Інженерія якості як основа інтелектуальних страхових систем

Штучний інтелект швидко впроваджується в галузі страхування майна/від нещасних випадків у різних формах. Страховики зараз активно впроваджують ШІ в андеррайтинг, подання претензій, обслуговування клієнтів, виявлення шахрайства, розробку програмного забезпечення та операційні робочі процеси. Моделі великих мов програмування узагальнюють файли претензій, генерують код, допомагають страховим агентам, складають повідомлення з клієнтів та допомагають андеррайтерам аналізувати дедалі складніші ризики. Агентський ШІ обіцяє просунути цю еволюцію на крок далі, координуючи роботу між кількома програмами, джерелами даних та бізнес-процесами.

Ажіотаж навколо цих можливостей цілком заслужений. Штучний інтелект має потенціал допомогти страховикам приймати кращі рішення, підвищити операційну ефективність, пришвидшити розробку програмного забезпечення та забезпечити кращий клієнтський досвід.

Однак, оскільки страховики переходять до впровадження технологій у масштабах підприємства, починає виникати інша проблема. Найбільшою перешкодою вже є не визначення того, чи може штучний інтелект виконувати завдання. Все частіше питання полягає в тому, чи можуть страховики довіряти штучному інтелекту виконувати це завдання послідовно, відповідально та в рамках стандартів управління, необхідних у високорегульованій галузі.

Цей зсув докорінно змінює роль якісної інженерії у страхуванні.

Протягом десятиліть забезпечення якості зосереджувалося переважно на одній меті: перевірці того, що програмне забезпечення поводиться саме так, як очікувалося. Додатки будувалися на основі детермінованої логіки. За однакових вхідних даних програмне забезпечення завжди повинно видавати однакові результати. Розрахунок премії або відповідав очікуваному результату, або ні. Схвалення політики або відповідало встановленим бізнес-правилам, або не давало результату. Тестування здебільшого полягало у підтвердженні правильності відповідно до заздалегідь визначених вимог.

Штучний інтелект працює по-іншому.

На відміну від традиційного програмного забезпечення, генеративний штучний інтелект та багато моделей машинного навчання дають ймовірнісні, а не детерміновані результати. Дві однакові підказки можуть генерувати дещо різні відповіді. Рекомендації можуть змінюватися в міру вдосконалення моделей, появи нових даних або зміни контекстної інформації. У багатьох випадках прийнятними можуть бути кілька відповідей, а не одна правильна.

Ця мінливість не обов'язково є недоліком. Це характеристика інтелектуальних систем.

Але це також означає, що багато припущень, які десятиліттями керували тестуванням програмного забезпечення, більше не застосовуються.

Традиційне тестування "схвалено або не схвалено" залишається важливим для основних страхових систем, але його вже недостатньо для оцінки застосунків на базі штучного інтелекту. Організації тепер повинні визначати, чи є результати достатньо надійними для підтримки бізнес-рішень, чи залишаються рекомендації послідовними в прийнятних межах, і чи можна зрозуміти та перевірити обґрунтування цих рекомендацій.

Іншими словами, фокус розширюється від доведення того, що програмне забезпечення завжди правильне, до встановлення впевненості в тому, що інтелектуальні системи поводяться належним чином у чітко визначених межах.

Ця відмінність особливо важлива у страхуванні. Основні бізнес-функції, такі як розрахунок премій, правила полісів, фінансові операції та дотримання нормативних вимог, залишаються детермінованими за своєю природою. Ці системи повинні й надалі видавати послідовні, перевірені та аудиторські результати. Існує мало місця для неоднозначності під час розрахунку премії, застосування зареєстрованих правил оцінки або видачі поліса, який є юридично обов'язковим договором.

Штучний інтелект впроваджує інший клас можливостей. Такі завдання, як узагальнення файлів страхових випадків, виявлення потенційних ознак шахрайства, рекомендації щодо наступних кроків розслідування, визначення пріоритетів інформації про андеррайтинг або допомога представникам служби підтримки клієнтів, часто передбачають судження, а не одну правильну відповідь. Кілька відповідей можуть бути прийнятними за умови, що вони є точними, зрозумілими та відповідають бізнес-цілям.

