Makine zekası sigortacılıkta geleneksel uygulamaları tahtından edecek

 Makine zekası sigortacılıkta geleneksel uygulamaları tahtından edecek

Sigorta sektöründe makine zekası sistemleri geleneksel yöntemlerin yerini alıyor. Sigortacılar diğer sektörlere göre bir miktar geç kalmış olsa da yapılan anketlere göre 2021 yılında değişimdeki ivmenin artacağı öngörülüyor.

Makine zekası, yıllar içinde birçok sektöre nüfuz ederek önemli miktarda gelir yaratma ve maliyet tasarrufu potansiyeli sağladı. Makine zekası sigortacılık için ise günümüze kadar müşteri analitiği ve tazminat taleplerinin işlenmesi gibi alanlarda, çoğunlukla makine öğrenimi teknolojisine dayalı olarak getiri sağladı. Swiss Re, yayınladığı “Sigortacılıkta makine zekası: Uçtan uca kurumsal dönüşüm için içgörüler” raporunda diğer alanların yanı sıra makine zekasının sigorta şirketlerine; sözleşme, belge, e-posta ve diğer çevrimiçi iletişim araçlarından gelen metni daha verimli bir şekilde işlemesinde ve nesnelerin interneti (IoT) cihazlarından toplanan büyük veri setlerinin analiz edilmesinde yardımcı olacağını aktarıyor. Sigortacılar bu bilgileri, koruma kapsamlarını daha iyi tasarlamak, fiyatlandırmak ve yeni pazarlara girmek için de kullanıyor. 

Risk değerlendirmesi ve tahmin modellerinde kullanılan geleneksel makine zekası yöntemleri, sigortacılıkta kullanılan standart araçlar halini aldı. Geleneksel makine zekası yöntemleri, sigorta değer zincirinin belirli alanlarında zaten standart bir şekilde işlemeyi sürdürüyordu. Konuyla ilgili daha gelişmiş yaklaşımlar ise geleneksel yöntemleri tahtından edebilir.

Veri mühendisliğine yapılan yatırımların artırılması ile birlikte kurumsal ölçekte dönüştürücü faydalar sağlanabilir. Veri mühendisliğine yapılan bu odaklanma, daha gelişmiş makine öğrenimi ve yapay zekanın kurumsal boyutlardaki potansiyelini gerçekleştirmek için de gerekli bir hal alıyor. Bu tür yaklaşımları benimsemekte erken davrananlar; daha hızlı hasar çözümü, daha hedefe odaklı çapraz satış ve daha iyi risk puanlaması gibi avantajlara sahip olacak gibi görünüyor.

SİGORTACILIĞA YENİ ÇÖZÜMLER

Makine zekasının etkin olarak kullanılabilmesi için gerekli olan temel teknolojiler, algoritmaların kullanımının daha kolay ve ucuz hale gelmesine bağlı olarak hızla gelişmeye devam ediyor. Swiss Re’nin anket verilerine göre, tüm sektörlerdeki firmaların %10’undan daha azı, birden çok süreçte kullanmak için makine zekasında pilot uygulamaları devreye almış durumda. Bu sürecin ana nedenlerinin arasında veri kullanılabilirliği ve kalitesi bulunuyor.

Son yıllarda, veri kalitesi ve iyileştirme ile ilgili sorunlar, pekiştirmeli öğrenme ve topluluk modelleme gibi yeni yaklaşımların geliştirilmesine yol açtı. Örneğin; hibrit modeller/algoritmalar, yetersiz veri kalitesine ve hesaplama gücü kesintilerine karşı daha az hassas olmaya başladı. Bunların sigortacılığın geleceğinde makine zekası uygulamalarının yeni bir parçası olabilecek çözümler üretmesi bekleniyor.

Makine zekasının uygulanabilirliği hakkında daha bütünsel bir görüşün gerekli olduğu raporda aktarılırken bunun sebebinin çoğu zaman dağıtım başarısızlığının model sorunlarına değil, organizasyonel kısıtlamalara atfedilmesi olduğu da belirtilen durumlar arasında.

Sigortacılıkta özellikle veri gizliliği ve kullanımı ile ilgili teknolojiye ilişkin yasal risklerin de dikkate alınması gerekiyor. Daha da önemlisi, bir makine zekası projesinin üst düzey yönetimin katılımını ve finansmanını güvence altına alması için tüm yönlerde açık ve anlaşılır tarzda iletişime ihtiyaç duyuluyor.

