Искусственный интеллект и интернет вещей как факторы конкурентоспособности в страховании

Обновлено: 04.07.2024

В 2018 году модели также начали использоваться для повышения эффективности продаж, в частности, кросс-продаж полисов ОСАГО. Для оценки качества работы модели, помимо стандартных метрик data science (ROC AUC, Precision, RecИИl, F-мера и т.д.) используются показатели, отражающие эффект для бизнеса: изменение частотности и размера страховых выплат, объема сборов, конверсии лидов в продажи и т.п.

К примеру, модель определения спроса на полисы страхования ИФЛ, внедряемая сейчас в компании, отсеивает большую часть клиентов, которые не заинтересованы в покупке. В результате, конверсия в продажи полисов ИФЛ по оставшимся клиентам выросла в несколько раз.

С точки зрения агентской и дилерской сетей ожидается дальнейший рост профессиональной квалификации агентов и дилеров с усилением функционала по постпродажному сопровождению клиентов и проактивному предложению страховых продуктов на основе прогноза потребностей клиента, считают в компании.

Применение моделей позволяет не только снижать риски мошенничества, но и держать цены на страховые услуги ниже рынка без снижения уровня прибыльности.

Основными инструментами машинного обучения, которыми пользуется страховщик, являются обобщенные линейные модели – их легко интерпретировать и реализовать. Такие модели отлично себя зарекомендовали, по ним накоплена хорошая экспертиза. Более сложные модели (gradient boosting, random forest и пр.) используются тоже, но профит от них не такой значительный, указали в компании.

О том, какие преимущества дает ИИ в борьбе за счастье клиента и какое место он занимает в стратегии лидеров финансовой отрасли на ближайшие 3 года, поговорим на форуме FinMachine CX 2019, который состоится 12 декабря 2019 г.

Часто на успешность использования той или иной модели влияет не столько ее сложность, сколько объем данных. Компания постоянно работает над его ростом, учитывая все новые факторы оценки, как внутренние, так и внешние.

Будущее рынка. Технологии машинного обучения открывают в области урегулирования убытков массу возможностей: это и автоматическая оценка суммы убытка по фотографиям, и контроль за партнерами, и распознавание мошенничества, и мгновенная выплата клиентам в тех случаях, где риски мошенничества низкие.

Влияние ИИ на страховую отрасль будет значительным. Оформление полиса будет происходить в пару кликов по заполнению всего нескольких параметров. Изменения в полис будут вноситься за полминуты, а процесс заявления убытка и его урегулирования будет существенно проще и быстрее.

К примеру, для данных табличного формата компанию использует такие модели, как градиентный бустинг, случайный лес, регрессии. Для задач с изображениями используются нейросети, NLP для обработки текста.

Будущее рынка. Тарифы будут учитывать большее количество факторов, станут персональными и потому более справедливыми. Клиенты смогут получать практически моментальные выплаты в случае возникновения страхового случая. Будет развиваться IoT (Интернет вещей) в страховых продуктах. Генерируемые датчиками данные будут анализироваться с помощью методов машинного обучения.

Направление ИИ в компании на текущий момент больше похоже на лабораторию. Изучаются, в том числе, и последние наработки в области глубоких нейронных сетей.

В настоящее время компания работает над внедрением комплексной системы контроля работы операторов контакт-центра с применением ИИ. Кроме этого планируется интеграция технологии разговорного искусственного интеллекта в систему IVR и расширение области применения чат-ботов.

Cервисы, использующие технологии машинного обучения, позволяют дополнять классические страховые продукты новыми опциями, например, связанными с периодической диагностикой здоровья застрахованных. Также машинное обучение помогает провести глубокий анализ данных клиентов для формирования адресного предложения клиентам, указали в компании.

