Z Szymonem Mitorajem, Chief Digital Officerem w Grupie PZU, rozmawiamy o sposobie uczenia algorytmów Machine Learning, wykorzystania ich do analizy fotografii szkód komunikacyjnych, rozszerzaniu zastosowania narzędzi sztucznej inteligencji na nowe obszary działalności PZU – m.in. w zakresie Robotic Process Automation – oraz osiąganych dzięki nim oszczędnościach, nie tylko finansowych.
W jakim zakresie i do jakich rozwiązań PZU wykorzystuje algorytmy sztucznej inteligencji, np. Machine Learning?
W tej chwili wykorzystujemy tzw. Supervised Machine Learning do analizy setek tysięcy zdjęć szkód komunikacyjnych nadsyłanych do nas przez warsztaty i rzeczoznawców PZU. Dzięki temu łatwiej możemy ocenić, czy np. dany element samochodu, który został uszkodzony, można naprawić, czy też należy go wymienić. Warsztaty często wolą to drugie rozwiązanie, bo – z ich punktu widzenia – jest dużo łatwiejsze w realizacji, zwłaszcza jeśli mówimy o uszkodzeniach karoserii. Jednocześnie jednak jest ono dużo droższe. Wdrożone przez nas algorytmy są już w pełni funkcjonalne i przynoszą konkretne oszczędności czasu i pieniędzy. Szacujemy, że w ciągu pierwszego roku funkcjonowania tego rozwiązania zaoszczędziliśmy kilka milionów złotych. Projekty wokół Machine Learning rozwijamy w ramach wewnętrznego zespołu Fabryki Sztucznej Inteligencji oraz przy wsparciu najlepszych zewnętrznych startupów specjalizujących się w tematyce sztucznej inteligencji.
Dużo dziś mówi się o wdrożeniu rozwiązań tzw. sztucznej inteligencji. Czym jednak są tego typu projekty z punktu widzenia PZU?
Trudno jest zdefiniować „wdrożenie sztucznej inteligencji”, dlatego w odniesieniu do PZU wolę mówić o Machine Learning i zastosowanych w tego typu rozwiązaniach algorytmach, które cały czas się uczą i poprawiają swoje działanie.
Warto pamiętać, że w takich projektach łatwo jest napisać algorytm, znacznie trudniej zaś przebiega jego „nauka”. Aby to było możliwe, trzeba dysponować ogromnymi bazami danych w odpowiedniej jakości. W przypadku naszego pierwszego projektu z zakresu Machine Learning mówimy o konieczności przeanalizowania setek tysięcy fotografii, do których mieliśmy dostęp dzięki skali działalności firmy. Większość firm nie dysponuje jednak tak dużymi bazami danych.
Jakie informacje analizują algorytmy Machine Learning w przypadku zdjęć obrazujących szkody komunikacyjne?
Rozpoznają one nie tylko rodzaj szkody, ale także markę, model i rocznik samochodu. Dziś trafność ich wskazań przekracza 90%. Jeżeli algorytmy nie są pewne to kierują sprawę do osoby, która dokonuje weryfikacji. Warto pamiętać, że stosowany przez nas algorytm, musi uwzględniać także: różne kąty, pod którymi pracownik warsztatu lub rzeczoznawca PZU zrobił zdjęcie, różnego rodzaju oświetlenie, kolory karoserii, a najlepiej, gdyby uwzględniał także różne otoczenie. Jest to ważne, bo przecież nie ma jednego, określonego miejsca, w którym przeprowadza się ocenę szkody.
Jak długo pracowali Państwo nad algorytmem, który spełniłby wszystkie, stawiane przed nim przez Państwa wymogi?
W zakresie rozpoznawania marki i modelu samochodu sześć miesięcy poświęciliśmy tylko na to, aby mógł trafić do użycia. Cały czas jednak algorytm ten uczy się, dzięki czemu jego jakość systematycznie się poprawia.