MAKİNE ÖĞRENİMİ 2021’DE ARTABİLİR

Sigortacılar, müşteri analitiği ve tazminat taleplerinin işlenmesi gibi alanlarda standart uygulama haline gelen geleneksel makine zekası tekniklerini geliştirmek (ve muhtemelen değiştirmek) için yeni makine zekası yaklaşımlarını denemeye devam ediyor. Bununla birlikte, sosyal medya gibi alanların aksine, sigortacılık süreçlerinin makine zekası özellikli sistemler aracılığıyla uçtan uca dönüşümü hala zor görünüyor. Veri kullanılabilirliği, model yorumlanabilirliği ve gizlilik sorunları, büyük ölçekli benimsemenin önündeki engeller olmaya devam ediyor. Bu durum da sigortacılıkta meydana gelebilecek hataların maliyetinin yüksek olabileceği anlamına geliyor.

Sigorta sektörü, makine zekası özellikli sistemlerin uygulanmasında diğer sektörlere göre daha geç kaldı. Yine de 2019 yılında yapılan bir anket, sektör yöneticilerinin 2021’de makine öğrenimini benimseme konusunda yüksek beklentilere sahip olduğunu ortaya koydu. Geçmiş anketlerde yüksek beklentiler öngörülse de gerçek rakamlar tahminlerin çok altında kaldı. Ayrıca sigortacıların makine zekası konusunda daha fazla bilgi sahibi olduğu görülüyor. Yıllık raporlarda makine zekası ile ilgili terimlerin kullanımının 2015’ten 2019’a kadar olan süreçte oldukça arttığı görülüyor. Yapay zeka/makine öğrenmesi teknolojisi ve makine zekası kullanan insurtech’lerdeki büyüme bu eğilimin kanıtı niteliğinde.

SİGORTACILARI ÖNE ÇIKARIYOR

Geleneksel makine zekası uygulamaları, sigorta sektörünün risk değerlendirme ve tahmin modelleri süreçlerinde bir standart haline geldi. Yakın zamanda derin öğrenme ve pekiştirmeli öğrenme gibi bir dizi yapay zeka ve makine öğrenimi tekniklerine duyulan ilgi, bazı sigortacıları harekete geçirdi. Yapay zeka ve makine öğrenimi uygulamalarını ilk olarak benimseyen sigortacılar, tazminat taleplerine daha hızlı cevap verme, daha iyi hedeflendirilmiş çapraz satış ve daha iyi risk puanlaması gibi alanlarda avantaj sağlayacak gibi görünüyor. 

Sigorta sektöründe uygulanan yapay zeka ve makine öğrenmesi uygulamaları şu şekilde sıralanıyor:

Hasar analizini modernleştirme: Tazminat taleplerinin işlenmesi çoğu zaman manuel olarak gerçekleşiyor. Bir dizi sigortacı artık triyaj, yönlendirme, doğrulama ve üçüncü şahıslar ile olan yazışma gibi alanlarda pilot uygulamalar devreye sokmuş durumda. Bunun amacı ise otomasyonun hasar işleme maliyetini önemli ölçüde azaltması. Yüksek maliyetli hasarları değerlendirme ve öğeleri işleme gibi basit görevlerin, makine zekası özellikli sistemler tarafından başarıyla yürütülmesi daha olası görünüyor.

Dolandırıcılık tespiti ve tazminat taleplerinin azaltılması: Makine öğrenimi teknikleri, sigorta sektöründe büyük veri sınıflandırmaları ve dolandırıcılık tespiti gibi anormallikler içeren durumları kullanmak için oldukça uygun görünüyor. Sigortacılar üçüncü parti IoT ve halka açık veriler de dahil olmak üzere yeni bilgi kaynaklarıyla dahili verileri artıran makine öğrenmesi tabanlı dolandırıcılık çözümlerini giderek daha fazla uygulamaya başladı. Sigortacılar, yeni hasarların azaltılması için teklif oluşturmada makine öğrenmesi temelli sistem kullanılıyor. Bu da daha az tazminat talebinin gelmesine yol açabilir.

Dağıtım kanalı optimizasyonu: Makine öğreniminin uygulandığı bir başka alan da acente işe alımı ve sigortalıyı elde tutma. Sigortacılar, başarılı acente olma olasılığı en yüksek olan kişileri belirlemek için makine öğrenmesi destekli sistemleri kullanmaya başladı. Bu sistemler aynı zamanda acente-sigortalı ilişkilerinin gelişimine de katkı sağlıyor.

Müşteri deneyiminde makine zekası: Makine zekası birçok sosyal medya platformunda ve online alışverişlerde yoğun olarak kullanılıyor. Bazı sektör yöneticileri ise bunu sigortacılıkta da kullanmak istedi. İlk zamanlarda başarılı sonuçlar verse de sigortacılar makine zekasından ilham alan girişimlerin aceleye getirilmesinin istenen sonucu vermeyeceğini keşfettiler.

