Gedankenführung

Können Sie einer Maschine das Lernen beibringen und wie? Vor dem Hintergrund der zunehmenden Automatisierung durch fortschrittliche Systeme, die unter anderem zu Schachgroßmeistern werden, ist dies die Frage von Jeff Heaton Ph.D. und VP, Data Science bei RGA, macht sich daran, in Bezug auf Versicherungen zu antworten. Eine exzellente Einführung in das Thema sowie ein tieferer Einblick in die kritischen Komplexitäten des Versicherungsgeschäfts, die es weit entfernt von der rechnerischen Raffinesse machen, die erforderlich ist, um einfach ein Brettspiel zu gewinnen.

Die Zukunft der Versicherungen und vieler anderer Branchen kann auf der Antwort beruhen. Noch vor einem Monat versuchten Forscher von Googles DeepMind, dies durch das Schachspiel herauszufinden. Die Bemühungen enthüllten ebenso viel über die Schwachstellen der KI wie über ihre Möglichkeiten.

Googles AlphaZero-System für künstliche Intelligenz oder KI besiegte das fortschrittlichste Schachprogramm, das es gibt. Der interessanteste Teil: AlphaZero war nicht mit Daten zu früheren Spielen vorprogrammiert - nur Grundkenntnisse der Regeln, aber die KI erkannte die Spielmuster mit erstaunlicher Geschwindigkeit. Wahre Meisterschaft im Schach ist etwas, das nur wenige Menschen in ihrem Leben erreichen. AlphaZero hat es in vier Stunden geschafft.

Dies ist das Versprechen von AI - eine Kombination von geschichteten Computeralgorithmen, die als neuronale Netze bekannt sind und versuchen, Informationen wie ein menschliches Gehirn zu verarbeiten, nur mit exponentiell höherer Effizienz. KI ist bereits ein Teil unseres täglichen Lebens und für die Spracherkennung auf einem Smartphone, den automatisierten Handel an der NASDAQ und den Autopiloten eines selbstfahrenden Autos verantwortlich.

Und mit dem Erfolg von Experimenten wie AlphaZero stellen Versicherer mit zunehmender Dringlichkeit eine einfache Frage: Wenn Maschinen gelehrt werden können, wie ein Schachgroßmeister, ein Trucker oder ein Anleihenhändler zu denken, warum kann AI nicht wie ein Preisaktuar oder? ein Lebensversicherer?

Um die Antwort zu finden, müssen wir zunächst verstehen, wie Datenwissenschaftler eine Maschine unterrichten.

Aus Wissen lernen

Versicherungsunternehmen erstellen detaillierte Handbücher, in denen Prozesse wie das Underwriting beschrieben werden. Während diese Dokumente es Datenwissenschaftlern ermöglichen, bestimmte Geschäftsprozesse zu verstehen, sind sie für Algorithmen zum maschinellen Lernen weniger hilfreich.

Aber warten Sie ... können KI-Systeme heutzutage keinen Text verarbeiten? Die kurze Antwort: Ja, durch die Verarbeitung natürlicher Sprache (NLP) können bestimmte KI-Systeme Aufgaben ausführen, nachdem sie große Blöcke von Textdaten verbraucht haben. Durch das Scannen von Wikipedia könnte ein solches System beispielsweise Fragen in einer Spielshow wie beantworten Gefahr!

Es ist jedoch wichtig zu beachten, dass diese NLP-Systeme nur Sprachmuster nachzeichnen, ohne die zugrunde liegende Bedeutung gut genug zu erfassen, um komplexe schrittweise Prozesse aus dem Text zu identifizieren oder anzuwenden. Mit anderen Worten, Underwriter könnten Fragen an ein NLP-System stellen, das in einem Underwriting-Handbuch geschult ist, aber ein solches System würde nicht genug Verständnis haben, um Entscheidungen auf der Grundlage desselben Underwriting-Handbuchs zu treffen.

Aus Daten lernen

Fazit: Maschinen lernen aus Daten, nicht aus Handbüchern.

Der Datenwissenschaftler untersucht Kategorien oder Werte, die bereits vorhanden sind, und lehrt die Maschine, das zu extrapolieren, was möglicherweise fehlt, häufig durch einen Prozess, der als überwachtes Lernen bezeichnet wird. Diese Informationen könnten leicht aus den Zeichnungsdateien von Versicherungsantragstellern stammen, einschließlich elektronischer Krankenakten, Fahrgeschichten, Kreditauskünften und anderen Informationen, die für eine Zeichnungsentscheidung relevant sind.

Natürlich reichen Daten allein ohne Richtung nicht aus. Der Datenwissenschaftler muss ein Ziel festlegen. Bei Google AlphaZero sind die Eingabedaten die Züge, die jeder Spieler während eines bestimmten Schachspiels ausführt, und das Ziel ist der Gewinner. Unter Verwendung dieser Daten könnten maschinelle Lernmodelle erstellt werden, um Muster der Bewegungen zu erkennen, die zu einem Gewinn führen, und das System dann dazu zu bewegen, diese erfolgreichen Strategien anzuwenden. In einem Zeichnungsszenario kann ein Ziel die Entscheidung sein, einen Antrag entweder zu zeichnen oder abzulehnen, die tatsächliche Sterblichkeitserfahrung eines versicherten Falls oder sogar die Rentabilität einer ausgegebenen Police.

Wenn Daten ohne Ziele vorhanden sind, weiß die Maschine jedoch nicht, was sie lernen soll, da sie ihre Entscheidung nicht anhand eines Ergebnisses testen kann. Es identifiziert einfach Muster ohne Zweck oder gruppiert ähnliche Antragsteller, ohne ein versicherungstechnisches Ergebnis erzielen zu können.

