نقد و بررسی استفاده هوش مصنوعی در صنعت بیمه

چکیده

میلیون‌ها نفر از افراد بیمه نشده در آمریکا در مناطقی زندگی می‌کنند که به شدت در معرض خطرات بهداشتی و سایر خطرات قرار دارند. هوش مصنوعی (AI) به عنوان یک راه حل جامع برای متعددی از چالش‌های اجتماعی-اقتصادی، بهداشتی، زیست‌محیطی، فناوری و تجارتی شناخته شده است و صنعت بیمه نیز از این قاعده مستثنی نیست. این مقاله نحوه استفاده از یادگیری ماشین (ML) و یادگیری عمیق (DL)، دو پایه اصلی AI، به حل چالش‌های مختلف در صنعت بیمه کمک می‌کنند.

داده‌های تولید شده در صنعت بیمه منحصر به فرد است و چالش‌ها پیچیده هستند. بنابراین، راه حل‌ها باید به طور متناسب طراحی شوند. استفاده از AI در صنعت بیمه هنوز در مراحل ابتدایی است. روش‌های آماری سنتی و ML ممکن است در توسعه مدل‌های پیش‌بینی مختلف، عدالت را رعایت نکنند. دانشمندان و مهندسان داده باید با همکاری و تلاش مشترک، راه‌حل‌های نوآورانه برای حل آن‌ها پیدا کنند و همچنین راه‌حل‌های قوی و پایداری را توسعه دهند که می‌تواند سال‌ها دوام بیاورد.

این متخصصان به پیشینه تحقیقات قوی در این زمینه و سبک فکر انتزاعی با مغز تحلیلی نیاز دارند. اهداف دشوار نمی‌توانند با روش معمول جابجایی و اجرا دست یافته شوند. یادگیری تقویتی و انتقالی، مدل‌های ترکیبی، درک، پردازش و تولید زبان طبیعی و یادگیری عمیق ممکن است کمک کننده باشد. نوآوری‌های صورت گرفته در صنعت بیمه و فناوری‌های نوظهور مانند پهپاد، اینترنت اشیاء و فیتبیت چالش‌های بیشتری را برای متخصصان AI به همراه خواهند داشت.

مقدمه

بیمه یکی از صنایع اصلی در ایالات متحده است که تقریباً ۳٪ (۵۰۷ میلیارد دلار) از تولید ناخالص داخلی آن را پوشش می دهد و در سال حدوداً ۱ تریلیون دلار بیمه جمع آوری می کند. از سوی دیگر، تقلب در بیمه به چالش های عظیمی تبدیل شده است زیرا هر سال بیش از ۴۰ میلیارد دلار هزینه دارد که باعث افزایش سالانه بین ۴۰۰ تا ۷۰۰ دلار برای خانواده های آمریکایی می شود.

اکثر تقلب‌های بیمه به جز بخش بهداشتی است. طبق گفته اداره تحقیقات فدرال (FBI) آمریکا، انحراف پرداخت حق بیمه، چرخش هزینه، انحراف دارایی و تقلب در بیمه کارگران برخی از طرح های متداول تقلب هستند. همچنین، تقلب های مرتبط با فاجعه عظیم و شناسایی آنها بسیار دشوار است. تنها در سال ۲۰۰۵ در آمریکا مبلغ ۶ میلیارد دلار به عنوان مبلغ تقلب شده در نتیجه توفان کاترینا ادعا شد. در سطح جهانی، در بازه زمانی ۱۹۷۰ تا ۲۰۱۷ به دلیل وقوع حوادث فاجعه بخش، تقریباً ۴۷۷ میلیارد دلار از دست رفته است. لازم است بدانید که ۱۱ ایالت آمریکا بیش از ۱۰٪ جمعیت بیمه نشده دارند که نسبت به چالش های بهداشتی مختلف اعم از سیگار کشیدن، چاقی، عدم فعالیت جسمانی، نرخ پایین تولد، مرگ و میر ناشی از مواد مخدر، آلودگی های محیط زیست و کمبود پزشکان، آسیب پذیر هستند و انواع خطرات شامل خطرات ایمنی شخصی و مسکونی، مالی، راه، محل کار و آمادگی اضطراری.