Underwriting: Underwriting süreçlerinde yeni teknolojileri devreye almak için tamamen yapay zeka ve makine öğrenimi özellikli underwriting sistemlerinin kullanılması henüz olanaklı değil. Bu durum aynı zamanda risk hesaplamalarının kolay yapılabildiği branşlar haricinde bu tarz işlemlerin tamamen makine zekası sistemlerine devredilmesinin mümkün olmadığını da ortaya koyuyor.

Fiyatlandırma: Fiyatlandırmalar belirli kurallar ve onay çerçevesi içerisinde belirleniyor. Yeni makine öğrenimi tekniklerine dayalı fiyatlandırma modelleri, kurallara uyulmama ihtimaline karşı hemen uygulamaya konmuyor. Bu konuda aynı zamanda verileri kullanmanın maliyeti ve erişim eksikliği gibi başka kısıtlamalar da problem yaratabilir.

Özellikli görüntü tanıma ve müşteri analitiğindeki önemli ilerlemelere rağmen, sigorta sektöründe makine zekası özellikli sistemlere dayalı üretkenlik, kurumsal ölçekli dönüşümün zor olduğu kanıtlamış durumda.

Sigortacılıkta makine zekası potansiyelinden tam olarak fayda sağlayabilmek için veri kullanımı giderek önem kazandı. Veri toplama ve iyileştirme kapasitesine sahip olan şirketler rekabet ortamında öne çıkacaklar. Sınırlı olarak makine zekası ile ilgili deneyler yapan sigorta şirketleri ve teknoloji ortakları, makine zekası ile daha fazla yatırım ve deneyimlerden faydalanmayı amaç ediniyor. Fakat sigortacıların makine zekası temelli projelerin tamamlanma sürelerinin uzun olacağını baştan kabul etmesi gerekiyor.

Konuyla ilgili dikkat çeken bir diğer önemli nokta ise verilerden ve her türlü dijital araçlardan yararlanmaya yönelik her türlü adımın kritik noktası olan; mevzuata uygunluk. Bu bağlamda, özellikle kişiselleştirme, özelleştirme ve veri kullanımını alanlarında veri gizliliğine dikkat etmek ilk sıralarda geliyor. Konuyla ilgili gelen yeni düzenlemelere uyumluluk sağlayacak sigorta şirketlerinin avantaj kazanması ve rakiplerinin önüne geçmesi bekleniyor.

Yapay zeka ve makine öğrenimi modellerinin ölçeklendirme güçlüğü, sigorta değer zincirindeki temel iş akışlarında yeni makine zekası teknolojilerinin dağıtımını engellemeye devam ediyor. Bu engeller şu şekilde sıralanıyor: Yapılandırılmış veya yapılandırılmamış her türlü veriyi toplamak ve düzenlemek, ilgili bilgilerin değerlendirilmesi, anlaşılması ve işlenmesi, underwriting süreçlerinin fiyatlandırılması, risk portföyleri ve tazminat taleplerinin yönetimi, sermaye dağılımının iyileştirilmesi.

SİGORTA İLE İLGİLİ YAPAY ZEKA/MAKİNE ÖĞRENİMİ PATENT BAŞVURULARINDA ARTIŞ

Swiss Re, sigorta alanında yapay zeka ve makine öğrenim temelli patent başvurularını istatiksel olarak inceledi. Patent veritabanlarının analizinin ardından sigortacılar tarafından dosyalanmış makine zekası ile ilgili patent sayısının 2010’dan beri arttığı görüldü. ABD’deki sigortacılar arasındaki patent başvurularına odaklanarak yapılan incelemelerde 2018 ve 2019’da başvuruların yarısından fazlasının oto sigortaları, bazılarının ise otonom araçlar alanında olduğu görüldü. Makine zekası özellikli süreçler, iş açısından kritik araç sistemlerine dahil oldukça bu alandaki talepleri artırıyor. Örneğin birçok patent başvurusu; uzaktan algılama, görüntü işleme ve hasar değerlendirmesinde drone kullanımı için yapılıyor.
Kullanım durumları açısından, sigorta sektöründeki çoğu makine zekası patenti; müşteri hizmetlerini iyileştirmek, tazminat taleplerinde verimliliği artırmak ve sigortalı hasarı azaltmak için tasarlanmış işlevleri içeriyor. Bazı patentler ise sürücüleri trafikte yaya veya bisikletli yolcu varlığı konusunda uyarmak için erken uyarı sinyallerini oluşturmayı amaçlıyor. Her ikisi de tazminat taleplerinin sayısını ve önem derecesini azaltıyor. Google patent veritabanına göre, Çin ve ABD karşılaştırıldığında her iki pazarda da patent başvurularının yoğunluk seviyesinin yüksek olduğu görülüyor.
Bununla birlikte, 2010 ile 2019 yılları arasındaki süreçte makine zekası ile ilgili patentlerin sayısı, ABD’de sigorta faaliyetlerinin %80’ini oluşturan 10 sigorta şirketi arasında dağıtıldı. Çin’de ise bu durum 5’ten az sigorta şirketinin arasında makine zekası ile ilgili patentlerin %85’i paylaşıldı.

