Από την τηλεματική μέχρι τα μοντέλα βαθμολόγησης με τεχνητή νοημοσύνη. Είναι το μέλλον της τιμολόγησης ή ένας νέος ασφαλιστικός πονοκέφαλος;
Δύο οδηγοί, ίδιο αυτοκίνητο, ίδια ηλικία, ίδια περιοχή κατοικίας και κανένα ατύχημα τα τελευταία χρόνια. Για ένα παραδοσιακό μοντέλο τιμολόγησης μπορεί να αποτελούν σχεδόν τον ίδιο κίνδυνο.
Τι γίνεται όμως αν ο ένας φρενάρει συχνά απότομα, οδηγεί συστηματικά μετά τα μεσάνυχτα και διανύει πολύ περισσότερα χιλιόμετρα, ενώ ο δεύτερος κινείται κυρίως την ημέρα, με σταθερή και πρωτίστως ασφαλή οδηγική συμπεριφορά;
Η τηλεματική επιτρέπει ήδη στις ασφαλιστικές να διακρίνουν τέτοιες διαφορές και η τεχνητή νοημοσύνη να επεξεργαστεί μεγάλο όγκο δεδομένων και να αναζητήσει μοτίβα που συνδέονται με την πιθανότητα μιας μελλοντικής ζημιάς.
Από το «ποιος είσαι» στο «πώς οδηγείς»
Η παραδοσιακή τιμολόγηση χρησιμοποιεί χαρακτηριστικά και ιστορικά δεδομένα που έχουν αποδεδειγμένη σχέση με τον ασφαλιστικό κίνδυνο. Με την τηλεματική, όμως, προστίθεται ένας διαφορετικός τύπος πληροφορίας: η πραγματική χρήση του αυτοκινήτου.
Χιλιόμετρα, ώρες μετακίνησης, επιταχύνσεις, απότομα φρεναρίσματα και άλλα δεδομένα μπορούν, ανάλογα με το σύστημα, να τροφοδοτήσουν ένα μοντέλο αξιολόγησης.
Η τεχνητή νοημοσύνη δεν χρειάζεται να αποφασίσει ότι κάποιος είναι «καλός» ή «κακός» οδηγός. Αυτός άλλωστε θα ήταν ένας παραπλανητικός χαρακτηρισμός. Αυτό που μπορεί να κάνει είναι να εκτιμήσει ότι συγκεκριμένα μοτίβα συμπεριφοράς συνδέονται στα δεδομένα εκπαίδευσης με υψηλότερη ή χαμηλότερη πιθανότητα ζημιάς. Και αυτός ο διαχωρισμός έχει σημασία.
Ένα risk score δεν είναι η απόλυτη αλήθεια
Εδώ βρίσκεται ίσως η μεγαλύτερη παγίδα. Ένα μοντέλο μπορεί να διαπιστώσει ότι η νυχτερινή οδήγηση συσχετίζεται με υψηλότερο κίνδυνο. Δεν γνωρίζει όμως από μόνο του γιατί κάποιος οδηγεί τη νύχτα.
Μπορεί να είναι ένας οδηγός που επιστρέφει συστηματικά από διασκέδαση. Μπορεί όμως να είναι γιατρός, νοσηλευτής, εργαζόμενος σε βάρδιες ή επαγγελματίας οδηγός.
Η EIOPA έχει επισημάνει ακριβώς αυτή την πρόκληση πως η μεγαλύτερη ακρίβεια στην εξατομίκευση μπορεί να επιβραβεύσει έναν οδηγό χαμηλότερου κινδύνου, αλλά μπορεί επίσης να οδηγήσει σε ακριβότερη ή δυσκολότερη πρόσβαση στην ασφάλιση για άλλους που ίσως να μην είναι τόσο επικίνδυνοι.
Το AI επομένως μπορεί να εντοπίσει μια στατιστική σχέση. Ο ασφαλιστής πρέπει να αποφασίσει αν αυτή η σχέση είναι αναλογιστικά ισχυρή, δίκαιη και κατάλληλη για χρήση στην τιμολόγηση.
Και αν ο αλγόριθμος κάνει λάθος;
Ένας underwriter μπορεί να εξηγήσει γιατί συγκεκριμένοι παράγοντες επηρέασαν μια απόφαση. Όσο όμως τα μοντέλα γίνονται πιο σύνθετα, η σχέση ανάμεσα στα δεδομένα εισόδου και στο τελικό αποτέλεσμα μπορεί να γίνεται δυσκολότερη να ερμηνευθεί. Για μια ασφαλιστική εταιρεία, το «έτσι αποφάσισε ο αλγόριθμος» δεν αποτελεί επαρκή απάντηση.
Η EIOPA έχει θέσει την ποιότητα των δεδομένων, τη δικαιοσύνη, την επεξήγηση, την τήρηση αρχείων και την ανθρώπινη εποπτεία στον πυρήνα της υπεύθυνης χρήσης της τεχνητής νοημοσύνης στην ασφάλιση.
Το ζητούμενο δεν είναι μόνο να προβλέπει σωστά ο αλγόριθμος, αλλά και να μπορεί να εξηγήσει γιατί κατέληξε σε μια συγκεκριμένη εκτίμηση. Γι' αυτό και οι ευρωπαϊκές εποπτικές αρχές δίνουν ιδιαίτερη έμφαση στη διαφάνεια, στην ποιότητα των δεδομένων και στην ανθρώπινη εποπτεία. Η τεχνητή νοημοσύνη αποτελεί ένα ισχυρό εργαλείο για το underwriting, όχι όμως έναν αυτόνομο «κριτή» που αποφασίζει χωρίς έλεγχο.
Ο αλγόριθμος δεν πρέπει να γίνει ο νέος underwriter
Η τεχνητή νοημοσύνη μπορεί να κάνει την ασφάλιση αυτοκινήτου πολύ πιο σωστή ως προς την εκτίμηση του κινδύνου. Μπορεί να αναγνωρίσει μοτίβα που ένας άνθρωπος δεν θα μπορούσε ποτέ να επεξεργαστεί σε τέτοια κλίμακα και να επιτρέψει πιο εξατομικευμένη τιμολόγηση. Ήδη η χρήση της εξαπλώνεται στην ευρωπαϊκή ασφαλιστική αγορά, από το underwriting και την τιμολόγηση μέχρι τις αποζημιώσεις και την ανίχνευση απάτης.
Αυτό όμως δεν σημαίνει ότι πρέπει να παραδώσουμε στον αλγόριθμο την τελική κρίση για το ποιος είναι «καλός» οδηγός.
Το πραγματικό στοίχημα για τις ασφαλιστικές εταιρείες θα είναι να χρησιμοποιήσουν την τεχνητή νοημοσύνη ως εργαλείο καλύτερης κατανόησης του κινδύνου, χωρίς να μετατρέψουν τον ασφαλισμένο σε ένα αδιαφανές ψηφιακό σκορ.
