Come l’IA accelera l’elaborazione dei reclami assicurativi
Le conseguenze immediate di un incidente stradale sono difficili per tutte le parti coinvolte. I conducenti devono elaborare il trauma e capire come riparare o sostituire le loro auto danneggiate. Le compagnie di assicurazione devono effettuare valutazioni dei danni e trovare il percorso più efficiente e meno costoso per ottenere la risoluzione dei sinistri . I periti, i lavoratori delle carrozzerie e varie altre parti hanno tutti voce in capitolo nel processo, che spesso può richiedere settimane per concludere.
Oltre al tempo e ai traumi coinvolti, gli incidenti generano molti dati, che si tratti di immagini di parti danneggiate o di documentazione associata da rapporti di polizia. Inoltre, la frequenza degli incidenti – il 2019 ha visto quasi 6,8 milioni di incidenti automobilistici solo negli Stati Uniti – significa un grande volume di dati da elaborare costantemente. Le richieste di risarcimento per l’assicurazione auto derivano
L’IA aumenta
Questi fattori collettivi costituiscono un argomento particolarmente convincente per l’implementazione dell’intelligenza artificiale nell’elaborazione dei sinistri , afferma John Goodson, chief technology officer di CCC Intelligent Solutions , un fornitore di soluzioni tecnologiche per il settore automobilistico e assicurativo. (CCC di per sé non è una compagnia di assicurazioni.)
L’uso dell’IA nell’elaborazione dei sinistri assicurativi è in costante accelerazione. CCC ha registrato un aumento del 50% anno su anno nell’applicazione dell’IA avanzata per l’elaborazione dei reclami nel 2021. L’azienda riferisce che oltre 9 milioni di reclami unici sono stati inoltrati attraverso la sua soluzione di deep learning AI, un numero che è cresciuto di oltre l’80% nel 2021.
Quando arriva una richiesta di risarcimento per incidente, la compagnia assicurativa deve inviare periti sinistri che si occupano di una lunga lista di domande: l’auto è completamente danneggiata o può essere riparata? Quanto costerà? Qual è il modo migliore per riparare l’auto? Dove dovrebbero essere reperiti i pezzi di ricambio? Le parti avranno bisogno di un affitto?. Le stesse domande devono essere poste ogni volta, il che li rende particolarmente adatti a un modello di deep learning: comprendere i danni e le soluzioni degli incidenti precedenti e applicare le conoscenze apprese a quelli futuri.
CCC elabora circa 16 milioni di reclami per incidenti stradali all’anno, il che gli fornisce una ricca base di dati su cui basare i modelli di intelligenza artificiale. Il modello di deep learning di CCC si basa su miliardi di foto di danni veicolari, rapporti sugli incidenti ed elementi pubblicitari dei moduli di richiesta. Gli algoritmi di deep learning e la visione artificiale iniziano a rilevare i modelli (un’ammaccatura che sembra in un modo particolare richiederà un certo tipo di intervento e costerà un certo numero di dollari) e forniscono consigli per i passaggi successivi.
“Abbiamo costruito un modello di intelligenza artificiale che determina riga per riga le cose che dovranno essere fatte: quali parti saranno necessarie? Quanto tempo ci vorrà per essere riparato? Ci sono molte domande a cui rispondiamo”, afferma Goodson. Gli algoritmi di CCC ordinano anche i dati per modello di auto in modo che l’algoritmo possa continuare ad apprendere mentre vengono presentate nuove richieste.
Se un cliente presenta un rapporto sulla scena con le immagini dell’incidente, queste vengono confrontate con il database per trovare le immagini del modello simile insieme alle informazioni apprese su ciò che comportano i vari processi di riparazione. “Possiamo immediatamente dire, ‘questa macchina sarà riparabile, ecco il negozio dove portarla se è guidabile, in caso contrario, chiama questa agenzia di rimorchio'”, dice Goodson. “Rende l’intero processo molto più veloce e molto meno traumatico per il consumatore e molto meno laborioso per le aziende coinvolte”.
Per rendere più comprensibili le sue raccomandazioni fornite dall’IA, CCC fornisce le sue stime con “mappe di calore” che evidenziano i punti danneggiati e li rendono più facili da visualizzare.
Creazione di modelli ML robusti
Per ridurre i pregiudizi, CCC elimina i suoi modelli dalle informazioni di identificazione come numeri di identificazione del veicolo, indirizzo e nomi di città. Anche le targhe sono offuscate. “È un processo molto faticoso assicurarsi che i dati siano davvero pronti per essere addestrati”, afferma Goodson, stimando che quasi il 35% del loro tempo è dedicato alla preparazione dei dati.
L’elaborazione del linguaggio naturale (NLP) entra in gioco per i documenti che potrebbero non essere facilmente digeribili nei formati digitali.
L’elaborazione dei sinistri assicurativi è particolarmente adatta per le applicazioni di intelligenza artificiale a causa di un’ampia banca di dati e della possibilità di applicare raccomandazioni basate su inferenze. Meccanismi simili possono tradursi in altri settori con attività ad alto contenuto di documentazione e un ampio archivio di informazioni. Goodson mette in guardia dall’affidarsi all’IA per ottenere efficienze temporali senza basarsi su dati affidabili. “La maggior parte delle aziende desidera una pratica di intelligenza artificiale ma non dispone di dati sufficienti o non ha principi etici in atto per garantire che non si insinuino pregiudizi”, sottolinea Goodson.
“Devi addestrare e riqualificare il tuo modello se emergono pregiudizi, non puoi davvero prendere scorciatoie, devi prestare molta attenzione alla pulizia e alla preparazione dei dati”, afferma Goodson. Che aspetto hanno i dati “abbastanza”? “È soggettivo per il settore ed è difficile rispondere, ma sicuramente non è tra le centinaia”, afferma Goodson.
Le iniziative di intelligenza artificiale di CCC si sposteranno verso l’elaborazione delle informazioni ai margini. In futuro, aspettati che i consumatori possano semplicemente trasmettere in live streaming un video del danno al portale della compagnia assicurativa e ricevere istruzioni sui passaggi successivi in pochi minuti. “Stiamo utilizzando i progressi dell’IA non solo per far avanzare le nostre tecniche di back-office, ma per sfruttare quella capacità tecnica per far avanzare anche le nostre soluzioni [front-end]”, afferma Goodson.
