چکیده مدیریتی

هوش مصنوعی مولد[1] در حال دگرگون کردن صنعت بیمه است و همه بخش‌های زنجیره ارزش این صنعت را ــ از ارزیابی ریسک و خدمات مشتریان گرفته تا امور بیم‌سنجی و حقوقی ــ تحت تأثیر قرار می‌دهد. مطلب حاضر، به بررسی وضعیت کنونیِ به‌کارگیری هوش مصنوعی مولد در صنعت بیمه اروپا می‌پردازد و آن را با نمونه‌های واقعی بازار بسط می‌دهد. بسیاری از این نمونه‌ها، اجرای موفق این فناوری را نشان می‌دهند و منافع ملموس راهبردهای مبتنی بر هوش مصنوعی را آشکار می‌سازند. با این حال، بازار بیمه با چالش‌هایی نیز روبه‌رو است، از جمله نیاز به آموزش نیروی کار و مسائل مرتبط با انطباق با قانون و مقررات. در نهایت، این گزارش می‌تواند راهنمایی برای حوزه‌هایی باشد که پذیرش هوش مصنوعی مولد در آن‌ها برای بیمه‌گرانی که به دنبال مزیت رقابتی و افزایش بهره‌وری هستند، اهمیت اساسی دارد.

مقدمه‌ای بر اصطلاحات هوش مصنوعی مولد 

هوش مصنوعی مجموعه‌ای از مفاهیم گوناگون، از جمله یادگیری ماشین[2] و هوش مصنوعی مولد، را دربر می‌گیرد. مطلب حاضر، بر ارزشی تمرکز دارد که بیمه‌گران می‌توانند از طریق به‌کارگیری مدل‌های هوش مصنوعی مولد، مانند مدل‌های زبانی بزرگ (LLM)[3] و نمونه‌های مشابه آن‌ها در حوزه تولید تصویر، ایجاد کنند. در کل مقاله حاضر، برای فهم بهتر، از اصطلاح «هوش مصنوعی مولد» برای اشاره به این مدل‌ها و قابلیت‌های مرتبط با آن‌ها استفاده می‌شود.

· هوش مصنوعی مولد به‌طور کلی به مدل‌هایی گفته می‌شود که قادرند با یادگیری از داده‌هایی که با آن‌ها آموزش دیده‌اند، محتوای جدیدی مانند متن یا تصویر تولید کنند. در حال حاضر، پیشرفته‌ترین سامانه‌های هوش مصنوعی مولد معمولاً بر پایه رویکردهای یادگیری عمیق ساخته می‌شوند؛ از جمله مدل‌های زبانی بزرگ مانند مبدل‌های مولدِ ازپیش‌آموزش‌دیده (جی.پی.تی - GPT)[4] و مدل‌های تولید تصویر.

· پردازش زبان طبیعی (NLP)[5] به حوزه‌ای گسترده از روش‌ها و تکنیک‌ها اشاره دارد که برای درک، تحلیل و تعامل با زبان‌های انسانی به کار می‌روند. مدل‌های پردازش زبان طبیعی معمولاً به توان محاسباتی کمتری نیاز دارند و اغلب برای انجام وظایف مشخصی طراحی می‌شوند. از نمونه کاربردهای آن می‌توان به تحلیل احساسات یا طبقه‌بندی متون اشاره کرد.

· مدل‌های زبانی بزرگ، گونه‌ای خاص از مدل‌ها در حوزه پردازش زبان طبیعی هستند. این مدل‌ها به معماری‌های پیشرفته شبکه‌های عصبی[6] مانند مبدل‌ها[7] متکی هستند، بر روی مجموعه‌داده‌های بسیار گسترده، آموزش می‌بینند و می‌توانند میلیاردها پارامتر داشته باشند. مدل‌های پایه‌ای مانند جی.پی.تی، سامانه‌هایی با کاربرد عمومی هستند که بر اساس داده‌های گسترده، آموزش داده شده‌اند؛ در مقابل، مدل‌های ریزتنظیم‌شده، در اصل همان مدل‌های پایه هستند که با آموزش‌های تکمیلی و داده‌های تخصصی، برای انجام وظایف مشخص یا کار در یک حوزه خاص، سازگار و دقیق‌تر شده‌اند.