طرح طنز آن است که اکثر افراد بیمه ندارند در مناطقی با بالاترین آسیب پذیری به سلامت زندگی می کنند (شکل۱). علاوه بر فعالیت های تقلبی، صنعت بیمه روزانه با چندین چالش اساسی مواجه می شود مانند رسیدگی کارآمد به بیمه نامه ها. با این حال، تغییر در آیین نامه ها و استانداردها، تغییر در تمرکز شرکت، سرعت تغییر فناوری، رفتارها و انتظارات مشتریان متفاوت و رقابت از سوی شرکت‌های جدید در بازار به عنوان چالش های دشوار توسط اکثر رهبران بیمه در نظر گرفته می شوند. استراتژی های بقای اکثر شرکت های بیمه شامل اتخاذ سیستم‌های اصلی جدید، اتوماسیون فرآیندها و استفاده از هوش مصنوعی (AI) است [۵]. در این مقاله، بر روی نحوه کمک هوش مصنوعی در شناسایی برخی از چالش های حیاتی و ارائه راه حل های ممکن در صنعت بیمه تمرکز داریم.

هوش مصنوعی و کاربردهای آن در طول هزاران سال به حدود ۳۰۰ قبل از میلاد ظهور کرده اند، با این حال، در دوران مدرن، آن را به عنوان علم آموزش ماشین برای انجام یک عملکرد خاص تعریف می کنیم که مغز انسان قادر به انجام آن نیست وقتی اطلاعات به صورت بزرگ و نیاز به فرآیندهای پیچیده است. یادگیری ماشین (ML) و یادگیری عمیق (DL) دو پایه هوش مصنوعی هستند که از طریق آنها تمام اهداف هوش مصنوعی قابل دستیابی است.

هوش مصنوعی و صنعت بیمه

اتوماسیون تحت نظارت

تحت نظارت قرار دادن یکی از بزرگترین چالش ها در صنعت بیمه و صنایع دیگر به دلیل وابستگی شدید به دخالت انسانی است. بنابراین، احتمال خطاهای انسانی بسیار بالاست. یک سیستم خبره تحت نظارت اتوماتیک در اواخر دهه ۱۹ در کانادا توسعه یافته است. بعداً، تکنیک های دیگر یادگیری ماشین و آماری مانند منطق فازی و پردازش زبان طبیعی (NLP) برای انجام اتوماسیون تحت نظارت استفاده شده است.

جستجوی مشتریان

هوش مصنوعی می تواند در جستجوی مشتریان برای انواع مختلف بیمه ها از جمله اما محدود به زندگی، سلامت، سالیانه، ناتوانی، مسئولیت، خودرو، صاحب خانه، مستأجر، سیل، زلزله، آتش سوزی، حیوانات خانگی، تگرگ و بازبینی از نوع دیگر استفاده شود. در توسعه مدل های پیش بینی در جستجوی مشتریان، Chi-square Automatic Interaction Detector (CHAID)، ماشین‌های بردار پشتیبان (SVM)، خوشه‌بندی سلسله مراتبی (HC)، k-نزدیک‌ترین همسایه (k-NN) و Lasso به کار رفته اند. این وظیفه به سادگی انجام نمی شود؛ با چالش های زیادی مواجه است مانند داده های نامتعادل و گم شده. با این حال، هوش مصنوعی می تواند با استفاده از تکنیک های مناسب و نمونه‌برداری، آن‌ها را به طور کارآمد کاهش دهد.

هدف گذاری کسب و کار جدید

هدف گذاری به کسب و کارهای جدید نقش حیاتی در موفقیت هر کسب و کار دارد، اگرچه بسیار چالش برانگیز است. تحلیل های جغرافیایی می توانند به شکل موثر در مکان یابی یک کسب و کار جدید کمک کنند، که در آن داده های سطح کد پستی در مورد اطلاعات جمعیتی، اجتماعی-اقتصادی، بهداشت، محیط زیست و سایر اطلاعات مرتبط به تصمیم گیرندگان کمک می کند تا کسب و کار جدید بالقوه را شناسایی کنند.

