![Geneva Association: Εστιάζοντας στην τεχνητή νοημοσύνη και την ανάληψη κινδύνων Geneva Association: Εστιάζοντας στην τεχνητή νοημοσύνη και την ανάληψη κινδύνων](https://aagora.gr/wp-content/uploads/2023/10/game-kids-1024x576.jpg)
Geneva Association: Εστιάζοντας στην τεχνητή νοημοσύνη και την ανάληψη κινδύνων
*Απόσπασμα από την Έκθεση της Geneva Association, Regulation of Artificial Intelligence in Insurance: Balancing consumer protection and innovation. Αναζητήστε περισσότερα στο τ. Οκτωβρίου της «α.α.».
Η τεχνητή νοημοσύνη μπορεί να επεξεργαστεί και να αναλύσει γρήγορα τεράστιες ποσότητες δεδομένων, επιτρέποντας στους ασφαλιστές να κάνουν πιο ακριβείς και αποτελεσματικές εκτιμήσεις κινδύνου.
Αυτή η ενότητα διερευνά τον μετασχηματιστικό αντίκτυπο της τεχνητής νοημοσύνης στη διαδικασία λήψης αποφάσεων για την ανάληψη ασφαλιστικών κινδύνων. Η χρήση τεχνητής νοημοσύνης στην ανάληψη κινδύνων επηρεάζει σημαντικά τα αποτελέσματα για τους καταναλωτές, οδηγώντας σε ενίσχυση του δημόσιου διαλόγου.
Η διαδικασία ανάληψης κινδύνων και η τεχνητή νοημοσύνη: Τι νέο υπάρχει;
H διαδικασία ανάληψης κινδύνων είναι μια βασική διαδικασία στην ασφάλιση, που περιλαμβάνει την εκτίμηση και τιμολόγηση των κινδύνων που παρουσιάζονται από τους αιτούντες ασφαλιστική κάλυψη1. Οι ασφαλιστές αναλύουν διάφορους παράγοντες που σχετίζονται με τον κίνδυνο που πρόκειται να ασφαλιστεί, όπως το αντικείμενο που πρόκειται να ασφαλιστεί (αυτοκίνητο, σπίτι κ.λπ.), τη θέση του, καθώς και τη φύση του ίδιου του κινδύνου. Χρησιμοποιούνται αναλογιστικές μέθοδοι για την εκτίμηση της πιθανότητας εμφάνισης απαιτήσεων και του δυνητικού μεγέθους των ζημιών2. Με βάση αυτές τις εκτιμήσεις, οι ασφαλιστές καθορίζουν το κατάλληλο ασφάλιστρο για έναν δεδομένο κίνδυνο, διασφαλίζοντας ότι επαρκεί για την κάλυψη πιθανών ζημιών, καθώς και το κόστος κεφαλαίου και εργασιών3.
Η τεχνητή νοημοσύνη μετασχηματίζει τη διαδικασία ανάληψης κινδύνων με διάφορους τρόπους4. Μπορεί να επεξεργαστεί και να αναλύσει γρήγορα τεράστιες ποσότητες δεδομένων, επιτρέποντας στους ασφαλιστές να κάνουν πιο ακριβείς και αποτελεσματικές εκτιμήσεις κινδύνου5. Οι αλγόριθμοι μηχανικής μάθησης μπορούν να εντοπίσουν μοτίβα και συσχετισμούς στα δεδομένα, γεγονός που μπορεί να βοηθήσει στη βελτίωση των παραγόντων αξιολόγησης και της ακρίβειας των μοντέλων τιμολόγησης. Ενώ τα υποκείμενα βασικά στοιχεία της διαδικασίας ανάληψης κινδύνων παραμένουν αμετάβλητα, η τεχνητή νοημοσύνη προκαλεί μια μετατόπιση από την αιτιώδη συνάφεια στη συσχέτιση6.
Όπου υπάρχει αιτιώδης σχέση μεταξύ των μεταβλητών, μια αλλαγή στη μία μεταβλητή είναι υπεύθυνη για τις αλλαγές στην άλλη.