Будущее рынка. Данные технологии станут одними из ключевых конкурентных преимуществ страховщиков уже в ближайшем будущем. С каждым годом искусственный интеллект будет играть все большую роль в принятии решений по урегулированию убытков, обрабатывая, например, данные лечебных учреждений, а также контролируя сроки и размеры страховых выплат. Также для каждого клиента в автоматическом режиме будет формироваться индивидуальное предложение, включающее сервисы для поддержания здоровья, недвижимости и автомобиля, а также других активов, которыми он обладает. Также технологии позволят устанавливать клиентам тарифы с учетом индивидуальных рисков, указали в компании.

Перспективно внедрение ИИ в андеррайтинге и урегулировании страховых случаев. Компания уже использует стартапы на основе ИИ в медицинских сервисах, включенных в страховые продукты. Среди них – медицинский чат-бот, который распознает более 350 симптомов и помогает сориентировать человека, к какому специалисту ему следует обратиться.

Будущее рынка. ИИ и МО не изменят кардинально страховую отрасль, но значительно ее продвинут. Страхование сможет перейти от массовых продуктов к персональным, разработанным на основе данных конкретного человека. Кроме того, есть интересные стартапы для страховщиков по оценке фальсификации документов, выявлению тех деталей, которые не видны человеческому глазу.

Также они применяются при урегулировании убытков. Во-первых, это выявление страховых мошенников. Во-вторых, сейчас активно развивается направление по принятию автоматического решения по страховым случаям.

Набирает популярность внедрение удаленных осмотров с использованием мобильных телефонов. После того, как компания накопит достаточно большой объем данных, можно будет учить модели определению степени повреждений и т.д.

Будущее рынка. Искусственный интеллект будет проникать во все этапы обслуживания клиентов: управление упрощенной идентификацией клиентов в колл-центрах, внедрение роботизированных помощников и создание полностью автоматических процессов пост-продажного обслуживания.

ВСК
МО в компании. Сегодня мы работаем с проектами, связанными с распознаванием речи и документов, в которых будут применяться элементы искусственного интеллекта, отметила руководитель управления перспективных технологий ВСК Вера Гоцелюк.

Будущее рынка. Скорее всего, в ближайшее время на российском страховом рынке обучаемые роботы будут обслуживать все типовые запросы клиентов, что позволит повысить уровень сервиса за счет скорости и точности предоставляемой информации.

Если говорить о более сложных кейсах, связанных с принятием решений по андеррайтингу, предотвращению мошенничества, убыткам – то это требует определенной технологической зрелости отрасли и скорее всего внедрение данных технологий потребует нескольких лет, считают в ВСК.

Как AI помогает банкам и страховым компаниям получить и удержать клиента обсудим 12 декабря на форуме FinMachine CX 2019.

Страховая индустрия эволюционирует, открывая отличные возможности, чтобы стать инициатором перемен. Лидеры завтрашнего дня уже внедряют передовые технологии, использующие большие данные (Big Data), искусственный интеллект (AI) и автоматизацию. В то время как индустрия охватывает множество секторов, страховые компании, работающие в каждом секторе — от здравоохранения до автомобильного страхования — могут извлечь выгоду из новых тенденций.

Ниже мы расскажем о ключевых технологических тенденциях 2021 года и о том, как они интегрируются в секторы страхования здоровья и жизни, автострахования и страхования недвижимости.

Тренды в страховании здоровья и жизни

Пандемия Covid-19 вызвала множество проблем в сфере здравоохранения. Страховым компаниям пришлось быстро адаптироваться к возникшей ситуации.

Здоровые привычки достойны поощрения

Клиенты привыкли к персонализированной рекламе в социальных сетях или кастомизированным уведомлениям от банков. Несмотря на то, что отрасли страхования здоровья и жизни, несомненно, отличаются от финансовых учреждений, клиенты все же ожидают, что страховые компании будут знать их от и до. В результате страховщики должны переосмыслить свои продукты, чтобы привлечь новых клиентов и сохранить существующих. Ускорение внедрения инноваций требует от страховщиков освоения нового подхода, ориентированного на клиента.

