Дмитрий Удод, «Ингосстрах»: Роботы трудятся круглосуточно и с постоянным уровнем качества20.12.2024 10:01

Лидерами в освоении цифровых технологий являются компании из сегмента финтеха, к которым относятся, в том числе, банки и страховые компании. У страховщиков есть свои особенности, которые позволяют раскрыть детали современных ИИ-инструментов и их специфику при внедрении. На вопросы CNews отвечает Дмитрий Удод, директор Центра развития искусственного интеллекта компании «Ингосстрах».

CNews: Насколько современный страховой бизнес является data drive?

Дмитрий Удод: Сейчас все больше компаний становятся data-driven, ведь конкуренция обостряется. Уровень подхода компаний я бы разделил на два направления. Первый — это компании, принимающие управленческие и бизнес-решения, исходя из анализа данных. Второй — активное применение ИИ в бизнесе процессов, как для основной деятельности, так и для автоматизации отдельных технических задач в рамках операционной деятельности. В обоих вариантах data driven требует сбора данных, хранения, обработки накопленного, и наконец, обучения сотрудников применению созданных инструментов для бизнес-задач. Второй подход более сложный, требует больше инвестиций как в человеческий капитал, так и в инфраструктуру, но приносит больший эффект за счет точности и скорости принятия решений.

Первопроходцами в использовании ИИ исторически были банки и ИТ-компании. Конкуренция и возможности масштабирования в этом секторе всегда были высоки: банки обладали большой клиентской базой, которая давала данные для анализа и обучения моделей, а также большими ресурсами для развития ИТ. Сейчас «искусственный интеллект» применяют так или иначе, наверное, во всех компаниях и индустриях, причем у всех возрастает уровень его использования.

CNews: Вносит ли ИТ радикальные изменения в вычисления? А как это отражается на течении бизнес-процессов?

Дмитрий Удод: Конечно вносит радикальные изменения как в ресурсы, так и в ИТ архитектуру! Например, применение Deep Learning требует больших вычислительных ресурсов по сравнению с традиционными методами. Более того, использование данного подхода предполагает изменения так же и в вычислительной архитектуре. Например, нужны вычислительные кластеры, которые нужно интегрировать в имеющуюся ИТ-инфраструктуру, чтобы обеспечить требуемую скорость работы со сложными алгоритмами, большими языковыми моделями, с задачами «компьютерного зрения», которое необходимо для распознавания документов, анализа изображений и т.д.

Вычисления становятся сложными и объемными, а сроки обработки, наоборот, сокращаются, в том числе и за счет конкурентов. В современном мире никто не хочет ждать долго —, а иногда и несколько минут оказываются неприлично долгими — пока система выполняет вычисления, нужные для принятия оперативных решений. Что требует больших мощностей, особенно в условиях пиковых нагрузок.

Однако следует отметить, что требования к скорости вычислений в нашем бизнесе, как и в других, бывают разными. Далеко не всегда результат действительно нужен быстро, то есть не все задачи требуют высокой вычислительной мощности. Некоторые расчеты без проблем можно запланировать заранее, перенести на ночное время и т.д. Пример из области ИИ — обработка изображений или документов. Например, анализ отчетов проведенных проверок или документов, которые приходят к нам от госорганов и которые ИИ должен классифицировать и распознать в них нужную информацию, можно делать без спешки, перенося соответствующие нагрузки на ночное время, когда не бывает пикового потребления вычислительных ресурсов другими процессами.

CNews: Как меняет ИИ рельеф вычислений, нужных современному страховому бизнесу?

Дмитрий Удод: Мы постоянно оптимизируем свою ИТ-инфраструктуру. Все зависит от процессов, для которых соответствующая инфраструктура нам нужна. У нас есть приватные «облака», по необходимости мы арендуем ресурсы у публичных провайдеров. При выборе мы должны учитывать как технические факторы, так и дополнительные ограничения, например, связанные с безопасностью, требованиями законодательства и т.д.

