد.

۲. برآورد کمترِ صرف هزینه و زمان

توسعه مدیریت خسارات برمبنای هوش مصنوعی، یک طرح پژوهشی ساده نیست و پیش از تبدیل شدن به یک راهکار عملیاتی، به سرمایه‌گذاری عمده در منابع و توسعه نیاز دارد که می‌تواند برای سالیان دراز به طول بینجامد. این موارد، محرک‌های عمده هزینه هنگام ساخت آن است:

· پیچیدگی داده‌ها: موفقیت هوش مصنوعی تاحدزیادی به تعداد و کیفیت داده‌ها بستگی دارد. داده‌های ساختارنیافته‌ای مانند اسناد خسارات که غنی‌ترین بینش‌ها را دارند، نیازمند پردازش گسترده، پاک‌سازی و شرح‌نویسی دارند که به خودی خود، وظیفه سنگینی است،‌ حتی اگر از الگوهای زبانی بزرگ (LLMs)[4] موجود، استفاده حداکثری شود.

· کمبود استعداد و هزینه‌ها: برای بیمه‌گران، استخدام و حفظ گروه‌های متخصص و متنوع در بازار مشاغلِ بسیار رقابتی، چالش‌برانگیز است. این گروه‌ها شامل دانشمندان داده، بیم‌سنج‌ها و مهندسان داده می‌شود که همگی نقشی ضروری در توسعه و حفظ بخش مدیریت خسارات بازی می‌کنند. ماهیت منحصربه‌فرد بیمه، تقاضا برای این مجموعه مهارت‌ها را افزایش داده است و منحنی یادگیری[5] پرشیبی را برای حرفه‌ای‌هایی که از دیگر صنایع آمده‌اند، رقم زده است.

· هزینه‌های زیرساختی کمتربرآوردشده: برای بیمه‌گرانی که در طرح‌های هوش مصنوعی سرمایه‌گذاری می‌کنند، پیش‌بینی‌های اولیه، اغلب به منظور لحاظ زیرساخت لازم، دست کم گرفته می‌شود. این امر می‌تواند شامل تدارک پیشرفته‌ترین منابع محاسباتی مانند دستگاه‌های پردازش گرافیکی (GPU)[6] باشد که به منظور آموزش[7] الگوهای مدرن هوش مصنوعی، هم ضروری و هم هزینه‌بر است. ورای سخت‌افزار، نیاز مبرمی به سنجه‌های امنیت داده‌ها به منظور حفاظت از داده‌های حساس وجود دارد که با استانداردهای مقرراتی تطبیق با قانون، هم‌سو باشد.

· موانع ادغام و نگهداری: ادغام هوش مصنوعی در سامانه‌های سنتی، بکارگیری و نگهداری، چالش‌های عمده‌ای به همراه دارد که اغلب در فازهای اولیه برنامه‌ریزی، دست کم گرفته می‌شوند.

3. گروه‌های فاقد تخصص در این حوزه

راه‌اندازی بخش مدیریت خسارات مبتنی بر هوش مصنوعی، تنها وظیفه بیم‌سنج‌ها نیست، چراکه اغلب نیازمند تخصص‌های گوناگون است. هوش مصنوعی بخش خسارات  نیازمند تلاش و همکاری دانشمندان داده، مهندسان و کارشناسان متخصص خسارات است که هر یک مجموعه مهارتی منحصربه‌فردی، به مجموعه می‌آورند. همچنین، با عنایت به این‌که فضای فعلی، ممکن است با داده‌های تاریخی که برای ساخت الگو نیاز است، هم‌سو نباشد، این گروه نیازمند دانش تخصصی گسترده‌ای نسبت به داده‌های خسارات بیمه دارند. اغلب بیمه‌گران در تجهیز کارکنان غیربیم‌سنجی با دانش تخصصی، با چالش مواجه می‌شوند که منجر به منحنی یادگیری پرشیبی می‌شود. این کمبود دانش می‌تواند به خطاهای مدل‌سازی منتهی شود و نتیجه، آن می‌شود که هوش مصنوعی که در بخش داده‌های تاریخی مطلوب عمل می‌کند، در تولید، دچار ناکارآمدی خواهد شد. همچنین، این کمبود تخصص می‌تواند تأخیرهای عمده‌ای در برنامه زمان‌بندی طرح ایجاد کند. بنابراین، اهمیت داشتن دانش جامع در بخش مدیریت خسارات مبتنی بر هوش مصنوعی، اهمیت دوچندان دارد.