В секторе страхования здоровья и жизни все большую популярность приобретают инициативы, поощряющие здоровые привычки. Эти инициативы также улучшают отношения между страховщиками и страхователями, поскольку они должны работать вместе для достижения общей цели — улучшения здоровья. Страховщики могут использовать носимые устройства, большие данные и Интернет вещей (IoT) для мониторинга, поощрения здорового образа жизни и поддержки здоровья клиентов.

Примеры из жизни

Со стороны просьба к держателям страховых полисов поделиться своими данными может выглядеть навязчивой, однако, как показывают исследования Morgan Stanley и BCG, клиенты готовы поделиться данными за поощрение.

Страховая компания John Hancock придумала программу John Hancock Vitality, по которой она поощряет своих клиентов за приверженность здоровому образу жизни. Также она разработала политику John Hancock Vitality Plus, по которой клиентам предлагаются носимые устройства со скидкой, а затем их ждет награда за ведение здорового образа жизни и даже возможность сэкономить до 15 % на страховых полисах за счет достижения целевых показателей активности.

Большие данные упрощают процессы и улучшают персонализированный опыт

Существенное требование для принятия персонализации — наличие достаточного количества данных о ваших клиентах и возможность расшифровки этой информации. Интеллектуальный анализ данных, искусственный интеллект и машинное обучение открывают новые возможности для компаний по страхованию здоровья и жизни, направленных на улучшение производительности и прогнозирование поведения клиентов.

Большие данные дают ценную информацию, позволяя компаниям быть более осведомленными, как лучше всего обслуживать свой рынок. Компании, занимающиеся страхованием жизни и здоровья, должны быть готовы откликнуться на технологические изменения и осознать, что универсальные решения больше не подходят. Клиенты ищут инновационные решения, и по мере того как они привыкают к новым цифровым технологиям, их взгляды на раскрытие личных данных тоже меняются.

Примеры из жизни

Платформа Blue Cross Blue Shield Axis (BCBS Axis) использует большие данные, чтобы дать возможность пациентам, работодателям и медицинским учреждениям принимать более эффективные решения в области здравоохранения. BCBS Axis позволяет просматривать и сравнивать 90 % всех врачей и больниц Америки. Эта система также помогает совершенствоваться поставщикам медицинских услуг, а работодателям предоставлять наилучшие решения для своих сотрудников.

Страховая компания Ladder использует большие данные, чтобы упростить процесс подачи заявок на страхование. Используя простые вопросы в онлайн-форме, Ladder сочетает технологии искусственного интеллекта и интеллектуального анализа данных, что устраняет необходимость в забирающих много времени посещениях врача.

Компания Haven Life использует большие данные, чтобы предлагать индивидуальные цены, основанные на результатах работы программного обеспечения MyLifeScore. Оценка определяется ответами на десять простых вопросов. Используя 48 переменных (включая возраст, семью и вес), Haven Life рассчитывает риск на основе коллективного анализа и информации, полученной по почти миллиону полисов страхования жизни за 15 лет.

Телематика способствует персонализации

Телематика объединяет устройства, которые отслеживают разное поведение. Эта технология может все, начиная с подсчета шагов и заканчивая мониторингом сна и проверкой уровня активности. Интеграция телематики в носимые устройства предоставляет компаниям по страхованию здоровья и жизни актуальную статистику о клиентах.

Изначально целью телематики было наблюдение за водителями на дорогах. Однако компании по страхованию здоровья и жизни расширяют применение телематики в других важных областях, таких как здравоохранение.

Примеры из жизни

Компания John Hancock предлагает интерактивное страхование жизни, используя носимые устройства: Fitbit, Apple Watch — в связке с приложением компании. Компания собирает данные о занятиях фитнесом и предлагает разные бонусы, льготы и скидки за поддержание здоровых привычек.

Тренды в индустрии автострахования

Совместные поездки, телематика, автомобили с онлайн-доступом и другие технологии приводят к инновациям в сфере автострахования. Этот рост цифровизации предоставляет автостраховщикам огромные возможности для снижения выплат по страховым требованиям и удовлетворения потребностей в новых мобильных сервисах.