خدمات شخصی سازی شده

خدمات شخصی سازی شده تقاضای زیادی از سوی مشتریان دارد زیرا به تطبیق نیازها و سبک زندگی مشتریان کمک می کند. SVM و مدل کلاس نهفته به توسعه مدل‌های پیش‌بینی برای خدمات شخصی‌شده با استفاده از امتیازات محصول مشتریان یا داده‌های جمعیتی، ترجیحات، تعامل، رفتار، نگرش، جزئیات سبک زندگی، علایق و سرگرمی‌های آنها کمک کرده‌اند.

شناسایی مشتری

هر مشتری منحصر به فرد است و رفتار و نگرش مختلفی دارد که بر رفتار خرید و واکنش به محصولاتی که ارائه شده اند، تاثیر می گذارد. شناسایی مشتری به طور قابل توجهی در درک گروه مشتریان متنوع موثر است. در شناسایی مشتری، مدل های رگرسیون چند جمله ای و رگرسیون شمارشی در بیمه استفاده شده اند، جایی که داده های جمعیت شناسی، اجتماعی و فراوانی کانال‌های ارتباطی مشتریان استفاده شده است. مدل های مبتنی بر فرآیند شبکه تحلیل فازی وزن داده شده، فرکانس، ارزش پولی و K-means به یک شرکت بیمه خودرو کمک کرده است تا مشتریان خود را به صورت کارآمد در دسته های “جدید”، “خطرناک”، “مبهم” و “بهترین” دسته بندی کند. شناسایی مشتری همچنین به درک مصرف بیمه در کانال های ارتباطی مختلف کمک کرده است. مدل‌های ترکیبی می‌توانند در تقسیم‌بندی مشتری کارآمدتر و دقیق‌تر باشند، جایی که نقاط قوت الگوریتم‌های خوشه‌بندی، طبقه‌بندی و استخراج قانون را می‌توان با هم اعمال کرد. الگوریتم های دیگر نیز در دسته بندی کارآمد مشتریان استفاده شده اند.

پیش بینی ریزش مشتری

انواع الگوریتم‌های ML برای پیش‌بینی اینکه آیا مشتری در بسیاری از صنایع از جمله بیمه از خدمات جدا خواهد شد یا خیر، استفاده شده است. رگرسیون لجستیک، درخت‌های تصمیم، SVN، شبکه عصبی مصنوعی (ANN) و چندین الگوریتم طبقه‌بندی دیگر به پیش‌بینی مؤثر ریزش مشتری کمک کرده‌اند. با توجه به پیچیدگی داده‌های مشتریان، مدل‌های ترکیبی مانند مدل برگ لجستیک می‌توانند نسبت به سایر الگوریتم‌های سنتی سودمند باشند. افزودن فراوانی اصطلاح و فراوانی معکوس سند به طبقه‌بندی‌کننده‌های پایه مانند SVM، Naïve Bayes و J4.8 به طور قابل‌توجهی دقت پیش‌بینی را در پیش‌بینی ریزش مشتری افزایش داده است.

پیش بینی ارزش طول عمر مشتری

از دیدگاه شرکت‌ها، ارزش طول عمر مشتریان (CLV) در درک ارزش مالی مشتریان برای یک شرکت حیاتی است. الگوریتم‌های یادگیری ماشین مختلف (ML) از جمله درختان طبقه بندی و رگرسیون (CART)، SVM، رگرسیون افزایشی، روش K-Star، پرسپترون چند لایه، شبکه عصبی موجک [۱۸]، probit، رگرسیون و Naïve از محصولات یا خدمات خریداری شده مشتریان، اطلاعات جمعیت‌شناسی و اقتصادی استفاده می کنند تا CLV را پیش بینی کنند که به درک احتمال نگرش و رفتار مشتریان در جهت حفظ موفقیت آمیز خط مشی هایشان کمک می کند. سایر رویکردهای پیشرفته مانند نمونه برداری بیش از حد اقلیت مصنوعی همراه با شبکه های عصبی عمیق نتایج امیدوارکننده‌ای را در پیش بینی CLV نشان داده اند.

