AI-supported migration

Jednou z najväčších príležitostí, ktoré prinášajú technologické inovácie, je oblasť umelej inteligencie a strojového učenia. Start-upy po celom svete sa snažia vyvinúť „the next big thing“ vo všetkých segmentoch spoločnosti. V poisťovníctve je strojové učenie už bežnou súčasťou procesov, napríklad pri detekcii podvodov či optimalizácii operácií. Napriek tomu v hlavnej oblasti, aktuárstve, stále existujú komplexné výzvy, ktoré si vyžadujú špičkové analytické prístupy a inteligentné riešenia.

Presnosť a vysvetliteľnosť

Presnosť je prvou výzvou. Pre aplikácie na rozpoznávanie obrázkov či internetové vyhľadávanie stačí štatistická predikčná kvalita napríklad 99 %. V poisťovníctve, kde platia prísne regulačné požiadavky, je však takáto úroveň neprijateľná.

Vysvetliteľnosť je druhou výzvou. Výsledkom strojového učenia môžu byť modely typu white box alebo black box. Pri black-box modeloch človek zvyčajne nedokáže pochopiť ani vysvetliť, ako model dospel k svojim výsledkom. Nedostatok vysvetliteľnosti predstavuje vážny problém z hľadiska dodržiavania regulačných predpisov v poisťovníctve – napríklad pri výpočte garantovaných poistných prémií, plnení alebo odkupných hodnotách.

Zároveň prináša využitie umelej inteligencie výrazný prínos a pomáha efektívnejšie zvládať náročné a časovo či finančne nákladné úlohy v ekonomicky náročnom prostredí.

Môže sa strojové učenie využiť pri migrácii poistných zmlúv?

Modernizácia zastaraných systémov v oblasti životného poistenia je prioritou, aby bolo možné splniť rastúce očakávania klientov, dodržať regulačné požiadavky a realizovať vývoj nových obchodných modelov. Tým sa vytvára základ pre využitie príležitostí digitalizácie a znižovanie nákladov – a to aj v ekonomicky náročnom prostredí.

Migrácia znamená prenos miliónov poistných zmlúv z jedného alebo viacerých zdrojových systémov do cieľového systému, vrátane opätovnej implementácie poistno-matematických funkcionalít potrebných na správu zmlúv v cieľovom systéme. Migrácia si vyžaduje rozsiahle personálne kapacity v aktuárnej oblasti. Automatizácia migračných procesov odľahčuje aktuárov a vytvára tak viac priestoru na vývoj inovatívnych produktov a obchodných modelov pre nové obchodné príležitosti.

Pôvodná a budúca funkcia systému

Aby sme pochopili, ako je možné migráciu automatizovať, je najprv potrebné podrobnejšie preskúmať konvenčný proces. Pri migrácii poistných zmlúv do nového systému je potrebné prevziať všetky dátové záznamy. Rovnako aj poistno-matematické funkcionality, ktoré umožňujú správu zmlúv v čase, musia byť v súlade so základným obchodným plánom a pôvodnými dohodami so zákazníkmi. Tieto funkcionality je možné chápať ako matematické rovnice, ktoré definujú vzťah medzi vstupnými premennými a výstupnou premennou, napríklad poistným, rezervami, plneniami či odkupnými hodnotami.

Najkomplexnejšou a zároveň najnákladnejšou časťou migrácie je prenos týchto funkcionalít, pretože sú výrazne individualizované. Pri konvenčnom postupe museli aktuári funkcie starého zdrojového systému nájsť, analyzovať a pokúsiť sa ich zosúladiť s funkcionalitami nového alebo cieľového systému. Ak zhoda neexistuje, je potrebné buď upraviť funkcie v novom systéme, alebo vytvoriť úplne novú funkcionalitu. Vzhľadom na milióny zmlúv, ktoré je potrebné migrovať, je tento proces časovo náročný a spotrebúva cenné zdroje.

Riešenie typu švajčiarsky nôž

Už niekoľko rokov pracujeme na vývoji a poskytovaní udržateľného riešenia pre automatizovaný prenos poistno-matematických funkcionalít.

Jednou z najvýkonnejších metód je použitie hlbokých neurónových sietí, ktoré sa všeobecne považujú za zlatý štandard v modeloch strojového učenia. Silnou stránkou hlbokých neurónových sietí je schopnosť aproximovať zložité funkcie, pracovať s veľkými dátovými súbormi a učiť sa dynamicky. Hlboké neurónové siete sú modely typu black-box, pri ktorých nie je možné vysvetliť vzťah medzi vstupom a výstupom.

Symbolická regresia, model typu white-box, naopak prehľadáva priestor všetkých možných vzorcov pre dané operátory a základné funkcie a určuje vzorec, ktorý najlepšie zodpovedá vstupným a výstupným údajom. Ako taký je explicitne vysvetliteľný. Hoci nie je efektívny pri veľmi zložitých rovniciach, často môže byť vhodný pre poistno-matematické funkcie.

Neurónové stromy, ktoré sú príbuzné neurónovým sieťam, v podstate využívajú štruktúru logických alebo rozhodovacích stromov, s ktorými je väčšina z nás oboznámená. Rovnako ako symbolická regresia nie sú vhodné pre vysoko komplexné rovnice, často však dokážu postačovať na realizáciu poistno-matematických funkcií. Sú deterministické, a teda plne vysvetliteľné.

Hybridná kombinácia hlbokých neurónových sietí, symbolickej regresie a neurónových stromov rieši problém vysvetliteľnosti a presnosti primerane a adekvátne. Pre poisťovníctvo predstavuje využitie týchto metód v kľúčových poistno-matematických funkcionalitách skutočnú novinku. V rámci prebiehajúceho verejne dotovaného výskumného projektu TRAIL.X (TRustworthy Artificial Intelligence in Life Insurance) sme vyvinuli inovatívne riešenie pre čiastočnú automatizáciu migrácií, ktoré sa už používa v praxi.

Tlak na modernizáciu IT-systémov narastá v kontexte náročného a dynamického prostredia. Mnohé poisťovne sa však kvôli vysokým nákladom a dlhému trvaniu projektov stále obávajú spraviť tento krok. S čiastočnou automatizáciou migrácií ponúkame technológiu, ktorá umožňuje realizovať potrebné konsolidačné projekty za prijateľné náklady.