Большие данные и ИИ позволяют предоставлять персонализированные предложения

Автостраховщики адаптируются к новым тенденциям в страховании: от электрических и автоматизированных автомобилей до каршеринга и интегрированных технологий: интернет вещей, телематика и ИИ. Телематика, ИИ и интернет вещей помогают страховым компаниям работать со страхователями над предотвращением проблем с автомобилем еще до их возникновения. Эти технологии предоставляют преимущества как страхователю, так и страховой компании. Клиенты получают выгоду, продлевая срок службы своего автомобиля, что экономит их деньги в долгосрочной перспективе. В то же время страховщики снижают количество страховых случаев и повышают качество обслуживания клиентов.

Примеры из жизни

Компания Metromile использует телематику, чтобы предлагать страховые полисы, стоимость которых зависит от того, сколько клиент ездит на своей машине. Предлагая полисы на основе оплаты за каждый километр пути, Metromile требует, чтобы страхователи отслеживали время своего вождения с помощью небольшого телематического устройства, которое находится на приборной панели автомобиля.

Страховая компания в Новой Зеландии Discovery предлагает программу жизнеобеспечения, которая распределяет вознаграждения и льготы для водителей, основываясь на поведении клиентов. Компания также использует технологию отслеживания маршрута, чтобы определить, когда именно с водителем произошел несчастный случай.

Carrot использует телематический черный ящик или мобильное приложение для записи поездок водителя и отслеживания его привычек. Оба устройства следят за поездками водителя и дают представление о пробеге и стиле вождения. В обмен на предоставление данных и получение хорошей водительской оценки, водители зарабатывают пункты, которые могут обменять на подарочные карты.

Программа Safeco Rewind направлена на то, чтобы помочь страхователям удерживать цену страховых полисов на низком уровне, предлагая водителям, допускающим незначительные ошибки при вождении, использовать устройство слежения четыре месяца, чтобы убедиться, что они могут безопасно водить машину. После того как компания соберет достаточно данных, доказывающих сознательность водителя, она может принять решение о возвращении прежней цены полиса (например, до аварии).

Компания Progressive использует большие данные в своей программе моментальных снимков, чтобы персонализировать ставки страховых взносов в зависимости от того, насколько хорошо клиенты водят свои автомобили, и сколько времени машина находится в использовании. В приложение также интегрированы функции мониторинга, которые дают советы по вождению, а когда клиент едет в своем автомобиле как пассажир, программа позволяет установить соответствующие статус.

Тренды в сфере страхования недвижимости

Все развивается и меняется: от того, как мы взаимодействуем с недвижимостью до технологий умного дома и инноваций в области продаж и аренды. Однако самое большое изменение в отрасли страхования недвижимости — как страховщики могут интегрировать свои услуги с устройствами умного дома. Это может дать страховщикам доступ к новым данным, хотя и сопряжено с повышенным риском безопасности.

Технологии умного дома подвержены риску

Хотя умные дома удобны и предлагают страхователям множество преимуществ, включая возможность управлять освещением и безопасностью, они также предлагают страховщикам доступ к дополнительным данным. Например, если клиент заявляет, что у него установлена система безопасности, и получает за это скидку, технология умного дома может проверить, работает ли эта система.

Несмотря на то что умные устройства предлагают множество преимуществ в вопросах защиты собственности, удобства и безопасности, они все еще остаются новыми технологиями с сомнительной безопасностью, что делает их наиболее уязвимыми точками в домашних сетях. Эти слабые места в системах IoT опасны для страхователей и страховых компаний.

Примеры из жизни

Компания Liberty Mutual's Dwellbeing следит за домами страхователей. Она может мониторить температурный режим, состояние водопровода и оценивать риски, посылая уведомления о необходимости технического обслуживания дома.

AI и ML помогают в прогнозировании и взаимодействии с клиентами

Страховщики могут использовать ИИ и машинное обучение для составления точных прогнозов о собственности, основанных на ее истории, местоположении, состоянии ремонта и спросе. Использование ИИ и автоматизации для оценки данных может превратить множество данных в полезную информацию.