· الگوریتم‌های بینایی[8]، که در حوزه تصویر نقشی مشابه مدل‌های زبانی در حوزه متن دارند، از مدل‌های یادگیری عمیق[9] مانند شبکه‌های عصبی پیچشی[10] یا مدل‌های انتشار پایدار[11] استفاده می‌کنند. هدف از این الگوریتم‌ها، نه‌تنها تولید تصویر، بلکه پردازش و تحلیل داده‌های بصری به منظور استخراج اطلاعات معنادار و شناسایی الگوها است.

مروری بر کاربردهای هوش مصنوعی مولد در صنعت بیمه جهان

جدول ۱: موارد کاربرد و مزایای هوش مصنوعی مولد در صنعت بیمه

بازاریابی، خدمات مشتریان و مدیریت خسارات

ادغام ربات‌های سخنگو [در سامانه‌های فعلی] به منظور تعامل با مشتریان و بهینه‌سازی رسیدگی به خسارات از طریق روش‌های بازیابی اطلاعات و خلاصه‌سازی، از روندهای رایج در میان شرکت‌های بیمه اروپایی به شمار می‌رود.

بازاریابی و خدمات مشتریان

ربات‌های سخنگو از پرکاربردترین ابزارهای هوش مصنوعی مولد در صنعت بیمه، به شمار می‌روند. این ابزارها با استفاده از گفت‌وگوهای هدایت‌شده، به مشتریان کمک می‌کنند تا درک بهتری از بیمه‌نامه‌های خود داشته باشند و مناسب‌ترین قرارداد بیمه‌ای را انتخاب کنند.

یکی از نمونه‌ها، ربات سخنگوی چتی[12] است که توسط شرکت جنرالی[13] توسعه یافته است. این راهکار به مشتریان در انتخاب قراردادهای بیمه، رسیدگی به مسائل و مدیریت خسارت‌ها کمک می‌کند و از چندین زبان پشتیبانی می‌کند. این ربات سخنگو، با همکاری شرکت نوپای (استارتاپ) اِنترپرایز بات[14] طراحی و موفق به دریافت جایزه آی.تی.سی دایموند[15] شده است.

شرکت ان.ان[16] نیز از خدمات آژور اوپن.‌ای.آی[17]، به منظور خلاصه‌سازی مکالمات مشتریان استفاده می‌کند؛ اقدامی که به بهبود تجربه مشتری و افزایش کارایی فرایندها کمک می‌نماید.

سایر شرکت‌های بیمه مانند آگسا[18] با ربات سخنگوی آگساچت[19] و مپ‌فره[20] با ربات سخنگوی  ای‌می[21] نیز از راهکارهای چت‌باتی برای اهداف بازاریابی استفاده می‌کنند.

مدیریت خسارت

شرکت‌های بیمه از ابزارهای هوش مصنوعی مولد برای کمک به مشتریان ویا کارشناسان خسارت استفاده می‌کنند، تا فرایند اعلام خسارت ساده‌تر شود، اسناد مرتبط با خسارت با کارایی بیشتری تحلیل شوند، پرونده‌های خسارت مشابه برای تسریع در رسیدگی، شناسایی شوند و قابلیت‌های کشف تقلب، تقویت شوند.

شرکت بیمه عمر ایرلندی آیریش لایف[22] ابزاری به نام «دستیار استدلال هوش مصنوعی در رسیدگی به خسارت (CARA)»[23] را پیاده‌سازی کرده است. این ابزار با تحلیل داده‌های پزشکی، امکان پردازش کارآمدتر مطالبات پزشکی را فراهم می‌سازد. در سال ۲۰۲۴، این ابزار در نهمین دوره جوایز هوش مصنوعی کوراس[24] مورد تقدیر قرار گرفت.