Очевидно, что контур, построенный на собственном «железе», будет безопасней. При этом часть вычислений — не содержащих персональной информации наших клиентов — вполне можно передать во внешние «облака» и это будет экономически выгодно. Тем не менее, наши специалисты недавно провели анализ и выяснили, что удешевление, в плане вычислительных мощностей, при этом оказывается не критичное, но поддержка инфраструктуры, резервирование мощностей для непредвиденных ситуаций и прочее вносят свой вклад в увеличение расходов. В целом ситуация чем-то похожа на каршеринг: своя машина лучше, надежнее, приятнее, но иногда бывает удобней воспользоваться арендованной, а это зависит уже от количества поездок и других параметров. Но в случае с серверами все еще более выражено: в анализе удобства каршеринга мы анализируем историю с одной машиной (и возможностью воспользоваться такси), а в случае с вычислительными нагрузками — с десятками, а то и сотнями процессов, которые имеют свои особенности, как в вопросе загрузки, пиковой загрузки, так и другими законодательными или бизнес ограничениями.

В реальных условиях «облака» важны тем, что позволяют масштабировать вычислительные ресурсы: быстро нарастить их, когда необходимо, и, наоборот, так же быстро отказаться от избыточных. Иногда мы арендуем ресурсы, иногда используем свое «железо», на выбор оптимального решения влияет большое количество вводных.

CNews: Используют ли страховые компании возможности ИИ для оптимизации собственных бизнес-процессов?

Дмитрий Удод: Конечно! Использование ИИ дает больше возможностей, в том числе, в операционной деятельности. Например, он позволяет выполнять не выборочную, а полную проверку документов или звонков в колл-центрах. Причем одним из ключевых преимуществ являет то, что роботы трудятся круглосуточно и с постоянным уровнем качества.

Мы активно применяем ИИ для многих задач. Например, для транскрибации, распознавания голоса. На основании транскрибации, например, мы анализируем, как сотрудники внешних колл-центров ведут общение с нашими клиентами. Мы проверяем, прошел ли сотрудник в диалоге с обратившимся все пункты, которые являются обязательными и в целом оцениваем качество общения с клиентом — приветствие, проявление эмпатии, корректное завершение разговора, корректное предоставление информации о продукте и т.д. Под каждую подзадачу мы создали отдельную модель, например, одну разработали для поиска слов-паразитов в речи оператора для оценки качества диалога, другие оценивают использование критически важных этапов в коммуникации с клиентами.

CNews: Кто занимается развитием ИИ-инструментов для вашей компании — внутренняя команда, внешние компании?

Дмитрий Удод: Разработкой мы стараемся заниматься сами. Но для решенияспецифических задач привлекаем внешних экспертов, тестирование моделей можем вести совместно с другими компаниями и т.д. В первую очередь все зависит от сложности модели и уровня неопределенности: если потребуется значительное время для решения какой-то задачи, но при этом нет понимания насколько это решение улучшит удобство для клиентов или будет финансово оправдано данное решение.

CNews: Какие технические тренды видите для ускорения/удешевления разработки ИИ-инструментов?

Дмитрий Удод: Путь от постановки задачи до «прода» сильно зависит от ситуации. Мы же работаем на разных рынках: с автострахованием, с сельхозпредприятиями, с медициной и т.д., в каждом направлении есть какая-то уникальная специфика. Даже внутри направления она может присутствовать, что заметно, например, в автостраховании.

При этом большинство схожих задач может быть решено с помощью AutoML, который увеличивает скорость разработки или переобучения моделей. Мы разработали и активно используем AutoML для задач CRM, где нужно реализовывать огромное количество моделей для процессов. В целом процесс автоматизации обучения моделей — тренд, куда идут все лидеры современного рынка. Так же мы сейчас пытаемся использовать AutoML в других процессах.

CNews: Насколько уникальны ИИ-инструменты для страхового бизнеса — можно ли их, например, купить или приходится разрабатывать самостоятельно?

Дмитрий Удод: Все зависит от процессов. Для некоторых задач есть большое количество готовых продуктов, в том числе, специализированных: например, для распознавания текстов или стандартных документов (паспортов, водительских удостоверений и т.д.). Поэтому тут выбор зависит от стоимости разработки и стоимости использования внешнего решения. Учитывая объемы документов, которые проходят через «Ингосстрах», многие модели мы обучаем сами, поэтому что это выгоднее. Примеры, когда имеет смысл использовать готовые решения, я приводил выше.