Примеры из жизни

Высокотехнологичная страховая компания Lemonade использует свой бот MAYA, созданный по технологии RPA (Robotic Process Automation), для автоматизации заявок, оценки и работы со страховыми случаями от клиентов.

Liberty Mutual использует большие данные для разработки инновационных инструментов для страхователей, в том числе, Total Home Score, который оценивает недвижимость в зависимости от местоположения, местных ценовых тенденций, района, схемы движения транспорта и уровня шума.

Дроны могут автоматизировать проверку повреждений

Эти данные могут быть использованы для подтверждения стоимости страховых полисов, снижения затрат на проверку, оценки реальной стоимости убытков по страховым случаям и сокращения случаев мошенничества при выплатах страховки. Например, дрон может делать фото или снимать на видео крышу здания, чтобы страховщики могли тщательно осмотреть повреждения перед выплатой страхового возмещения.

Примеры из жизни

Страховая компания Allstate использует дроны для проверки имущества, покрываемого страховкой, включая дома, автомобили и другие страховые риски.

Страховая компания GFA Generali Insurance использовала дроны для проверки повреждений более 300 зданий после урагана Ирма, обрушившегося на остров Пуэрто-Рико. Инспекция, на которую команде людей потребовалось бы несколько месяцев, заняла у дронов всего десять дней.

У страховой компании State Farm есть собственный отдел по использованию дронов для оценки имущества.

В секторе страхования здоровья и жизни набирают силу интернет вещей, большие данные и искусственный интеллект. Эти новые технологии предлагают страховщикам возможность персонализировать свои услуги и выйти на новые рынки, работая вместе со страхователями.

Телематика становится все более популярной в секторе автострахования благодаря потенциалу в области снижения страховых взносов и поощрения безопасного вождения.

В индустрии недвижимости умные дома и дроны уже набрали популярность: у более 90 % людей в Соединенных Штатах есть устройства для умного дома. Варианты использования этих технологий в индустрии недвижимости неисчислимы, но кибербезопасность пока еще остается серьезной проблемой. Компании вводят инновации, внедряя новые интересные технологии в разных секторах.

Введение

Обработка данных — одна из тех областей, в которой ИИ может внести значительный вклад. Кроме того, он открывает пути к внедрению технологических инноваций в различных сферах, от оптимизации движения городского транспорта до повышения уровня общественной безопасности и улучшения предоставления финансовых услуг.

Рис. 1. Один из примеров применения искусственного интеллекта — распознавание текста, изображений и речи

В данной статье под искусственным интеллектом подразумевается так называемый ограниченный, или узкий, ИИ (Narrow AI). Имеется в виду программа или система, которая способна выполнять набор конкретных задач без прямого участия человека. Такой ИИ существенно отличается от ИИ общего назначения (General AI), то есть того искусственного интеллекта, который мы привыкли видеть в фильмах и сериалах, обладающего человеческими автономными возможностями.

Наглядный пример сферы применения ограниченного ИИ — это распознавание текста, изображений и речи, которое мы можем реализовать с помощью нейронных сетей и машинного обучения. Такой искусственный интеллект запоминает в ходе обучения тысячи, если не миллионы, различных итераций данных и способен правильно определять изображение или находящийся в зоне его действия объект (рис. 1).

Независимо от того, насколько сложными становятся предсказания подобного ИИ, он все еще ограничен узкой функцией. Если что-то выходит за пределы заданных параметров, ИИ становится практически бесполезным. Например, искусственный интеллект, обученный распознавать написанные цифры, может освоить эту задачу и легко вытеснить людей из данной сферы деятельности, поскольку будет работать эффективнее, без усталости и перерывов, но от него совершенно не будет толка, если ему без переобучения дадут такую задачу, как, например, идентификация букв.