نمونه‌ای دیگر در حوزه کشف تقلب، سامانه تشخیص تقلب در خسارت شیفت ^[25] است که توسط برخی شرکت‌های بیمه در اروپا استفاده می‌شود. این سامانه، داده‌های غیرساختاریافته، مانند تصاویر هوایی و اطلاعات موقعیت جغرافیایی را تحلیل می‌کند تا موارد احتمالی تقلب را شناسایی کند.

مدیریت بیمه‌نامه‌ها و رضایت مشتری، فروش و توسعه محصولات و ارزیابی و پذیرش ریسک بیمه‌ای

الگوهای هوش مصنوعی مولد، به طور فزاینده‌ای به منظور پشتیبانی از فروش، تحلیل رضایت مشتریان و تسهیل در ارزیابی ریسک استفاده می‌شود.

مدیریت بیمه‌نامه‌ها و رضایت مشتری

تحلیل دقیق‌ترِ گفت‌وگوهای مشتریان به شرکت‌های بیمه کمک می‌کند انتظارات آن‌ها را بهتر درک کنند و در نتیجه، سطح رضایتشان را افزایش دهند. افزون بر این، ابزارهای تحلیل بازخورد به شناسایی حوزه‌های نیازمند بهبود کمک می‌کنند.

نمونه‌ای از تحلیل رضایت مشتریان، ابزار «وُکس.آی‌ای»[26] است که توسط شرکت «کووه‌آ»[27] توسعه یافته است. این ابزار از یک موتور هوش مصنوعی و چارچوبی برای طبقه‌بندی استفاده می‌کند که توسط کارشناسان داخلی این صنعت طراحی شده است. «وُکس.آی‌ای» بازخوردهایِ به‌دست‌آمده از نظرسنجی‌های رضایت مشتریان را تحلیل می‌نماید و آن‌ها را بر اساس موضوعات و لحن، دسته‌بندی می‌کند، درحالی‌که ویژگی‌های خاص هر برند، کسب‌وکار و بازار را نیز در نظر می‌گیرد. این ابزار در رویداد جایزه طلایی بانک و بیمه[28] مورد تقدیر قرار گرفت و از زمان راه‌اندازی در مارس 2023 تاکنون، سالانه نزدیک به ۵۰۰ هزار نظر و بازخورد را پردازش کرده است.

فروش و توسعه محصول 

چندین شرکت از ابزارهای هوش مصنوعی مولد برای بهبود فرایندهای فروش، ارائه پیشنهادهای شخصی‌سازی‌شده و تسهیل طراحی محصولات استفاده می‌کنند. 

«ایما‌جینا» از سوی شرکت «جنرالی»[29] با هدف ارائه یک بیمه‌نامه واحد و کاملاً سفارشی‌سازی‌شده برای پوشش‌های عمر، غیرعمر و درمان طراحی شده است. برای کمک به نیروهای فروش در فهم بهتر و سریع‌تر جزئیات این بیمه‌نامه‌های سفارشی، یک دستیار مبتنی بر هوش مصنوعی با همکاری بن‌سازه‌های ابری «گوگل کلاود»[30] و «وِرتِکس ای‌آی»[31] در حال پیاده‌سازی است.

ارزیابی و پذیرش ریسک بیمه‌ای 

تحلیل و خلاصه‌سازی اسناد، از ویژگی‌های کلیدی و پرکاربرد در فرایندهای ارزیابی ریسک است، زیرا موجب افزایش بهره‌وری، کاهش هزینه‌ها و پشتیبانی از تصمیم‌گیری می‌شود. 

شرکت «اسکور»[32] یک ابزار کمکی برای ارزیابی پزشکی، طراحی کرده است. این ابزار با بهره‌گیری از هوش مصنوعی مولد، گزارش‌های پزشکی را تحلیل و خلاصه می‌کند و به بهبود ارزیابی ریسک و تصمیم‌گیری در فرایندهای بیمه و بیمه ‌اتکایی کمک می‌کند. 

سایر شرکت‌ها نیز دستیارهای ارزیابی ریسک مبتنی بر هوش مصنوعی مولد ایجاد کرده‌اند؛ برای نمونه، شرکت «سوئیس‌ری»[33] از ابزاری با عنوان «لایف گاید اسکات»[34] استفاده می‌کند.