Μια κλασική κατάσταση ανάληψης κινδύνου (χωρίς εμπλοκή τεχνητής νοημοσύνης) είναι αυτή όπου ο ασφαλιστής εκτιμά τη σχέση ανάμεσα στο γεγονός ότι ένα άτομο καπνίζει (αίτιο) και την πιθανότητα το άτομο αυτό να εμφανίσει καρκίνο του πνεύμονα (αιτιατό)7.
Η συσχέτιση, από την άλλη, υποδηλώνει ότι δύο ή περισσότερες μεταβλητές κινούνται μαζί, αλλά ότι δεν υπάρχει αιτιώδης σχέση μεταξύ τους. Ένας ασφαλιστής μπορεί να παρατηρήσει μια συσχέτιση μεταξύ των διατροφικών συνηθειών και της συχνότητας των απαιτήσεων ασφάλισης υγείας ορισμένων πελατών, για παράδειγμα.
Αυτό δεν σημαίνει, ωστόσο, ότι η κακή διατροφή είναι η άμεση αιτία όλων των ζητημάτων υγείας που οδηγούν στις απαιτήσεις αυτές8.
Οι παραδοσιακές πρακτικές ανάληψης κινδύνων βασίζονται στη δημιουργία αιτιωδών σχέσεων. Το παραπάνω παράδειγμα δείχνει ότι ο τρόπος ζωής κάποιου, στην προκειμένη περίπτωση το κάπνισμα, μπορεί να αυξήσει την πιθανότητα καρκίνου του πνεύμονα που, με τη σειρά του, επηρεάζει το ασφάλιστρο. Οι ασφαλιστές χρησιμοποιούν τη γνώση αυτών των αιτιωδών παραγόντων για την εκτίμηση του κινδύνου και τον προσδιορισμό των ασφαλίστρων.
Η τεχνητή νοημοσύνη είναι πολύ αποτελεσματική στην εύρεση συσχετίσεων, ιδιαίτερα σε μεγάλα σύνολα δεδομένων, που είναι πολύ περίπλοκα για να αναλυθούν από τους ανθρώπους. Ενώ μπορεί να μην υπάρχει αιτιώδης σχέση μεταξύ των συσχετίσεων που βρέθηκαν, η προγνωστική τους αξία είναι ακριβής και ισχυρή. Η διαδικασία ανάληψης κινδύνων με βάση την τεχνητή νοημοσύνη μπορεί με αυτόν τον τρόπο να λαμβάνει υπόψη περισσότερες μεταβλητές και τις πολύπλοκες αλληλεπιδράσεις μεταξύ τους9.
Είναι σημαντικό να αναγνωριστεί η διάκριση μεταξύ αιτιότητας και συσχέτισης, καθώς και οι δύο έχουν οφέλη και περιορισμούς. Η εξάρτηση στη συσχέτιση χωρίς ένα κατάλληλο σύστημα ελέγχων και ισορροπιών μπορεί να οδηγήσει σε ψευδείς σχέσεις, αλλά οι μέθοδοι που βασίζονται μόνο στην αιτιώδη συνάφεια δεν αξιοποιούν τις προγνωστικές πληροφορίες που μπορούν να παρέχουν τα δεδομένα.
Τα περισσότερα ρυθμιστικά πλαίσια, ιδιαίτερα στους τομείς της τιμολόγησης με βάση τη συμπεριφορά και τον κίνδυνο, αναπτύσσονται γύρω από την αιτιώδη συνάφεια, επιτρέποντας στις ασφαλιστικές εταιρείες να προσαρμόζουν τα ασφάλιστρα με βάση παράγοντες που αποδεδειγμένα αυξάνουν τον κίνδυνο εμφάνισης του ασφαλισμένου γεγονότος. Ως εκ τούτου, η υφιστάμενη κανονιστική ρύθμιση της ασφάλισης περιορίζει τον τρόπο με τον οποίο οι ασφαλιστικές εταιρείες μπορούν να χρησιμοποιήσουν την τεχνητή νοημοσύνη σε πιο περίπλοκες καταστάσεις. Ενώ η τεχνητή νοημοσύνη μπορεί να εφαρμοστεί στην αυτοματοποιημένη ανάληψη κινδύνων για πιο τυποποιημένες μορφές κάλυψης, οι συνεντεύξεις με εμπειρογνώμονες της ασφάλισης αποκάλυψαν ότι η ανθρώπινη κρίση, η εμπειρογνωμοσύνη και η εμπειρία εξακολουθούν να είναι απαραίτητες για την αξιολόγηση των αποτελεσμάτων των αποφάσεων της τεχνητής νοημοσύνης, ιδίως για τον εντοπισμό ψευδών σχέσεων και τη διασφάλιση της συμμόρφωσης με την ισχύουσα νομοθεσία.