۴. مشکل در سنجش نتایج

سنجش موفقیت هوش مصنوعی بخش خسارات، پیچیده است و ورای مقایسه ساده سال به سال است. سنجه‌های ساده‌ای همچون سنجه شدت متوسط خسارت[8] می‌تواند اثر واقعی هوش مصنوعی را به واسطه نوسان سالانه در نوع خسارات، تحت‌الشعاع قرار دهد. این پیچیدگی با ماهیت پویای داده‌های خسارات و محرک‌های صنعت، پیچیده‌تر نیز می‌شود و سبب تغییر شده و به انحراف الگو[9]  منتهی می‌شود؛ مشکلی که دقت الگوها را طی زمان با تغییر در الگوهای داده‌های اصلی، کاهش می‌دهد. تحلیل و رصد اثربخش، به منظور شناسایی اولیه این نوع انحرافات و اجرای سریع اصلاحات در الگو، ضروری است.

۵. چالش‌های پسابکارگیری

اجرای الگوی هوش مصنوعی در خط تولید، آغاز سفر مداومی برای حفظ اثربخشی آن از منظر اعتبار و توسعه[10] است. پس از اجرا، الگوهای هوش مصنوعی وارد فاز مهمی می‌شوند که طی آن، نظارت مستمر، لازمه تضمین سازگاری و عملکرد بی‌وقفه آن است. این فاز بر نقش غیرقابل‌انکار متخصصین عملیات‌های یادگیری ماشین (MLOPs)[11] تأکید دارد چراکه آنها، در زمینه مدیریت چرخه حیات الگوهای هوش مصنوعی، تخصص دارند. این رویکرد فعال، مانعی برای مشکلات بالقوه است و عملکرد الگو را بهینه می‌سازد و از این‌که هوش مصنوعی قادر به تأمین مستمر اهداف موردنظر، است، اطمینان می‌دهد. این نظارت می‌تواند به ناکارآمدی در تحقق توان بالقوه کامل هوش مصنوعی، منتهی شود.

نتیجه‌گیری: مزیت راهبردی خرید

هنگامی‌که چالش‌های عدیده‌ای همچون ریسک طرح به واسطه خطاهای راهبردی و هزینه‌های کم‌برآوردشده تا پیچیدگی‌های مدیریت داده‌، ادغام و بهبود مستمر را لحاظ می‌کنیم، مزیت خرید یک راهکار هوش مصنوعی مستقل، ناگزیر می‌شود. با انتخاب گزینه خرید، بیمه‌گران می‌توانند از قابلیت‌های پیشرفته هوش مصنوعی در عرض چند ماه و با هزینه‌ای به مراتب کمتر از راه‌اندازی طرح به صورت داخلی، حداکثر بهره‌برداری را ببرند. علاوه بر این، شراکت با یک بن‌سازه هوش مصنوعی پیشرو، به بیمه‌گران دسترسی به نوآوری‌های مستمر، برترین‌های صنعت و سطحی از تخصص می‌دهد که درصورت توسعه داخلی آن، نیاز به هزینه و زمان بسیار طولانی‌تر داشت. در صنعتی که در آن سرعت و کارایی، اهمیت وافری دارد، تصمیم به خرید در برابر ایجاد، راهبردی است و راه‌اندازی بنیانی برای رقابت و موفقیت آتی در صنعت بیمه اموال و حوادث، ضروری است.

 


[1] Artificial Intelligence

[2] Property and Casualty

[3] Return on investment

[4] Large language models

[5] Learning curve

[6] Graphics processing unit

[7] Training

[8] Average claim severity

[9] Model drift

[10] Scalability

[11] Machine learning operations

منبع خبر
منبع: میلی‌من، تاریخ انتشار: 19 اردیبهشت 1403 (8 می 2024)
امتیاز :  ۰ |  مجموع :  ۰

برچسب ها

    6.1.7.0
    V6.1.7.0