Таким чином, якісна інженерія бере на себе ширшу відповідальність. Вона повинна гарантувати, що детерміновані системи продовжуватимуть забезпечувати доведену правильність, а також створювати впевненість у тому, що можливості, засновані на штучному інтелекті, функціонують надійним, пояснимим, спостережуваним та належним чином керованим способом. Довіра не замінює доказів; вона будується на них. Завданням для страховиків є розробка інтелектуальних систем, які поєднують у собі визначеність, необхідну для основних страхових операцій, з гнучкістю, яка робить штучний інтелект цінним у першу чергу.

Страхування завжди будувалося на довірі.

Страхувальники довіряють страховикам виконувати контракти. Регулятори довіряють страховикам приймати справедливі та відповідні рішення. Керівники довіряють інформації, яка використовується для управління ризиками та розподілу капіталу. Кожне рішення щодо андеррайтингу, врегулювання страхових випадків, розрахунок ціноутворення та подання документів до регуляторних органів залежить від довіри до систем, які забезпечують ці результати.

Оскільки ШІ стає частиною цих рішень, такий самий рівень довіри має поширюватися і на інтелектуальні системи. Побудова такої довіри вимагає вийти за рамки самої моделі ШІ та врахувати ширше корпоративне середовище, в якому працює ШІ.

Одна з найбільших помилкових ідей щодо корпоративного штучного інтелекту полягає в тому, що успіх залежить, перш за все, від вибору найкращої моделі. Насправді, штучний інтелект є лише одним компонентом набагато більшої технологічної екосистеми. Для страховиків якість рекомендацій, що генеруються штучним інтелектом, залежить так само від цілісності основних систем, корпоративних даних, бізнес-правил та управління, як і від самої базової моделі.

Штучний інтелект рідко працює ізольовано. Помічник андеррайтера може отримувати інформацію із систем адміністрування полісів, систем ціноутворення, постачальників геопросторових даних, сховищ документів, сторонніх служб даних, внутрішніх баз знань та нормативних правил. Помічники з врегулювання страхових випадків можуть спиратися на дані полісів, історичні страхові випадки, платіжні системи, моделі шахрайства, оцінки ремонту та зовнішніх партнерів. Якість рекомендацій, створених ШІ, залежить від кожної частини цієї екосистеми.

Удосконалена мовна модель, пов'язана з неповними, суперечливими або погано керованими даними, просто генеруватиме ненадійні відповіді з більшою швидкістю та впевненістю. Штучний інтелект не усуває недоліки в якості даних, або ж управління їх посилює.

І навпаки, коли ШІ базується на надійних корпоративних системах, регульованих бізнес-правилах та високоякісних даних, він стає значно ціннішим, оскільки працює в середовищі, розробленому для точності, підзвітності та узгодженості.

Управління даними забезпечує основу, яка робить можливим надійний штучний інтелект. Воно встановлює чітке право власності на дані; визначає стандарти якості; забезпечує узгодженість інформації в усіх корпоративних системах; а також підтримує прозорість, можливість аудиту та дотримання нормативних вимог, необхідні протягом усього життєвого циклу страхування. Замість того, щоб розглядати управління як обмеження для інновацій, страховики все частіше визнають його основою, яка дозволяє штучному інтелекту працювати безпечно та надійно в масштабах підприємства.

Це одна з фундаментальних відмінностей між корпоративним штучним інтелектом та публічними інструментами штучного інтелекту. Споживчі програми штучного інтелекту часто розроблені для відповідей на запитання або створення контенту окремо. Корпоративний штучний інтелект, навпаки, працює в умовах жорсткого контролю, де кожна рекомендація може впливати на фінансові рішення, дотримання нормативних вимог, результати роботи з клієнтами або юридично зобов'язуючі страхові контракти.