پیش‌بینی تقلب

کلاهبرداری در بیمه هر ساله مبالغ بسیار زیادی از سود شرکت‌های بیمه را به سرقت می‌برد. الگوریتم‌های یادگیری ماشین و یادگیری عمیق در شناسایی تقلب استفاده شده‌اند که شامل سامانه‌های چند دسته ای مبتنی بر RF، PCA، k-NN، RF، SVM و … می‌شوند، با این حال، مدل‌های ترکیبی نشان داده‌اند که نتایج قابل قبولی دارند، مانند شبکه عصبی عمیق و تخصیص Dirichlet پنهان. این یک واقعیت شناخته شده است که پیش‌بینی تقلب نیاز به جریان داده کافی و مداوم دارد زیرا الگوهای تقلب به سرعت تغییر می کنند. بنابراین، استفاده مناسب از یادگیری تقویتی و شناختی و NLP به توسعه مدل های پیش بینی تقلب در زمان واقعی و دقیق کمک خواهد کرد.

پیش‌بینی ضرر و زیان

زیان بیمه یا حق بیمه نیز یک چالش دیگر در صنعت بیمه است. هوش مصنوعی همچنین با پیش‌بینی ضرر با استفاده از انواع الگوریتم‌های یادگیری ماشین (ML) از جمله مدل‌های سلسله مراتبی چند متغیره و غیرخطی بیزی، تقویت گرادیان و مدل‌های خطی تعمیم‌یافته، به نجات صنعت کمک کرده است.

پیش‌بینی نرخ درخواست‌ها

با ورود شرکت‌های جدید، صنعت بیمه بسیار رقابتی شده است. هوش مصنوعی به آن‌ها کمک می‌کند تا با پیش‌بینی درخواست‌های آینده که به شرکت‌ها کمک می‌کند تا حق بیمه رقابتی را از مشتریان دریافت کنند، یک قدم جلوتر از رقبای خود باشند.

بازاریابی رویدادهای زندگی

هوش مصنوعی همچنین به هدف قرار دادن فرد مناسب در زمان مناسب کمک می کند تا بتوان با پیام مناسب به مشتری نزدیک شد. بازاریابی خودکار کلید در شناسایی بینش‌های نگرش و رفتار مشتریان از طریق تحقیقات اولیه، پرسش و پاسخ در مورد محصولات، خریدها و درخواست‌ها است. هوش مصنوعی همچنین می‌تواند به استخراج داده‌های ویژه رویدادهای زندگی از چندین کانال ارتباطی کمک کند و آنها را برای بازاریابی مناسب هدف قرار دهد.

موتور توصیه

مشتری که به بیمه درمانی نیاز دارد، منتظر پیشنهادات بیمه درمانی است، نه بیمه خودرو. اینجاست که موتورهای توصیه نقش مهمی در ارائه پیشنهادات مناسب برای هر مشتری خاص دارند. از احساسات مشتریان و ترجیحات آنها می توان در توسعه توصیه های شخصی استفاده کرد.

چت‌بات بیمه

چت بات‌ها یکی از اختراعات انقلابی هوش مصنوعی هستند که به میلیون ها مشتری کمک می کند تا به سوالات و نگرانی های اساسی خود از طریق گفتگوهای آنلاین یا پیام رسانی پاسخ دهند.
داده‌های تولید شده در صنعت بیمه در مقایسه با سایر صنایع که در آن تراکنش های مالی انجام می شود، متفاوت و پیچیده است. بنابراین، چالش ها منحصر به فرد و پیچیده هستند که نیاز به راه‌حل‌های سفارشی دارند. علاوه بر این، نوآوری‌های اخیر در صنعت بیمه، چالش‌های مهمی را برای دانشمندان داده به همراه آورده است. به عنوان مثال، داده‌های مربوط به ارتباطات و تعاملات کانال دیجیتال، تجربه مشتری، مدیریت چرخه عمر محصول، طراحی و پیکربندی محصولات جدید و جلوگیری از ضرر به رویکردهای روش‌شناختی سفارشی نیاز دارد. علاوه بر این، فناوری‌های نوظهور از جمله دستگاه‌های بدون سرنشین و اینترنت اشیا مانند تناسب اندام، سلامت، الگوهای رانندگی، انطباق کاربر و شاخص‌های ریسک داده‌های بسیار زیادی را تولید می‌کنند که به توسعه محصولات بیمه سفارشی، ایجاد استراتژی‌های بازاریابی و فروش مناسب، خدمات شخصی سازی شده به مشتریان، درخواست های بیمه و جلوگیری از تقلب مفید خواهد بود در عین حال برای دانشمندان و مهندسان داده چالش برانگیز خواهد بود زیرا ممکن است قبلاً با این چالش ها روبرو نشده باشند.