Αλλαγές στη λήψη αποφάσεων: Τεχνητή νοημοσύνη έναντι ανθρώπων
Ενώ δεν θα πρέπει να έχει σημασία αν οι αποφάσεις των ασφαλιστικών εταιρειών λαμβάνονται από ανθρώπους ή από συστήματα τεχνητής νοημοσύνης, είναι σημαντικό να αναγνωριστεί ότι οι άνθρωποι και οι μηχανές έχουν διαφορετικές προσεγγίσεις στη λήψη αποφάσεων10, με τα αντίστοιχα πλεονεκτήματα και αδυναμίες. Η κατανόηση αυτών των διαφορών είναι σημαντική για τον μετριασμό των κινδύνων που σχετίζονται με την τεχνητή νοημοσύνη στην ανάληψη κινδύνων. Οι άνθρωποι διαθέτουν δεξιότητες συλλογισμού και κρίσης, που τους επιτρέπουν να χειρίζονται με ακρίβεια μια ποικιλία καταστάσεων. Οι μηχανές στερούνται εγγενούς ηθικής κρίσης και αποδίδουν καλά σε ένα περιορισμένο (αλλά διευρυνόμενο) σύνολο προκαθορισμένων τομέων. Οι άνθρωποι είναι επιρρεπείς σε γνωστικές προκαταλήψεις, συναισθήματα, κόπωση και προσωπικό ενδιαφέρον. Αντίθετα, οι μηχανές ακολουθούν αυστηρά τις οδηγίες, μπορούν να επαναπρογραμματιστούν11 και δεν υποφέρουν από εξάντληση.
Αυτά τα διαφορετικά χαρακτηριστικά σημαίνουν ότι η αυτοματοποιημένη και η ανθρώπινη λήψη αποφάσεων υπόκεινται σε διαφορετικούς τύπους αστοχιών. Ως εκ τούτου, υπάρχουν ανησυχίες ότι η διακυβέρνηση, οι αρχές και οι κατευθυντήριες γραμμές που ισχύουν σήμερα μπορεί να αποδειχθούν ανεπαρκείς σε ένα πλαίσιο αυτοματοποιημένων αποφάσεων12.