Dzięki analizie zdjęć chcemy także wyeliminować inne nadużycia. Będziemy sprawdzać m.in. czy ten sam uszkodzony element samochodu lub motoru nie pojawia się w innych wnioskach o odszkodowanie. Warto podkreślić, że mówimy o analizie kilkuset tysięcy szkód rocznie!
Wykorzystujemy tzw. Supervised Machine Learning do analizy setek tysięcy zdjęć szkód komunikacyjnych nadsyłanych do nas przez warsztaty i rzeczoznawców PZU. Dzięki temu łatwiej możemy ocenić, czy np. dany element samochodu, który został uszkodzony, można naprawić, czy też należy go wymienić. Warsztaty często wolą to drugie rozwiązanie, bo – z ich punktu widzenia – jest dużo łatwiejsze w realizacji, zwłaszcza jeśli mówimy o uszkodzeniach karoserii. Jednocześnie jednak jest ono dużo droższe. Wdrożone przez nas algorytmy są już w pełni funkcjonalne i przynoszą konkretne oszczędności czasu i pieniędzy. Szacujemy, że w ciągu pierwszego roku funkcjonowania tego rozwiązania zaoszczędziliśmy kilka milionów złotych.
Jakie są jeszcze – poza oszczędnościami finansowymi – korzyści z wdrożenia rozwiązań opartych o algorytmy Machine Learning?
Trzeba pamiętać, że nie chcemy wykorzystywać Machine Learning do zastępowania ludzi, lecz do pomagania im. Zwiększają one bowiem efektywność naszych pracowników. Przykładowo osoby odpowiedzialne za obsługę szkód w zakresie rozliczeń z warsztatami zamiast 20-30 spraw do rozpoznania każdego dnia, dzięki algorytmom sztucznej inteligencji dostają ich 10-15, ale za to te, które wymagają ich zaangażowania i wiedzy eksperckiej. Lepiej wykorzystują swój cenny czas i mogą się skupić na analizie eksperckiej. Pozostałe szkody są automatycznie kwalifikowane jako nie wymagające interwencji człowieka lub wymagające ograniczonej ingerencji. Bez tego typu rozwiązań nie bylibyśmy w ogóle w stanie wychwycić niektórych prób oszustw.
Wsparcie narzędzi takich jak algorytmy sztucznej inteligencji jest ważne także dlatego, że w sposób logarytmiczny przybywa naszym pracownikom obowiązków. W ostatnich latach w sektorze ubezpieczeniowym znacząco zmieniła się liczba interakcji z klientami – podobnie, jak kilka lat temu dokonało się to w bankowości internetowej i mobilnej. Poza nowymi zadaniami pojawiają się też kolejne aspekty, które należy uwzględniać w prowadzonej działalności, np. dotyczące cyber zagrożeń. Musimy też dostosowywać się do zmieniającego się podejścia do tematów regulacyjnych. Ogromną ilość pracy generują np. takie zmiany w prawie, jak RODO czy Dyrektywa D. Algorytmy i idąca za tym automatyzacja pomagają uwolnić zasoby na potrzeby nowych, nakładanych na ubezpieczycieli zadań.
W jakich przypadkach mogą zostać zastosowane i jakie są główne wyzwania związane z wdrożeniem algorytmów Machine Learning?
Zastosować je można wszędzie tam, gdzie mamy do czynienia z dużymi zbiorami danych. Wyzwaniem zaś jest to, na jakich danych zastosować Machine Learning. Wykorzystywane przez nas dane muszą zostać wcześniej oczyszczone i zagregowane. W przypadku firmy o 200-letniej tradycji jest to nie lada zadanie.
Czy są jakieś gotowe narzędzia do czyszczenia i agregowania danych?
To bardzo złożona kwestia, bo takie narzędzia są, przynajmniej na poziomie deklaracji. Jednak wchodząc w szczegóły zwykle wymagają one daleko idącego dostosowania do indywidualnych potrzeb.
