„Forudsig for at forhindre“ forsikringsselskabers rundbordsmøde

Ai er fantastisk, men overtag det ikke vilkårligt!

Der er ingen, der stopper det: AI erobrer verden. Også i forsikringsbranchen bruger mange organisationer AI-værktøjer til at gøre deres arbejde lettere. På POMs rundbordsmøde „Predict to Prevent“ den 18. september på Euromast i Rotterdam dykkede fagfolk fra denne sektor dybere ned i emnet sammen med AI-ekspert Jolanda ter Maten og Berry van der Wal fra Nationale-Nederlanden. En vigtig lektion: Som person skal du altid holde øje med pulsen, når du bruger AI.

Fordi ja, AI er fantastisk, begynder Ter Maten sin historie. Advar derefter straks: „Men du bør ikke bruge det vilkårligt. Først vil du forstå: hvad gør AI faktisk med de data, vi giver den? Og ikke kun af etiske grunde, men også: hvordan lærer systemet baseret på disse data, og hvordan opnår det et bestemt resultat? ChatGPT, for eksempel, er ikke et orakel, hvor sandheden eller det rigtige svar altid kommer ud. Det skal du være opmærksom på.“

AI, maskinlæring og dyb læring

Ter Maten forklarer derefter forskellene mellem AI, maskinlæring og dyb læring. „AI er det større billede og lærer at følge regler baseret på information, som folk giver til værktøjet. Maskinlæring er en del af AI, der lærer at genkende mønstre og fortsætte med at lære baseret på dem. Maskinlæring kommer derfor til konklusioner, som mennesker ikke har lagt i det. Deep learning går et skridt videre og udvikler sine egne strategier.“

Babysitter

Næsten al maskinlæring, som vi bruger i dag, har dyb læring i sig, siger Ter Maten. „Og det er her, vi skal være forsigtige,“ advarer hun igen. „Fordi dette er et punkt, hvor AI kan være meget magtfuld, men også farlig. AI ser mønstre, som vi ikke ser, og udvikler således strategier, der aldrig er faldet op for os. Lad os sige, at du har et komplekst problem, og du giver AI carte blanche til at løse det. Hvad så? Fordi du ikke har nogen idé om, hvilken slags antagelser AI laver. Det er også noget, man skal være opmærksom på.“

Samarbejd med AI

Brugen af AI har konsekvenser for arbejdspladsen, siger Ter Maten. “ Vi er nødt til at arbejde med vores menneskelige kvaliteter med kvaliteterne ved AI. Fordi AI helt sikkert vil overtage opgaver, men andre opgaver vil tage dens plads.“ En vigtig rolle, som Ter Maten ser for mennesker, er at træne AI-systemer. „Som eksperter på vores eget felt spiller vi en vigtig rolle i valget af de data, der skal bruges til at træne AI. Og også at bestemme: baseret på hvilke kriterier skal systemet træffe beslutninger?“

Det skal ikke være en it-fest, siger Ter Maten. “ Den rigtige ting at gøre skal gøres med en så forskelligartet gruppe medarbejdere som muligt. Så også folk, der ser fra et overholdelses- eller etisk synspunkt, for eksempel. Fordi det er netop indholdseksperterne, der er helt afgørende for at forstå, hvad systemet faktisk skal gøre for os.“

Sikre og pålidelige AI-systemer

Et andet vigtigt punkt at holde øje med, når det kommer til brugen af AI, er lovgivning, siger Ter Maten. For at sikre, at AI-systemer er sikre og pålidelige, respekterer borgernes grundlæggende rettigheder og bekæmper forskelsbehandling, har EU oprettet EU-loven om kunstig intelligens. Loven skal sikre risikostyring og etisk brug af data. Med henblik herpå har AI Act defineret fire risikokategorier, fra uacceptabel til begrænset og minimal risiko. Hver kategori har klare forpligtelser og krav til producenter og brugere af AI-systemer.

For eksempel skal et AI-system være gennemsigtigt, forklarer Ter Maten. „Som mennesker skal vi være i stand til at forstå: hvordan kommer systemet frem til en bestemt beslutning eller et bestemt resultat. Fordi vi skal være i stand til at forklare og forklare en kunde, hvorfor du smsede den person klokken otte om aftenen. Du kan sige: „Vi bruger disse data og disse algoritmer,“ men du skal også være i stand til at forklare det.“

Er du nysgerrig efter mulighederne for AI i kreditstyring?

kom naar de sessie van Jolanda ter Maten op Credit Expo

No items found.