Таким чином, інженерія якості стає набагато ширшою, ніж просто перевірка вихідних даних моделі. Вона стає дисципліною, відповідальною за перевірку поведінки всієї інтелектуальної системи. Це включає розуміння того, звідки походять дані, як інформація передається між програмами, як штучний інтелект взаємодіє з бізнес-правилами, як рекомендації контролюються з часом і як організації виявляють неочікувану поведінку, перш ніж вона вплине на клієнтів.

Спостережуваність стає такою ж важливою, як і тестування. Моніторинг стає таким же важливим, як і валідація. Управління стає таким же важливим, як і автоматизація. Ці можливості завжди мали значення, але штучний інтелект підвищує ставки, оскільки інтелектуальні системи продовжують розвиватися, взаємодіючи з дедалі складнішими середовищами та впливаючи на бізнес-рішення з вищою цінністю.

Ця еволюція також змінює ті аспекти, де якісна інженерія забезпечує найбільшу цінність.

Історично склалося так, що забезпечення якості часто зосереджувалося на виявленні дефектів після того, як програмне забезпечення вже було розроблено. Хоча тестування залишається важливим, надійний ШІ так само залежить від рішень, прийнятих набагато раніше на етапі життєвого циклу розробки. Чіткі бізнес-цілі, високоякісні корпоративні дані, продумана архітектура системи, чітко визначені бізнес-правила, ретельно розроблені взаємодії ШІ та надійне управління – все це більше сприяє надійним результатам, ніж просте додавання додаткового тестування наприкінці розробки.

Якість, іншими словами, рухається вгору за течією.

Роль інженерів з якості також розвивається. Штучний інтелект тепер може генерувати тестові випадки, перевіряти вихідний код, створювати документацію, виявляти дефекти та автоматизувати багато рутинних інженерних дій. Замість того, щоб замінити досвідчених інженерів, ці можливості підвищують їхню відповідальність. Все частіше інженери з якості стають архітекторами впевненості. Вони розробляють стратегії оцінки, визначають прийнятні пороги продуктивності, перевіряють якість даних, контролюють поведінку виробництва, досліджують неочікувані реакції моделі та допомагають забезпечити відповідність інтелектуальних систем бізнес-цілям ще довго після розгортання.

Це відображає ширші зміни, що відбуваються в корпоративних технологіях. Штучний інтелект не замінить основні страхові системи, які страхові компанії створювали десятиліттями. Системи адміністрування полісів, платформи для виставлення претензій, системи виставлення рахунків та фінансові додатки залишаються авторитетними системами обліку, відповідальними за виконання детермінованих бізнес-процесів та забезпечення відповідності нормативним вимогам. Штучний інтелект має найбільшу цінність, коли поширюється на ці довірені системи, а не коли намагається їх замінити.

Тому майбутнє страхування майна/від нещасних випадків навряд чи буде визначатися автономними помічниками зі штучним інтелектом, які прийматимуть ізольовані рішення. Натомість воно буде побудоване на основі інтелектуальних можливостей, вбудованих у добре керовані корпоративні платформи, підключених до довірених даних, керованих встановленими бізнес-правилами та постійно контролюваних за допомогою дисциплінованої інженерії якості.

Зрештою, визначальне питання для корпоративного штучного інтелекту вже не просто: "Чи може він працювати?", а: "Чи можемо ми йому довіряти?"

Для страховиків ця довіра випливатиме не лише з моделей штучного інтелекту. Вона випливатиме з управління даними, вбудованого в організацію, практик якісної інженерії, структур управління, корпоративної архітектури та дисциплінованої розробки програмного забезпечення, що забезпечують надійну, прозору та відповідальну роботу інтелектуальних систем.

В епоху штучного інтелекту довіра будується на трьох основах: якісна інженерія, надійні основні системи та високоякісні моделі управління даними. Разом вони дозволяють страховикам покладатися на інтелектуальні системи для прийняття деяких найважливіших бізнес-рішень.