Более широкое использование науки о данных, искусственного интеллекта и машинного обучения развивает навыки, необходимые сегодняшним профессионалам в области страхования.
Сегодня в страховой отрасли ведется огромное количество разговоров о влиянии искусственного интеллекта (ИИ), машинного обучения и анализа данных. Когда мы думаем об этих темах, мы обычно больше всего говорим об изменениях, влияющих на страховые продукты, взаимодействие с потребителями и отрасль. Как ни странно, мы гораздо меньше говорим о последствиях для профессионалов - людей, которые управляют нашим бизнесом.
В краткосрочной и долгосрочной перспективе мы увидим серьезные изменения в характере выполняемой работы, образовании и профессиональном развитии сотрудников, а также соответствующие изменения, необходимые для развития наших специалистов.
Хотя искусственный интеллект и машинное обучение достигают почти всех классов страхования, скорее всего, наибольшее влияние в первую очередь ощущают отрасль общего страхования, и особенно личные линии – страхование домовладельцев и страхование автомобилей. Кроме классов общего страхования, это, вероятно, также коснется группового медицинского страхования по той же причине ... Есть много повторяющихся данных.
Реальные приложения
Возьмите автострахование. Миллионы претензий поступают в любой момент времени, учитывая очень краткосрочный договор, который обычно заключается на шесть месяцев или максимум на год. То же самое и со страхованием домовладельцев: краткосрочные договоры содержат быстрые претензии. Каждый раз, когда град попадает в дом, страховщику нужно произвести выплату по этому страховому событию. И именно от таких событий зависит искусственный интеллект и машинное обучение: множество быстрых, повторяющихся наблюдений за данными, на которых алгоритм может учиться.
Итак, мы разрабатываем модели, тестируем их, сопоставляем данные, изучаем и корректируем. Компании общего страхования хорошо понимают, как технологии меняют не только их бизнес, но и их штатное расписание. Страховщики автоматизируют бизнес. Но для этого нужны люди с новыми навыками. Это верно как для оценки претензий и урегулирования претензий, так и для андеррайтинга. Например, оценщик, который раньше урегулировал претензию по поводу града, все реже забирается на крышу. Сейчас повреждения фотографируют дроны, а ими управляют машины.
Машины также просматривают фотографии на предмет претензий по автомобилям, помещают их в алгоритм, оценивают затраты и урегулируют претензии.
Что касается группового страхования здоровья, то очень частая оплата медицинских счетов создает такую же динамику, то есть набор повторяющиеся события в краткосрочном контракте, на которых алгоритм может учиться. Машинам гораздо легче освоиться в таких видах страхования, чем, скажем, в страховании жизни, где часто проходят десятилетия, прежде чем подана претензия по долгосрочному контракту, что дает алгоритму гораздо меньше возможностей для обучения.
Технологии и персонал
Глобальная взаимосвязь рисков - кибербезопасность, изменение климата, пандемии - еще одна область, в которой ИИ влияет на страхование имущества и страхование от несчастных случаев. Погода и вирусы не признают границ. И количество данных, которые нужно охватить, ошеломляет. Что касается кадрового обеспечения и обучения, то компании общего страхования должны думать о последствиях этого сдвига для специалистов, которых им необходимо будет нанять, и навыков, которые необходимо поощрять или развивать у действующих сотрудников.
Рост науки о данных, все более широкое применение искусственного интеллекта и машинного обучения и все их влияние на профессиональную работу стимулируют навыки, необходимые сегодня. Конечно, существует острая и растущая потребность в сотрудниках, обладающих навыками аналитики данных - программирования, статистического анализа, управления базами данных, построения моделей и интерпретации результатов.
Однако, вероятно, ключевым навыком является потребность в суждении. В конце концов, как заметил в прошлом году Клейтон Кристенсен, великий теоретик менеджмента и разработчик теории подрывных инноваций: «Большие данные имеют тенденцию замалчивать или игнорировать аномалии, если они не созданы случайно, чтобы показать их людям... Только исследуя аномалии, мы можем развить более глубокое понимание причинно-следственной связи».
Поэтому, при обучении специалистов необходимо научить применять суждения к данным, интерпретировать результаты, находить причинно-следственные связи и делать выводы из аномалий. В частности, необходимо выявлять и определять новые навыки, которые актуарии и другие высококвалифицированные, узкоспециализированные, высокотехнологичные специалисты могут ожидать от работодателей в отрасли в ближайшие пять-десять лет.
Подготовлено порталом Allinsurance.kz