کارکردهای بیم‌سنجی، مالی و حقوقی 

ابزارهای هوش مصنوعی مولد به‌طور فزاینده‌ای در حوزه‌های بیم‌سنجی، مالی و حقوقی صنعت بیمه اروپا به کار گرفته می‌شوند.

حوزه کاری بیم‌سنجی و مالی 

هوش مصنوعی مولد در کارکردهای بیم‌سنجی و مالی، ظرفیت رو‌به‌رشدی دارد. این فناوری می‌تواند به‌عنوان یک دستیار کدنویسی، توسعه و ارتقای مدل‌های بیم‌سنجی و مالی و نیز کنترل‌های مرتبط با آن‌ها، به کار رود. 

همچنین، شرکت‌ها به‌صورت داخلی یا از طریق راهکارهای نرم‌افزاری، از قابلیت‌های هوش مصنوعی مولد برای خودکارسازی تولید گزارش‌های نظارتی و مالی، استفاده می‌کنند.

حوزه حقوقی 

دستیارهای هوش مصنوعی مولد با تمرکز بر پرسش‌های حقوقی می‌توانند به پاسخ‌گویی به پرسش‌های مشتریان، تهیه یادداشت‌های قراردادی و پایش تغییرات مقررات کمک کنند. 

«آدِلیا»[35] ربات سخنگویی است که توسط شرکت «سی.اف.دی.پی»[36] طراحی و آموزش داده شده و هدف آن، پاسخ‌گویی به پرسش‌های حقوقی مشتریان است. این ابزار در رویداد «جایزه‌های صنعت بیمه»[37] مورد تقدیر قرار گرفته است. 

نمونه دیگر «ماکْسیم»[38] است؛ دستیار مجازی شرکت «آکسا» که برای پاسخ‌گویی به پرسش‌های مرتبط با حقوق املاک و نیز تولید اسناد حقوقی، طراحی شده است.

راهبردهای اجرای هوش مصنوعی مولد و گسترش آن: رویکرد سازمانی 

هر شرکت، دیدگاه و راهبرد ویژه خود را برای استفاده از هوش مصنوعی مولد تدوین می‌کند. تفاوت رویکردها معمولاً به دو عامل مربوط می‌شود:  ۱. شیوه سازمان‌دهی برای استقرار موارد استفاده؛ ۲. سطح پیشرفت در پیاده‌سازی.

۱. در حوزه سازمان‌دهی برای استقرار، دو الگوی اصلی قابل‌مشاهده است:

رویکرد داده‌محور (از بالا به پایین) 

در این مدل، «آزمایشگاه داده»[39] یا واحد تخصصی هوش مصنوعی، مالک نقشه‌راه هوش مصنوعی مولد است و مسئولیت استقرار آن را بر عهده دارد. این واحد معمولاً ابتدا مطالعه‌ای در بخش‌های مختلف انجام می‌دهد تا موارد استفاده بالقوه را شناسایی کند. سپس، بر اساس تحلیل انجام‌شده، مناسب‌ترین موارد استفاده را انتخاب و در نقشه‌راه قرار می‌دهد. 

در صورت موفقیت، این رویکرد می‌تواند به یکپارچه‌سازی ابزارها و راهکارها در سراسر سازمان منجر شود.

رویکرد تجربی (از پایین به بالا) 

در این مدل، هر واحد سازمانی به مجموعه‌ای از ابزارها دسترسی دارد و می‌تواند راهکار هوش مصنوعی مولد مخصوص به خود را توسعه بخشد. 

این راهکار ابتدا در همان واحد، آزمایش می‌شود و اگر کارآمد باشد، می‌تواند برای پیاده‌سازی در سطح کلان سازمان، مورد بررسی قرار گیرد.

۲. سه سطح از پیاده‌سازی هوش مصنوعی مولد در شرکت‌های بیمه مشاهده شده است:

شرکت‌های دارای توانمندی پیشرفته 

این شرکت‌ها به چندین بن‌سازه پایه مدل‌های زبانی بزرگ دسترسی دارند (مانند بن‌سازه‌های مبتنی بر مدل‌های مایکروسافت[40]). این توانایی با تیم‌های داخلی و ارائه‌دهندگان خدمات بیرونی پشتیبانی می‌شود و به آن‌ها امکان می‌دهد حداکثر بهره را از قابلیت‌های هوش مصنوعی مولد ببرند.