W kontekście tzw. sztucznej inteligencji dużo mówi się także o automatyzacji niektórych, powtarzalnych zadań dzięki narzędziom typu Robotic Process Automation…
W PZU także stosujemy roboty RPA. Mamy ich łącznie kilkadziesiąt. Osiągane dzięki ich zastosowaniu oszczędności szacowane są na kilka milionów złotych rocznie. Wykorzystujemy je w dwóch ujęciach. Z jednej strony uwalniamy pracowników od banalnych i powtarzalnych czynności manualnych. Z drugiej zaś „czyścimy” wewnętrzne procesy zamieniając funkcję „to zależy” na „jeśli”.
RPA doskonale także upraszcza integrację pomiędzy aplikacjami, zastępując powszechnie stosowane dziś Rest API. API ma sens, gdy mówimy o dużych wolumenach transakcji i gdy nie istnieje gotowy front-end klienta. W przeciwnym razie dużo lepsze efekty daje zastosowanie Robotic Process Automation. Dodatkowo daje to dużą oszczędność kosztów na poziomie deweloperskim.
Nie chcemy wykorzystywać Machine Learning do zastępowania ludzi, lecz do pomagania im. Zwiększają one bowiem efektywność naszych pracowników. Przykładowo osoby odpowiedzialne za obsługę szkód w zakresie rozliczeń z warsztatami zamiast 20-30 spraw do rozpoznania każdego dnia, dzięki algorytmom sztucznej inteligencji dostają ich 10-15, ale za to te, które wymagają ich zaangażowania i wiedzy eksperckiej. Lepiej wykorzystują swój cenny czas i mogą się skupić na analizie eksperckiej. Pozostałe szkody są automatycznie kwalifikowane jako nie wymagające interwencji człowieka lub wymagające ograniczonej ingerencji. Bez tego typu rozwiązań nie bylibyśmy w ogóle w stanie wychwycić niektórych prób oszustw.
Co jest największym wyzwaniem dla menedżerów w związku z coraz powszechniejszym stosowaniem w organizacjach algorytmów czy robotów RPA?
Wyzwaniem jest nauczenie ludzi i organizacji tego, jak mogą się przekwalifikowywać. Musimy odpowiedzieć sobie na pytanie co zrobić, aby jednocześnie transformować organizację i pracujących w niej ludzi. A proces ten będzie przyspieszał. Przyspiesza bowiem cykl pojawiania się nowych obszarów działalności człowieka. My jeszcze nie, ale nasze dzieci z pewnością co najmniej raz w swoim życiu zmienią zawód. Jest to jednak wyzwanie nie tylko dla pracowników, ale i całej organizacji.
Warto też pamiętać, że – odmieniana dziś na wszelkie sposoby – cyfrowa transformacja to nie wdrożenie nowych technologii i stworzenie dedykowanego temu procesowi działu. Jest to przede wszystkim zmiana kultury pracy w całej organizacji. W związku z tym trzeba zachęcać pracowników do uczenia się nowych rzeczy i wychodzenia przed szereg. Niestety większość z nas nie lubi zmian, co sprawia, że ciężko jest te rzeczy pogodzić…
Czy narzędzia, które wdrażacie pomagają w transformowaniu zarówno organizacji, jak i pracujących w niej osób?
Bardzo pomagają w tym np. roboty RPA. Oczywiście w pierwszym etapie stykamy się z oporem przed robotyzacją. Później jednak okazuje się, że dzięki temu pracownicy „oddają” im 50-60% najbardziej mozolnych, uciążliwych prac. Mają tym samym więcej czasu na rzeczy „interesujące”, na kontakt z klientem, a wtedy praca daje im znacznie więcej satysfakcji. W efekcie po wdrożeniu Robotic Process Automation u pracowników pojawiają się kolejne pomysły na wykorzystanie robotów.
Jakie są dziś najbardziej innowacyjne zastosowania sztucznej inteligencji w sektorze ubezpieczeniowym?