Специфические модели, которые связаны с оценкой рисков, мы создаем сами. Наш бизнес, в принципе, похож на банковский: прежде, чем взять с клиента деньги, мы должны оценить вероятность наступления страхового события и возможный объем убытков, которые придется компенсировать. Банки же перед тем, как дать клиенту деньги, оценивают вероятность невозврата кредита и возможные суммы потерь. Но даже несмотря на схожесть процессов, все равно существует специфика страхового рынка относительно банковского сектора — объемы данных, частота взаимодействия компании и клиента. В любом случае внутренние решения, обученные на своем портфеле, имеют лучшее качество, чем внешние.

CNews: Какие риски видите от применения ИИ в страховом бизнесе? Есть ли среди них уникальные, которые не встречаются на других вертикальных рынках?

Дмитрий Удод: Я думаю, что уникальных рисков, связанных со страхованием, нет. Конечно, риски существуют, но они стандартны для применения данных технологий и зачастую не являются системными ошибками, а основываются на изменениях риск факторов с течением времени.

В «Ингосстрахе» мы купируем эту проблему следующим образом:

1. Проводим валидацию новых моделей: оцениваем, как меняется качество модели с течением времени и насколько оно стабильно. Смотрим на изменения в распределении риск факторов.
2. Запускаем новые модели в режиме АБ-тестов. Сначала модель работает на части заявок и, если плановые эффективность и стабильность подтверждаются, модель запускается на всем потоке.
3. Проводим мониторинг моделей и признаков, на которых они обучены. Если какая-то модель начинает деградировать, переобучаем ее.

Но любые решения, направленные на снижение риска, имеют и свои издержки: использование АБ-тестов или увеличенные сроков валидации моделей приводят к снижению потенциального фин. эффекта от новой модели, поэтому всегда должен быть компромисс между скрупулезной оценкой моделей и снижением time-to-market.

CNews: Приходилось ли обучать сотрудников взаимодействию с ИИ или для большинства работников ИИ-инструменты работают «под капотом» привычных ИТ-решений и поэтому остаются «невидимыми»?

Дмитрий Удод: Основной заказчик ИИ-инструментов — бизнес. Мы обучаем сотрудников работе с новыми инструментами, но важнее показывать коллегам, что может «искусственный интеллект», а что пока нет, что для ИИ будет тяжелой задачей, которая требует много ресурсов, а что можно реализовать легко и быстро.

Сотрудники могут подумать, что задача слишком тяжелая для ИИ и даже не предложить ее разрабатывать, когда на практике ситуация обратная. Или наоборот: может возникнуть ожидание, что задача легкая, а на практике оказывается, что ресурса на создание нужного для нее ИИ-инструмента придется выделить очень много.

CNews: Откуда берете данные для обучения моделей?

Дмитрий Удод: Как и все — накапливаем, обогащаем. У нас достаточно много данных, у банков, конечно, больше, равно как и возможностей для обогащения. Замечу, что процессы обогащения данных хорошо отработаны, их применение зависит от ожидаемой экономической эффективности для бизнеса.

Например, когда работаем со страхованием физических лиц, то данных для анализа у нас много, поэтому мы можем быстро обучать модели под разные задачи. В случае страхования юридических лиц применение ИИ много сложнее: данных для анализа и для обучения моделей гораздо меньше. Причины объективны: юрлиц, во-первых, сильно меньше по количеству, во-вторых, у них большой «разбег» — от ИП до крупной компании, банка или гиганта нефтегазовой отрасли.

Тут вместо принятия решения на основе анализа данных, которых обычно недостаточно для статистики, ключевую роль играет экспертиза специалиста, ведущего конкретный проект. Кроме профессиональной экспертизы также нужна широта взглядов: понимание происходящего в конкретной отрасли, оценка общих перспектив экономики и т.д.

CNews: Как вы оцениваете соотношение затрат вашей компании на ИТ и на традиционные формы работы занятых в страховой деятельности?

Дмитрий Удод: Пропорцию затрат в нашей деятельности между традиционными процессами и работой с данными назвать сложно, но думаю, что затраты на IT и ИИ — в первую очередь инвестиции в то, что компания будет конкурентоспособной в будущем.

CNews: Возможна ли ситуация, что опыт и инструменты, созданные в страховых компаниях, будут упакованы в продукты и станут доступны для компаний из других областей?

Дмитрий Удод: Действительно, у нас наработана огромная экспертиза. Вывод нашей экспертизы на рынок в той или иной форме, конечно, возможен, но больше теоретически — слишком много нюансов, которые нужно учитывать.

Полный текст статьи читайте на CNews