شرکت‌هایی که زیرساخت مناسب دارند، اما در گسترش، دچار چالش‌اند 

این شرکت‌ها از نظر فناوری به ابزارهای لازم مجهز هستند، اما در فراگیر کردن استفاده از هوش مصنوعی مولد در سراسر عملیات خود با مشکل مواجه‌اند. برای مثال در انجام برخی وظایف تخصصی مانند بازیابی اطلاعات یا پردازش داده‌های پیچیده دچار دشواری می‌شوند.

شرکت‌هایی که از مدل‌های زبانی استفاده می‌کنند، اما توان توسعه محدودی دارند 

این شرکت‌ها از مدل‌های ارائه‌دهندگان بیرونی استفاده می‌کنند، اما توانایی ساخت یا توسعه قابلیت‌های بیشتر بر پایه آن‌ها را ندارند. برخی نیز قابلیت‌های ذاتی مدل‌ها را محدود می‌نمایند و در به‌کارگیری مدل‌های جدید با تأخیر عمل می‌کنند؛ موضوعی که باعث کاهش توان رقابتی و عقب‌ماندگی فناوری می‌شود. 

علاوه بر این، برخی شرکت‌ها همچنان با مسائل بنیادینی همچون مدیریت داده، کیفیت داده و الزامات تطبیق و انطباق مقرراتی درگیرند؛ مسائلی که پیاده‌سازی مؤثر هوش مصنوعی مولد را پیچیده‌تر می‌سازد.

چالش‌ها: فنی و مقرراتی 

اجرای هوش مصنوعی مولد، نیازمند سرمایه‌گذاری عمده و چند سال زمان برای استقرار فرایندها دارد. علاوه بر این، توسعه ابزارهای هوش مصنوعی مولد با دو دسته چالش همراه است: چالش‌های فنی و چالش‌های مربوط به تطبیق با مقررات.

چالش‌های فنی 

• کمبود تخصص داخلی مانع شناسایی کاربردهای مؤثر تجاری و استفاده بهینه از قابلیت‌های هوش مصنوعی مولد می‌شود. همچنین، این موضوع باعث وابستگی به شرکت‌های ثالث در حوزه فناوری و زیرساخت می‌گردد. 

• شرکت‌ها، داده‌های محدودی برای تنظیم و ریزتنظیم مدل‌های زبانی بزرگ در اختیار دارند. فقدان دسترسی کافی به مجموعه‌داده‌های تخصصی صنعت، امکان سفارشی‌سازی و بهبود عملکرد مدل را محدود می‌سازد. 

• هماهنگ‌سازی ابزارهای جدید با سامانه‌های موجود سازمان، اغلب هزینه‌بر است و به طور مداوم، امکان‌پذیر نیست. 

• مدل‌های هوش مصنوعی مولد می‌توانند ریسک عملیاتی ایجاد کنند و مستعد خطاهای «توهم»[41] هستند. همچنین، این مدل‌ها ممکن است در برابر درخواست‌های مخرب آسیب‌پذیر باشند، که می‌تواند منجر به افشای اطلاعات محرمانه برای اشخاص ثالث شود.

چالش‌های مقرراتی 

• پایبندی به مقرراتی همچون قانون هوش مصنوعی اروپا[42]، مقررات حفاظت از داده‌ها و مقررات تاب‌آوری عملیاتی دیجیتال\[43]، به‌ویژه در حوزه اخلاق و محرمانگی، چالش‌های بزرگی ایجاد می‌کند. قانون هوش مصنوعی اروپا برای ارائه‌دهندگان مدل‌های هوش مصنوعی عمومی - از جمله مدل‌های مولد - الزامات خاصی تعیین کرده است؛ از جمله ضرورت ارائه مستندات فنی، مدیریت ریسک‌های سیستماتیک و ایجاد شفافیت برای کاربران. 