Big Data oder Infinite Data

Je mehr Daten - und je mehr Ziele - desto mehr kann eine Maschine lernen. Informatiker haben jahrelang große Mengen an Informationen in Maschinen eingespeist, um KI-Netzwerken beizubringen, Probleme unabhängig zu lösen - oder zu lernen, zu denken.

Betrachten Sie die selbstfahrenden Elektroautos von Tesla. Diese computergestützten Fahrzeuge senden kontinuierlich Terabyte an zielreichen Daten an ihren Hersteller zurück. Teslas KI lernt aus jeder Entscheidung all seiner Tausenden von menschlichen Fahrern, Sekunde für Sekunde. Was hat einen Unfall verursacht? Wie schnell ist das Fahrzeug von Punkt A nach Punkt B gekommen? Wie viele plötzliche Stopps wurden gemacht? Jedes Datenelement macht alle Tesla-Fahrzeuge intelligenter.

Es ist nicht ungewöhnlich, dass ein menschlicher Versicherer, der einen Fall entscheiden möchte, oder ein Aktuar, der Preisannahmen entwickeln möchte, um nicht zu wenig, aber zu viele potenziell nützliche Daten zu konfrontieren. Das Identifizieren und Analysieren von Informationen, die für die Risikobewertung relevant wären, ist oft viel zu zeitaufwändig. Zunehmend fragen sich Versicherer, ob Modelle für maschinelles Lernen entwickelt werden könnten, um in Echtzeit auf alle verfügbaren Informationen im Internet zuzugreifen, von medizinischen Papieren bis zu Twitter-Feeds, und dann Versicherern und Rückversicherern dabei zu helfen, die Punkte zu verbinden, um Risikobewertungsfaktoren zu bestimmen Entdecken Sie Zeichnungsmöglichkeiten.

Aus diesem Grund ist „Big Data“ in der Versicherungsbranche eine so große Sache. Viele haben spekuliert, dass KI erhebliche Wettbewerbsvorteile bringen könnte, die es Carriern ermöglichen, die Effizienz zu steigern und die Kosten zu senken, ohne die Portfoliorisiken wesentlich zu erhöhen.

Dennoch hat AlphaZero erfolgreich die Fähigkeit demonstriert, Schach ohne Daten zu meistern. Wenn keine Daten erforderlich sind, warum verlangen Datenwissenschaftler dann mehr? Und könnte eine Armee von Roboter-Aktuaren oder Roboter-Underwritern von nichts ausgehen und Underwriting oder versicherungsmathematische Wissenschaft lernen?

Kaum. AlphaZero beim Schachspielen könnte etwas viel Besseres als Big Data verwenden, um zu lernen, wie man Schachmatt setzt. AlphaZero hatte unendlich viele Daten, weil AlphaZero Schach gegen sich selbst spielte und aus jeder Bewegung lernte.

Leider sind sowohl das Underwriting als auch die versicherungsmathematische Wissenschaft weitaus komplexer als eine Schachpartie. Es gibt viel zu viele Variablen, um sie bei der Bewertung eines Falls oder der Bewertung eines Risikos zu berücksichtigen. Im Science-Fiction-Film Die MatrixEine künstliche Intelligenz nutzte eine enorme Rechenleistung, um eine ganze Welt von Menschen zu simulieren, die Entscheidungen über ihren Lebensstil treffen, an Krankheiten und Unfällen leiden, geboren werden, gebären und sterben. Nur mit einer solchen kontrollierten Simulation könnten wir einen vollständig "künstlichen" Underwriter darin schulen, alle möglichen Entscheidungen zu untersuchen, diese Entscheidungen mit Ergebnissen zu verknüpfen, aus den Ergebnissen zu lernen und es erneut zu versuchen ... und noch einmal ... und noch einmal.

Science Fiction und Science Fact

Das Leben ist kein Brettspiel und auch keine Underwriting- und Versicherungsmathematik. Das Unterrichten einer Maschine zur Beurteilung neuer menschlicher Krankheiten und zum Unterzeichnen unbekannter Bedingungen würde erfordern Matrix-level Rechenleistung, die reine Science-Fiction ist.

Dies bedeutet nicht, dass AI keinen Platz im Underwriting hat. Während AI das Underwriting nicht auf die gleiche Weise beherrschen kann, wie AlphaZero Schach ohne Daten beherrscht, kann AI im Underwriting von Daten geschult werden und lernen, wertvolle Erkenntnisse zu liefern, die Teil des Underwriting-Prozessflusses werden können. AI ist derzeit gut darin, Bewerber mit dem niedrigsten und höchsten Risiko zu ermitteln und die Mitte menschlichen Versicherern zu überlassen. Wenn die KI dies verbessert, schrumpft die Mitte.

KI kann heute große Computernetze lehren, um bessere Ergebnisse zu erzielen, und InsurTech-Unternehmen nutzen die menschliche Erfahrung und die Kraft der KI, um viele Geschäftsprozesse von Versicherungen zu verbessern. Menschliche Versicherer und Aktuare bleiben jedoch ein wesentlicher und wesentlicher Bestandteil dieser Prozesse.

AlphaZero und ähnliche Experimente haben das Schachbrett bestimmt, und es liegt an neuen Generationen von Datenwissenschaftlern, Underwritern, Aktuaren und anderen, das Spiel kontinuierlich zu spielen und zu verbessern - Schritt für Schritt.