Forretningscase

Berry van der Wal: „Overlad alt til maskinen?“

Under mødet fortalte Berry van der Wal, In- & Excasso Particulier-chef for Nationale-Nederlanden, hvordan hans organisation startede maskinlæring for ti år siden. “ Vi fik friheden til at indføre den mest moderne proces. Derfor bad vi POM - derefter kaldet Mail to Pay - om råd. På det tidspunkt arbejdede vi allerede med dem om betalingslinks og iDeal-betalinger. Det skete bare sådan, at de ledte efter en partner til en maskinlæringspilot. Vi blev derefter spurgt, om vi turde give slip på alt - mennesker, processer, organisationen - og overlade indsamlingsprocessen til maskinen.“

Kundefastholdelse

Det var en spændende tid for Berry og hans kolleger. “ Du er vant til selv at have kontrol over inkassoprocessen. Hvis du overleverer det til maskinen, bruger den data og algoritmer til at finde ud af, hvordan og hvornår man bedst henvender sig til kunden for at få den bedste chance for betaling. Det var en helt ny verden for os.“ Resultaterne er enormt positive, siger Berry. „Vi når kunderne hurtigere og indsamler hurtigere. I piloten startede vi med en lille livsforsikringsportefølje. Vi bruger nu maskinlæring til hele kundebasen, omkring 1 million kunder. Antallet af livsforsikringer, som vi er nødt til at opsige på grund af betalingsrestancer, er blevet drastisk reduceret. Så det er bare kundefastholdelse.“

Evolution

At give slip på alle strengene er en ting, ikke at bekymre sig om processen overhovedet er en helt anden ting. Nationale-Nederlanden holder derfor eftertrykkeligt fingeren på pulsen. „Vi følger altid aktivt processen,“ siger Van der Wal. „Grundlæggende som en A/B-test, der kører kontinuerligt. For eksempel har vores maskinlæring en række tekstskabeloner med mindre forskelle, som den kan vælge imellem. Vi vil gerne se, hvilken metode der fungerer bedst.“

Social gældsinddrivelse

På trods af at bestemme den optimale indsamlingstid og kanal for hurtig betaling, er der også en gruppe, der simpelthen ikke kan betale. „Når vi ser, at betaling er vanskelig, henviser vi hurtigt til Geldfit,“ siger Van der Wal. „Og alle output har inkluderet mit teams telefonnummer siden starten af piloten, så kunderne kan ringe til vores afdeling med det samme, hvis betalingen mislykkes. Vi vil gerne hjælpe disse mennesker så hurtigt som muligt.“

Forudsig for at forhindre

Derudover har Nationale-Nederlanden to piloter, der kører med prognosemodeller. “ Vi vil gerne vide, hvilke kunder der kan komme i problemer, selv før de er i restance. Med forebyggende AI forsøger vi at forudsige det, så vi kan henvende os proaktivt til dem, hvis det er nødvendigt.

Debrief

„Ved at give feedback holder vi som mennesker kontrol over AI“

Under debriefingen blev det klart, hvor vigtigt det er at holde øje med AI som person. For eksempel blev det hurtigt konkluderet, at AI ikke tager højde for det uventede, såsom Covid-udbruddet i 2020. „Den kontekst, vi lever i, ændrer sig konstant,“ siger Ter Maten. „Derfor er vi som mennesker nødt til at fortsætte med at fortolke, hvad AI gør, og tilføje nuancer.“

Et andet vigtigt spørgsmål, der kom op: automatisering versus en personlig tilgang. Hvordan finder du balancen i det? Ifølge Ter Maten er det en myte, at AI gør processen mindre menneskelig. “ Faktisk giver AI mulighed for at nærme sig indsamlingsprocessen på en menneskelig måde. Fordi det tager så meget arbejde fra dine hænder. Hvad vi skal gøre som mennesker er at være opmærksomme. Hvad gør systemet? Og give feedback: dette var eller var ikke et godt forslag. På denne måde forbliver vi som mennesker i kontrol over AI og kan bruge det, som vi vil.“