Jest mnóstwo takich projektów. Część z nich analizujemy. Sami także testujemy nowe pomysły. Przykładowo wspólnie z jednym z czołowych polskich startupów stworzyliśmy Proof of Concept wykorzystujący „opaski życia” na Szpitalnym Oddziale Ratunkowym w Siedlcach. Monitorują one funkcje życiowe – puls i saturację – przyjmowanych na SOR pacjentów. Opaska alarmuje personel medyczny w przypadku słabnięcia funkcji życiowych. Zaproponowane przez nas rozwiązanie pomaga także zarządzać SOR. Zaangażowaliśmy się w ten projekt, ponieważ oferujemy szpitalom m.in. ubezpieczenia od tzw. błędów medycznych. Opaski życia pomagają nam mitygować ewentualne ryzyka i ograniczają ewentualne „wypadki”. Pilotaż projektu prowadzimy od kilku tygodni w Szpitalu Wojewódzkim w Siedlcach. Obecnie jesteśmy na etapie skalowania algorytmu.
Czy kiedyś algorytmy będą analizowały na bieżąco np. nasze dane medyczne na potrzeby oceny ryzyka ubezpieczenia?
W ubezpieczeniach na życie de facto to już się dzieje. Zanim podpiszemy umowę ubezpieczenia musimy się przebadać. Firmy ubezpieczeniowe powoli zaczynają korzystać również z danych ze smartwatchy (choć nie ma jeszcze produktów, które by uzależniały wysokość składki od spływających z nich informacji). Nie wyobrażam sobie jednak sytuacji, w której w przyszłości dane o zdrowiu nie będą wpływać na wysokość opłat za ubezpieczenie. Tym bardziej, że dzieje się to już w innych kategoriach ubezpieczeń. Wysokość policy OC może być np. uzależniona od naszego stylu jazdy samochodem. Z kolei ubezpieczając nieruchomość sprawdzamy, gdzie jest ona położona i jakie są statystyki policyjne w danej okolicy. To wszystko wpływa na wysokość płaconej składki.
Zakładam, że w przyszłości sami będziemy chętnie udostępniać dane medyczne z inteligentnych zegarków. Dzięki temu będziemy mogli pokazać, że dbamy o zdrowie, co obniży płaconą przez nas co roku składkę za ochronę ubezpieczeniową. Pytaniem jest, czy jednocześnie będziemy w stanie odpowiednio zarządzać i kontrolować dostęp do tych danych. Trudno jednak – także w dzisiejszym świecie – w pełni chronić dane na swój temat. Tym bardziej, że np. Google potrafi przyporządkowywać naszą pozycję do unikalnego adresu IP każdej sieci WiFi, do której nasz smartphone się mimowolnie loguje i to pomimo wyłączonej przez nas celowo geolokalizacji. W Chinach z kolei nie ma żadnej kontroli nad danymi osobowymi zbieranymi z urządzeń elektronicznych. W Shenzhen policjanci są np. wyposażeni w urządzenia Google Glass. Na bieżąco więc otrzymują dokładne dane na temat wszystkich mieszkańców, w tym ich tzw. rankingu społecznego.
Tak czy inaczej zastosowania algorytmów sztucznej inteligencji nie zatrzymamy. Machine Learning pozwala nam bowiem być bardziej skutecznym w analizie ryzyka, budowie oferty, analizie predykcyjnej. Dzięki nim analizujemy informacje o potrzebach klienta, jego majątku i o nim samym. Na tej podstawie budujemy nową ofertę. Trzeba oczywiście pamiętać, aby robić to w jak najbardziej etyczny sposób. Jednak im więcej zastosowań Artificial Intelligence, tym więcej potencjalnych problemów do rozwiązania. Przykładowo musimy odpowiedzieć na pytania, kto będzie winny ewentualnemu wypadkowi autonomicznego samochodu – kierowca, jego producent czy twórca sterującego nim algorytmu. Kto będzie właścicielem namalowanego przez „sztuczną inteligencję” obrazu? Algorytm czy jego twórca? To całkiem realny problem, jeśli weźmiemy pod uwagę fakt, że w Arabii Saudyjskiej mamy już robota z własnym obywatelstwem…