Bir makinenin meydana getirdiği herhangi bir sorunda makine zekasının nasıl ve hangi şekilde kullanılabileceği yukarıdaki şemada belirtiliyor.

TERİMLER NE ANLATIYOR?

Algoritmalar: Bilgisayarda uygulanabilir talimatların listesi

Makine Zekası: Bir makinenin (bilgisayarlar vb.) sorunları çözmek için veri ve bilgileri işlemesini sağlayan program ve süreçler toplamı

Makine Öğrenimi: Veriler ve değişkenler arasındaki daha karmaşık, birbiriyle ilişkili ve doğrusal olmayan ilişkileri analiz eden algoritmalardır. Genellikle sınıflandırma, regresyon ve örüntü tanımada kullanılır

Yapay Zeka: Yapay zeka, bilginin uygulanabilir hale getirilmesini sağlayarak makine öğreniminin ötesine geçer. Bu algoritmalarla makineler, başlangıçta amaçlanmayan bağlamlar da dahil olmak üzere öğrenmeyi esnek bir şekilde uygulayabilir ve depolayabilir

Denetimli Öğrenme: Bir makineyi doğru yanıtla etiketlenmiş verileri kullanarak eğitmektir. Bu etiketli veriler denetçi görevi görür. Makine, yeni örnekleri haritalamak için kullanılan bu örnekten ilişkiler çıkarır

Denetimsiz Öğrenme: Etiketli veriler mevcut olmadığı zamanlarda kullanılır. Makineyi eğitecek bir uzman olmadığında, etiketsiz verilerdeki gizli yapıları makine kendi başına keşfetmelidir. Kümeleme ve ilişkilendirme için kullanılır

Kümeleme ve İlişkilendirme: Bir kümeleme algoritması. Satın alma davranışı ile poliçe sahiplerini gruplamak gibi verilerdeki içsel gruplamaları keşfetmeye çalışır. İlişkilendirme sorunu, bir sigortacının verileri tanımlayan kuralları bulmasıdır. Örneğin; X poliçesi satın alan poliçe sahipleri de Y poliçesini satın alma eğilimindedir

Takviye Öğrenme: Hedef odaklı algoritmalar, ‘Nasıl optimize edilebilir’ sorusuna cevap veriyor. Örneğin; maksimum yatırım getirisi elde etmek için pazarlama yatırımı nasıl optimize edilebilir?

Toplu Öğrenme: Tek başına algoritmaların herhangi birinden elde edilebilecek olandan daha iyi tahmin performansı elde etmek için birden çok algoritmanın bir arada kullanılması

Veri Mühendisliği: Analitik amaçlar için verileri toplama, iyileştirme, depolama ve dönüştürme süreci

Derin Öğrenme: Yapılandırılmamış ve etiketsiz verilerle, insan gözetiminde olmadan öğrenmek için insan beyninin taklit edilmesi

Fizik Tabanlı Makine Öğrenimi: Daha az kısıtlı bir makine öğrenimi modeline göre daha fazla yapı sağlamak için bir makine öğrenimi algoritması/süreciyle, fiziksel sistem anlayışına dayanan geçerli bir bilimsel teori kullanılarak oluşturulmuş bir modeli (ör. hidrodinamik) birleştiren makine öğrenimi. Bu hibrit yaklaşımın yorumlanması ve teşhis edilmesi genellikle daha kolaydır

Üretken Çatışmalı Ağlar: Verilerdeki öğrenme kalıplarını içerir. Böylece model, orijinal veri kümesine ait olacak kadar güvenilir görünen yeni örnekler oluşturabilir. Orijinal veriler ve üretilen veriler daha sonra daha iyi modeller geliştirmek için rakip ağlar bağlamında birbirleriyle oynatılabilir

Nedensel Çıkarım: Makine öğreniminde nedensel çıkarım, makine öğreniminin sonuçların gerçek nedenlerini algılayarak, değişen koşullarda daha güvenilir çıkarımlarda bulunmasını sağlıyor. Örneğin; farklı nüfus gruplarında obezitenin kontrol altına alınabilecek nedenlerinin ortaya çıkarılması ya da bir web sitesinde hangi tasarımların daha fazla tıklamaya yol açacağının analiz edilmesi

Avatar

Esra Nur Mocu

esra@sigortacigazetesi.com.tr

İlginizi Çekebilir