• شرکت‌ها ممکن است با ریسک‌های اعتباری و شهرت‌ساز ناشی از استفاده از هوش مصنوعی مولد، روبه‌رو شوند. نگرانی‌هایی مانند اثرات زیست‌محیطی مدل‌های هوش مصنوعی و پیامدهای آن بر برداشت عمومی و اعتبار شرکت رو به افزایش است.

نقش تخصص داخلی 

۱. وجود تخصص داخلی با میزان توانایی شرکت در ترکیب قابلیت‌های بیرونی و توسعه روی مدل‌های پایه رابطه مستقیم دارد. شرکت‌هایی که منابع داخلی در حوزه هوش مصنوعی دارند، بیشتر با ارائه‌دهندگان بیرونی هوش مصنوعی مولد همکاری مؤثر برقرار می‌کنند و توانایی ارزیابی و نقد راهکارهای عرضه‌شده را دارند. 

۲. منابع داخلی محدود معمولاً به پذیرش کمترِ هوش مصنوعی مولد منجر می‌شود؛ به‌گونه‌ای که استفاده از آن بیشتر به کمک در انجام کارهای روزمره، محدود می‌شود و کمتر بر توسعه کاربردهای تحول‌آفرین تمرکز دارد. این شرکت‌ها معمولاً شناخت کمتری از حوزه‌های کاربردی هوش مصنوعی مولد دارند و بیشتر بر خودکارسازی فرایندهای تولید تمرکز می‌کنند. 

۳. تخصص داخلی به‌تنهایی برای عبور از چالش‌های فنی و مقرراتی کافی نیست. برخی شرکت‌هایِ دارای تیم‌های قوی داخلی همچنان در اجرای قدرتمند وظایف پیچیده - مانند بازیابی اطلاعات و استدلال در حوزه‌های تخصصی - با مشکل مواجه‌ هستند. علاوه بر این، فرایند ارزیابی مدل‌های زبانی بزرگ به‌خودی‌خود فنی و پیچیده است و اجرای آن ساده نیست. 

همچنین، تخصص داخلی به‌تنهایی برای رفع موانع مقرراتی کفایت نمی‌کند. برای نمونه، قانون هوش مصنوعی اروپا[44] نیازمند «نقشه‌برداری ریسک‌محور از سامانه‌های هوش مصنوعی» است؛ فرایندی ذاتاً پیچیده که شرکت‌های پیشرو برای انجام آن تیم‌های تخصصیِ تطبیق مقررات ایجاد کرده‌اند.

جمع‌بندی و توصیه‌ها

ادغام هوش مصنوعی مولد در صنعت بیمه، فرصتی تحول‌آفرین به‌وجود آورده است که می‌تواند روندهای سنتی را بازتعریف نماید و تعامل با مشتریان را به‌طور چشمگیری بهبود بخشد. بااین‌حال، اجرای موفق آن مستلزم رویکردی هدفمند است که نوآوری را در کنار آموزش و آگاهی کارکنان متعادل سازد. توصیه می‌شود شرکت‌های بیمه، بر روی چارچوب‌های هوش مصنوعی سرمایه‌گذاری کنند که علاوه بر بازدهی بالا، امکان ارزیابی معقولِ میزان پایداری، استحکام و انطباق آن‌ها با مقرراتِ در حال تغییر را فراهم می‌سازد. همکاری با شرکای فناور و آموزش مداوم نیروی کار برای بهره‌برداری کامل از ظرفیت‌های هوش مصنوعی، ضروری است. با اتخاذ رویکردی پیش‌نگرانه نسبت به ادغام هوش مصنوعی، شرکت‌های بیمه نه‌تنها می‌توانند ریسک‌ها را کاهش دهند، بلکه فرصت خواهند داشت خود را به‌عنوان پیشگامان این عرصه‌ی در حال تحول، معرفی کنند و در نتیجه، رشد را تسریع نمایند، کارایی را افزایش دهند و خدمات شخصی‌سازی‌شده‌تری به مشتریان خود ارائه کنند.