در یک مطالعه اخیر، نویسندگان از انواع الگوریتم‌های ML برای پیش‌بینی آگاهی افراد بر اساس داده‌های اجتماعی-اقتصادی، جمعیت شناختی، روان‌شناختی و رفتاری-اجتماعی آن‌ها استفاده کرده‌اند. آنها تأکید می‌کنند که روش‌های آماری سنتی یا ML ممکن است در چنین مواردی مؤثر نباشند، زیرا مشکل می‌تواند یک طبقه‌بندی غیرخطی در مقابل طبقه‌بندی خطی باشد.

با یکپارچه سازی داده های موقعیت جغرافیایی، داده های منبع عمومی مانند سرشماری، سایت های شبکه اجتماعی، اطلاعات به اشتراک گذاشته شده توسط مشتریان، داده های تولید شده از اینترنت اشیا (IoT)و داده های تهیه شده از شخص ثالث می توان در چالش های مختلفی مانند بهینه سازی کارآمد بیمه‌گربا استفاده از تکنیک های هوش مصنوعی استفاده کرد. روش های مختلف هوش مصنوعی مانند چت بات ها، دستیارهای شخصی دیجیتال، مشاوران رباتیک، محاسبات شناختی، پردازش زبان طبیعی، یادگیری ماشین، یادگیری عمیق، چیزهای مستقل، اتوماسیون فرآیند رباتیک به بسیاری از جهت ها کمک می کنند.

با این حال، اگر به درستی استفاده نشود، می‌تواند به عقب بازگردد. بنابراین، روش های سنتی آماری و یادگیری ماشین ممکن است کارآمد نباشند، بنابراین روش های علم داده کاربردی تضمین می‌شوند. به عنوان مثال، پردازش تصویر، تحلیل متن، NLP، NLU و NLG می تواند با استخراج داده ها از میلیون ها سند قانونی در توسعه محصولات، بازاریابی و رتبه‌بندی ریسک کمک کند. تکنیک های شناسایی گفتار در درک چالش های مشتریان و بهبود خدمات موجود و آینده کمک می کند.

به طور مشابه، تجزیه و تحلیل ویدئویی ادغام شده با تکنیک های پردازش تصویر و تشخیص چهره به درک موثر احساسات و نیازهای شخصی مشتریان کمک می کند. هوش مصنوعی همچنین می‌تواند در تحلیل و پیش‌بینی رفتارهای خرید محصولات، اشتراک یا پیش‌بینی رفتار کمک کند. استراتژی‌های بازاریابی در سطح مشتری (محصول مناسب در زمان مناسب)، پیش‌بینی مشتری بالقوه و سرنخ، پیش‌بینی محصولات و خدمات سطح کد پستی، تحلیل و پیش‌بینی نقاط حساس مشتریان، رفتارهای خرید مشتریان؛ پیش بینی استراتژی های کمپین مشتری محور؛ تحلیل و پیش‌بینی احساسات مشتریان؛ سیستم پشتیبانی تصمیم گیری مکانی در زمان واقعی برای فعالیت‌های قبل، در حال انجام و پس از مبارزات انتخاباتی می باشد.

بنابراین، هوش مصنوعی قطعا می تواند به حل چالش های موجود و آینده کمک کند، اگر به درستی درک شوند و راه حل های مناسب طراحی شوند. علاوه بر این، هوش مصنوعی مجموعه‌ای از مزایای تجاری را برای صنعت بیمه به ارمغان می‌آورد که شامل رضایت و حفظ مشتری، بهبود تعاملات، افزایش فروش و تکمیل خدمات، هزینه کمتر خدمات و فروش، بهبود هوش مشتری، زمینه‌سازی و شخصی‌سازی محتوا، بهبود کارایی و کاهش هزینه عملیات می باشد. متخصصان علم داده و مهندسی باید همکاری کنند و به صنعت بیمه کمک کنند تا بقای خود را حفظ کند و به جامعه نیز به طور پایدار خدمت کند. هوش مصنوعی می تواند یک شمشیر دو لبه باشد، بنابراین باید به درستی استفاده شود.

تدوین و ترجمه: لیلا قدیری کارشناس هوش مصنوعی و آموزش الکترونیک
منبع:  scholars.direct