Что касается концепции пограничных (периферийных) вычислений, то первоначальная идея IoT заключалась в том, чтобы данные для обработки и последующего анализа отправлялись в некое центральное устройство или в облако. Однако поскольку количество устройств увеличивается в геометрической прогрессии, многие приложения уже достигли предела своих возможностей, и весь этот большой объем данных, передаваемых туда и обратно, приводит к проблемам с недопустимыми задержками принятия решений и ответной реакции.

Рис. 2. В рамках концепции пограничных вычислений в схему обработки данных добавляется еще один промежуточный уровень с целью уменьшения задержки

Проблемы

IoT-устройства в чистом виде собирают данные только с небольшими или конкретно заданными объемами вычислений. Для дальнейшего анализа данные отправляются в облако. Однако в таких посылках не все данные имеют одинаковую ценность. Возьмем, к примеру, видеоматериалы для системы безопасности: системе необходимы кадры, в которых движутся люди либо те или иные объекты, в то время как снимки неменяющегося фона особого интереса явно не представляют. Отправка всех данных, полученных при съемке, в облако для анализа приведет к занятию полосы пропускания канала передачи, которую можно было бы использовать с большей пользой.

Вычислительная мощность и работа в жестких условиях

Перенос или внедрение ИИ на периферию может потребовать достаточно много вычислительных ресурсов. Обеспечить необходимую производительность помогут стандартные устройства хранения данных и памяти, но проблема в том, что коммерчески доступные компоненты такого типа, как правило, плохо приспособлены для работы в жестких условиях среды, обычно имеющей место в пограничных приложениях. Например, при мониторинге дорожного движения в месте расположения IoT-устройств возможны циклические изменения температуры при переходе от дня к ночи и от лета к зиме. Кроме того, автомобильные системы должны выдерживать удары и вибрацию, а промышленные — противостоять повышенному уровню загрязнения и т. д.

Решения

Платформа искусственного интеллекта

Говоря о симбиозе, названном AIoT, мы обычно имеем в виду ИИ-платформу (AI platform), расположенную на периферии сети. Обычно такое решение принимает форму небольшого индустриального компьютера (IPC) со встроенным процессором индустриального класса. Однако для анализа данных в реальном времени такой процессор нуждается в адекватной поддержке в виде флэш-памяти и дискового накопителя.

Память и хранение данных

Чтобы решить проблемы внедрения ИИ в пограничных приложениях, как уже было сказано выше, необходимы устройства хранения данных и памяти индустриального класса (рис. 3). В первую очередь следует изучить и выявить риски, присутствующие в каждом конкретном месте сбора данных. Это позволит выполнить компоненты в соответствии с четкими требованиями определенного приложения. Рассмотрим несколько примеров реализации предложенных решений.

Рис. 3. Для реализации AIoT необходимы устройства хранения данных и памяти индустриального класса. Подобные решения предлагает, например, компания Innodisk

Примеры внедрения

Системы наблюдения за движением транспорта

Рис. 4. Искусственный интеллект может помочь наладить функционирование транспортной системы

Наши города растут в трех измерениях, не только разрастаясь в ширину и длину, но и стремясь вверх за счет увеличения высоты зданий. Однако дороги пока еще ограничены в основном двумя измерениями, что по мере роста городов влечет за собой умножение транспортных пробок и в итоге может привести к транспортному коллапсу.

Мониторинг и изменение потока трафика на основе данных в реальном времени может значительно повысить эффективность функционирования транспортной системы и сократить заторы. Это можно сделать с помощью подключенных систем наблюдения, определенным образом размещенных по всему городу (рис. 4).

В подобном проекте первый этап анализа выполняется локальными ИИ-платформами на краю такой сети. Он включает распознавание транспортных средств и оценку насыщения транспортных потоков. Таким образом, каждая установка может самостоятельно определять, как обрабатывать данные, чтобы узнать, увеличивается ли количество транспортных средств и существует ли риск возникновения заторов. Затем все важные данные отправляются на централизованную платформу (или в облако), где на их основе могут быть приняты такие меры, как перенаправление трафика, изменение ограничений скорости и регулировка светофора.