Έρευνες δείχνουν ότι η λήψη αποφάσεων με βάση την τεχνητή νοημοσύνη έχει αντίκτυπο στα συστήματα εξουσίας και ελέγχου ενός οργανισμού, ως εκ τούτου, στη διακυβέρνησή του13. Σε μια παραδοσιακή ανθρώπινη ιεραρχία, το διοικητικό συμβούλιο καθορίζει τη συνολική στρατηγική ενός οργανισμού, η οποία μεταφράζεται σε επιχειρηματικούς στόχους και πολιτικές από τη Διοίκηση. Αυτές στη συνέχεια ανατίθενται στην ομάδα της πρώτης γραμμής. Η ενσωμάτωση της λήψης αποφάσεων βάσει τεχνητής νοημοσύνης αλλάζει τη ροή της εξουσίας, καθώς η ομάδα της πρώτης γραμμής περιλαμβάνει πλέον προγραμματιστές τεχνητής νοημοσύνης και μηχανές που λαμβάνουν αυτοματοποιημένες αποφάσεις. Οι υφιστάμενες ανθρώπινες δομές ελέγχου μπορεί να δημιουργήσουν κενά ελέγχου, καθώς η διοίκηση μπορεί να δυσκολευτεί να καθορίσει επαρκώς λεπτομερείς στόχους τεχνητής νοημοσύνης. Επιπλέον, μπορεί να προκύψουν αποκλίσεις μεταξύ στόχων και προγραμματιστών, ιδίως εάν οι προγραμματιστές δεν είναι εξοικειωμένοι με το αντικείμενο δραστηριότητας. Αυτό σημαίνει ότι ενδέχεται να χρειαστούν τροποποιήσεις στη διακυβέρνηση, για να γεφυρωθούν τα κενά στην παρακολούθηση και τον έλεγχο και για την καταγραφή πτυχών της λήψης αποφάσεων τεχνητής νοημοσύνης που διαφέρουν από τις ανθρώπινες (οργανωτικές) ροές λήψης αποφάσεων. Αυτό θα μπορούσε να περιλαμβάνει μια επιτροπή εποπτείας της τεχνητής νοημοσύνης και αλγοριθμικούς καταλόγους, οι οποίοι παρακολουθούν πώς χρησιμοποιείται η τεχνητή νοημοσύνη και πώς αλλάζουν οι αλγόριθμοι με την πάροδο του χρόνου. Αυτή η τήρηση αρχείου θα επέτρεπε μεγαλύτερη διαφάνεια και θα διευκόλυνε την αξιολόγηση των αποτελεσμάτων των αποφάσεων που λαμβάνονται από την τεχνητή νοημοσύνη, όπως ο έλεγχος για μεροληψία στην ανάληψη κινδύνων.
Λαμβάνοντας υπόψη τον αντίκτυπο που έχει η τεχνητή νοημοσύνη στη διαδικασία λήψης αποφάσεων του οργανισμού, θα πρέπει να εξεταστούν και υβριδικά μοντέλα, όπου συνεργάζονται η τεχνητή νοημοσύνη και οι άνθρωποι. Σε ένα πλαίσιο ανάληψης κινδύνων, μια τέτοια προσέγγιση θα μπορούσε να αξιοποιεί την αποτελεσματικότητα της τεχνητής νοημοσύνης στον χειρισμό πιο συνηθισμένων περιπτώσεων, αλλά να επισημαίνει «εξαιρέσεις» για ανασκόπηση από τον άνθρωπο, όπως περιπτώσεις όπου το σύστημα προτείνει ασυνήθιστα υψηλά ασφάλιστρα ή όπου οι αιτήσεις απορρίπτονται. Οι ροές διακυβέρνησης και εξουσίας μπορούν να προσαρμόζονται, έτσι ώστε οι επισημασμένες περιπτώσεις να παραπέμπονται σε ασφαλιστές. Μια προσέγγιση που βρίσκει μια ισορροπία μεταξύ της χρήσης ανθρώπινων δεξιοτήτων και ικανοτήτων τεχνητής νοημοσύνης θα μπορούσε να γεφυρώσει το χάσμα μηχανής-ανθρώπου, διατηρώντας τον έλεγχο και τη διαφάνεια.
![Geneva Association: Εστιάζοντας στην τεχνητή νοημοσύνη και την ανάληψη κινδύνων Geneva Association: Εστιάζοντας στην τεχνητή νοημοσύνη και την ανάληψη κινδύνων](https://aagora.gr/wp-content/uploads/2023/10/sxima1A.jpg)
Διαβάστε επίσης: Geneva Association: Τα οφέλη της τεχνητής νοημοσύνης στην ασφάλιση
1) Cummins and Doherty 2006.
2) Institute and Faculty of Actuaries 2017.
3) Όπ.π.
4) Balasubramanian 2021.
5) Guelman 2015.
6) Thompson 2022.
7) American Academy of Actuaries 2022.
8) Όπ.π.
9) Piesse 2023.
10) Kelley et al. 2022.
11) Ευρωπαϊκό Κοινοβούλιο 2022α.
12) Gradient Institute 2022.
13) Όπ.π.
Ακολουθήστε την ασφαλιστική αγορά στο Google News