Управление автопарком

Наблюдение за большим парком транспортных средств может быть весьма сложной и трудоемкой задачей, но есть много способов оптимизировать с помощью ИИ такие операции, как сокращение расходов на горючее, техническое обслуживание транспортных средств, смягчение риска небезопасного вождения и т. д.

Современные системы позиционирования в основном зависят от GPS, что неизбежно приводит к определенным проблемам. Так, например, въезд в туннель или подземный паркинг делает GPS почти бесполезным, и система слежения не будет знать, где находится такой автомобиль. Подобные нарушения происходят и в городах при движении внутри зданий или в других местах с плохим спутниковым покрытием. Системе, основанной на GPS, также бывает сложно определить высоту, на которой находится автомобиль.

Однако есть и другие источники данных, которые могут предоставлять информацию о местоположении транспортного средства. В частности, можно постоянно отслеживать и регистрировать скорость автомобиля и все повороты. Бортовая платформа на основе ИИ может рассчитать положение транспортного средства в любой момент времени: таким образом эти параметры компенсируют неполные данные от GPS. Эта технология называется автомобильным навигационным счислением (Automotive Dead Reckoning, ADR). Наконец, данные могут быть переданы через беспроводные сети обратно оператору.

Роботы автономной доставки

Когда мы устраняем человеческий фактор из транспортных средств, главная проблема, с которой мы сталкиваемся, — это постоянно меняющаяся картина движения, что чревато разными неожиданностями. Из-за этого автономное транспортное средство должно быть в состоянии принимать то или иное решение буквально за доли секунды, чтобы среагировать на любое внезапное изменение на его пути. Если мы полагаемся только на свои чувства, то у робота есть множество датчиков, собирающих всевозможные данные, которые, в свою очередь, должны быть соответствующим образом обработаны и сложены в согласованную картину, отображающую общую ситуацию в любой момент времени движения по маршруту. В этом случае полагаться на облако безнадежно, поскольку задержка наверняка будет означать, что к тому времени, когда данные будут готовы и решение будет принято, будет уже слишком поздно.

Однако нельзя забывать о том, что встроенная ИИ-платформа, которая выполняет все эти сложные вычисления, зависит от компонентов, работающих при любых погодных и физических условиях без какого-либо снижения производительности. Во избежание несчастных случаев с участием автономных транспортных средств целесообразно, чтобы оборудование работало с минимальной вероятностью отказа и с достаточным для конкретного применения резервированием.

Заключение

Искусственный интеллект (ИИ) и машинное обучение (МО) стали модными словами, но какая от них польза на практике? АСН представляет итоги опроса страховщиков об их опыте использования новейших технологий и видении будущего отрасли.

Каким компания видит будущее рынка. Активное использование машинного обучения в ближайшие годы приведет к еще большему усилению конкуренции за перспективных страхователей. Это повлечет дальнейшее совершенствование сервиса для клиентов в части ассортимента страховых продуктов, возможных каналов взаимодействия и учета индивидуальных особенностей и предпочтений клиентов.

МО в компании используется уже несколько лет, рассказала руководитель департамента корпоративных инноваций Капитал Life Светлана Адрова. В начале 2019 года запущен проект по интеграции искусственного интеллекта в работу единого контакт-центра обслуживания клиентов компании. В результате увеличены операционные возможности контакт-центра, оптимизированы расходы на обработку входящих телефонных звонков.

О том, как AI помогает Капитал Life зарабатывать и сокращать издержки, 12 декабря 2019 г. на форуме FinMachine CX 2019 расскажет Светлана Адрова, руководитель департамента корпоративных инноваций Капитал Life. Программа форума.

МО в компании. Сегодня мы работаем с проектами, связанными с распознаванием речи и документов, в которых будут применяться элементы искусственного интеллекта, отметила руководитель управления перспективных технологий ВСК Вера Гоцелюк.

Читайте также: