Estamos analizando la manera en
que la inteligencia Artificial (IA)
está cambiando la forma de
hacer seguros en la actualidad.
El potencial de la IA es su capacidad
de procesar grandes volúmenes
de datos y automatizar tareas
repetitivas que no agregan valor.
Escribe Aníbal Cejas
En nuestra edición anterior, revelamos cómo las encuestas realizadas a ejecutivos de aseguradoras indican que cada vez las entidades intentan hacer un mejor uso de sus datos para la toma de decisiones.
La IA en seguros se aplica en varios procesos del negocio como la comercialización, la atención al cliente, y también en procesos de predicción de fraudes (un ejemplo es la reciente alianza entre Sistran y FRISS a tales efectos).
Además, permite incrementar la eficiencia de los procesos vinculados a los reclamos de los asegurados (denuncias, pagos) y a la suscripción.
Ya vimos diferentes casos en los que ya se aplica la IA en el seguro y en cuáles procesos puede integrarse.
Su mayor valor consiste en el procesamiento de volúmenes de información tan grandes que el costo de procesamiento de los mismos por humanos sea demasiado alto y lo transforme en antieconómico.
Algunas compañías están utilizando algoritmos para identificar denuncias de siniestros con alta probabilidad de ser fraudulentos. Inicialmente, esta tecnología se aplicó para los siniestros del ramo Automotores, pero ya están comenzando a ser aplicados también en el caso de seguros del Hogar, Combinados, y hasta en Granizo.
La IA también se está aplicando para generar políticas de ‘pricing’.
En el caso de la atención al cliente, la aplicación más usual de la IA son los agentes virtuales o bots, que responden 24×7. Un estadio avanzado de esta interacción, al menos hasta ahora, consiste en la posibilidad de que el bot pueda identificar al cliente, que conozca cuáles son los productos contratados por él, la situación de sus reclamos y toda otra información que le permite brindar una verdadera atención de calidad al usuario.
Ahora veremos cómo es el entrenamiento de las máquinas para que aprendan, y cómo esta tecnología puede mejorar la experiencia del cliente, de la mano de Guillermo Nanni, CTO (Chief Technology Officer) de Sistran; Juan Mazzini, Analista Senior de Celent; Pablo Blanco, Gerente Senior de Sistemas y Tecnología Informática, y Matías Sanders, del Laboratorio de Innovación Tecnológica, ambos de Experta Seguros; Ary Baptista, Gerente de Sistemas de Seguros Patrimoniales y ART de Swiss Medical Seguros; y Nicolás Renzi, Líder de Transformación Digital del Grupo San Cristóbal.
¿Cómo se entrena a las máquinas para que aprendan?
Para conocer un poco más sobre cómo se desarrolla el conocimiento de la inteligencia artificial, Guillermo Nanni explicó:
«La IA es la simulación de los procesos de la inteligencia humana mediante máquinas, especialmente sistemas informáticos. Esta IA debe aprender para otorgar resultados ciertos y el componente clave del aprendizaje son las predicciones y los modelos que hacen predicciones. Lo llamamos aprendizaje automático, ya que brindamos los datos para que estos modelos y/o algoritmos se puedan ajustar, ‘aprender’, automáticamente. Es decir, puedan encontrar los valores de sus parámetros que hagan confiable sus predicciones o solucione los problemas. Para esto, se necesita seguir un proceso sistemático. Este proceso podemos resumirlo en los siguientes pasos:
1. Definir el problema.
2. Preparar los datos sobre los que se entrenará el modelo.
3. Identificar y aplicar el modelo.
4. Verificar y mejorar resultado mediante datos de prueba.
5. Presentar resultados.
Es decir, que los datos son la verdad definitiva, la única fuente de conocimiento sobre el medio ambiente. Al descubrir patrones en los datos y la salida, entrenamos nuestra máquina para aprender ideas, que es la base de la inteligencia artificial».
Además, Nicolás Renzi agregó: «Los modelos de IA se entrenan, en su gran mayoría, utilizando información y bases de datos ya existentes. Por ejemplo, el sistema de Interpretación de Imágenes se entrenó ‘mostrándole’ fotos de nuestras bases de datos, con distintos niveles de daño y dejando que el algoritmo de IA aprenda de la experiencia pasada. Adicionalmente, en la medida que sigue procesando información, va mejorando su performance».
Al respecto, Pablo Blanco y Matías Sanders comentaron: «El ‘Machine Learning’ se logra mediante algoritmos. Cada modelo tiene sus pros y sus contras, por lo cual es necesario comprender la naturaleza del proyecto que se encara y en virtud de ello, seleccionar al algoritmo que más se adecue al marco de trabajo».
Los ejecutivos, al igual que Renzi, tomaron como ejemplo el reconocimiento de imágenes, «El entrenamiento es simple: hay que seleccionar el algoritmo deseado y enseñarle aquello que queremos detectar. En el Laboratorio de Innovación de Experta tenemos un algoritmo que permite el reconocimiento de uso de elementos de protección personal mediante el reconocimiento de imágenes de cámaras de seguridad de los clientes. Primero le enseñamos a reconocer un casco, le mostramos más de dos mil imágenes de cómo luce un casco en distintos ángulos y colores. Una vez que el resultado fue positivo en la identificación de un casco, le enseñamos a reconocer el casco en la cabeza de una persona con el mismo proceso. Y luego, testeamos todo el entrenamiento mostrando imágenes con y sin cascos o con cascos por 12 horas seguidas logrando una eficacia del 94% con escasos recursos informáticos. El entrenamiento es replicable a cualquier elemento que se desee reconocer.
En esta línea, en Experta también hemos entrenado un algoritmo de ergonomía que se llama Ergotech que reconoce posturas incorrectas del trabajador que nuestros ergónomos pueden utilizar como complemento de sus evaluaciones de puestos o por ejemplo, el asistente de evacuación que contabiliza personas mediante las cámaras de seguridad y las informa a través de una App para que al evacuar un edificio puedan saber qué cantidad de gente queda aún dentro».
«Si vamos por el campo predictivo, a su vez, en la compañía hemos desarrollado un algoritmo que tomando información histórica de los casos, puede identificar, según las características del siniestro, cuáles terminarán con judicialidad y cuáles no», afirmaron Blanco y Sanders.
En concordancia, Ary Baptista definió esta cuestión de la siguiente manera: «A las máquinas inteligentes se las entrenan con datos, muchos datos, pero no un conjunto arbitrario de ellos, sino datos escogidos especialmente para que sean relevantes. A eso se lo conoce como ‘training data’, es decir, datos de entrenamiento. Los modelos de ‘machine learning’ se parecen, en cierta medida, a los niños. El aprendizaje de un niño se basa en la observación y el ‘feedback’ que recibe del entorno sobre lo que ve. También aprende por prueba y error, pero en el fondo todo se basa en la cantidad de información que recibe y el refuerzo positivo que hace para descartar información irrelevante e incorporar aquello que le funciona.
Para las máquinas, recibir la cantidad suficiente de datos relevantes es crucial para que aprendan. Cuando sucede esto, es posible modelar algoritmos que encuentren relaciones entre datos, que detecten patrones, que ‘entiendan’ problemas complejos o que tomen decisiones, así que la cantidad, la variedad y la calidad de los datos de entrenamiento determinarán el éxito de los modelos de ‘machine learning’».
Después, sobre el entrenamiento de las ‘máquinas’, Juan Mazzini comentó: «La inteligencia artificial (IA) ha pasado a ser la última palabra de moda para referirse a términos como el aprendizaje profundo, las redes neuronales, el aprendizaje automático y big data. Con demasiada frecuencia, estos términos se combinan entre sí y, en general, se entiende que significan lo mismo. La inteligencia artificial es difícil de definir, pero generalmente se entiende que significa un sistema automatizado que puede realizar un trabajo que de otro modo tendría que involucrar a los humanos. Mientras tanto, el aprendizaje automático es el campo en el que la IA aprende a mejorar el rendimiento a través de la experiencia, que está representada por más muestras de datos. Se centra en algoritmos que pueden aprender de los datos sin ser programados explícitamente. El aprendizaje automático se ve como un subcampo dentro de la IA, que en sí mismo se ve comúnmente como parte de la informática en general.
El éxito del aprendizaje de máquina se vio gradualmente en su aplicación más amplia en áreas de IA, como el procesamiento del lenguaje natural y la visión por computadora que han encontrado aplicación en seguros, por ejemplo, en sistemas de siniestros automatizados y chatbots.
El aprendizaje automático se puede dividir en aprendizaje supervisado, no supervisado, semi-supervisado y con refuerzo. El aprendizaje supervisado requiere muestras de datos etiquetados, para que la máquina produzca el mismo tipo de salida que se ve en las etiquetas, mientras que el aprendizaje no supervisado se utiliza para encontrar patrones ocultos en los datos basados en muestras de datos sin etiquetar. El aprendizaje semi-supervisado es un enfoque híbrido que permite la capacitación efectiva de modelos de aprendizaje automático, con muchas muestras de datos sin etiquetar y solo unas pocas muestras de datos etiquetados. El aprendizaje por refuerzo es bastante diferente y tiene como objetivo permitir que la computadora cree un modelo de decisión para decidir la mejor acción posible, a fin de maximizar una recompensa. El aprendizaje por refuerzo permite que los modelos de aprendizaje automático generen los datos de entrenamiento, con los cuales pueden entrenarse ellos mismos. Alphago (https://deepmind.com/research/case-studies/alphago-the-story-so-far) y los vehículos autónomos dependen del aprendizaje por refuerzo.
Hasta ahora, el aprendizaje supervisado ha tenido el mayor impacto en la industria de seguros, tanto para los datos estructurados, que generalmente están en forma de tabla, como para los datos no estructurados, como el texto libre y las imágenes. A medida que los datos subyacentes se vuelven más complejos, se requieren modelos de aprendizaje automático más sofisticados para expresar estas complejidades. Los modelos lineales son los más simples, mientras que los árboles de decisión y los modelos de vecindario son más complejos. Los datos no estructurados son generalmente más complejos que los datos estructurados, por lo que se requieren redes neuronales para crear modelos efectivos.
Las redes neuronales constituyen una clase de modelos de aprendizaje automático formados a partir de unidades neuronales, mientras que el aprendizaje profundo se refiere al aprendizaje automático utilizando redes neuronales que tienen múltiples capas de unidades neuronales.
El aprendizaje automático tiene amplias aplicaciones en suscripción automática, fijación de precios y siniestros. Por ejemplo, los sistemas de siniestros automatizados que utilizan la visión por computadora requieren la construcción de modelos de aprendizaje automático para permitir el reconocimiento de imágenes».
La IA en beneficio de los clientes
Seguidamente analizamos los beneficios que reciben los clientes con la incorporación de la IA dentro de las compañías de seguros. Para Nanni, de Sistran, sin dudas, la IA puede mejorar la experiencia del cliente en el asesoramiento de seguros y la atención al mismo: «Desde la primera interacción, las máquinas tomaron un rol protagónico mediante los ‘chatbots’, llamadas telefónicas o e-mails, determinando qué cobertura es mejor para el cliente, etc. Los consumidores esperan soluciones personalizadas e IA lo hace posible, revisando el perfil del cliente y ofreciéndole recomendaciones de productos de seguros según los criterios establecidos. Los ‘chatbots’ que funcionan con aplicaciones de mensajería, son utilizados en la industria para resolver reclamos, responder preguntas sencillas y hasta asistir a los compradores».
«La experiencia del cliente más personalizada es la más dirigida hacia el cliente. Existen aseguradoras que permiten a los compradores crear sus propios productos de cobertura, combinando diferentes líneas de negocios. La Inteligencia Artificial tiene un sinnúmero de aplicaciones en las diferentes industrias. No caben dudas que estamos en los inicios de una nueva era, donde esta tecnología cambiará la forma de hacer las cosas en adelante, el límite es la imaginación», concluyó Nanni.
«En San Cristóbal, los proyectos de IA se enmarcan dentro de la estrategia de ‘Analytics’ de la compañía, que a su vez es parte de la estrategia de Transformación Digital -resaltó Renzi-. Los resultados son sorprendentes, no solo en la entrega continua de valor, sino también desde la cohesión y el sentido de pertenencia que generó en el equipo. El propósito común y la conciencia colectiva se transformaron en el resultado más gratificante.
Pensando exclusivamente en el cliente, al liberar el tiempo que antes se llevaba el análisis de las fotos, los ejecutivos pueden disponer de su tiempo para atender otras consultas y brindar una mejor atención. Lo mismo va a ir sucediendo en la medida que distintos procesos engorrosos vayan automatizándose, dedicando entonces el tiempo en lo que realmente genera valor para nuestros clientes. En lo referido a fraude, gracias a la enorme identificación de casos fraudulentos, la compañía ha podido multiplicar por 12 el ahorro en este punto, con una mejora del 1,6% del costo siniestral total. El hecho de no tener que pagar los casos fraudulentos, se traduce directamente en un menor precio para nuestros clientes honestos».
«Por último, los proyectos de IA que siguen de aquí en adelante van a estar en mayor medida dedicados a brindar mejores experiencias y facilitar procesos junto a las herramientas digitales que ya se han desarrollado. Gracias a la recolección de datos que ha tenido lugar en el último tiempo, podemos entender dónde están los puntos de dolor de nuestros procesos y atacarlos de forma precisa», resumió Renzi.
A continuación, Mazzini consideró: «Evidentemente la IA puede mejorar la experiencia del cliente en las aseguradoras en un sinnúmero de maneras, pero si tuviera que resumir un par de ellas me enfocaría en, por un lado, cómo se puede hacer más eficiente el proceso de siniestros, desde la rapidez en la resolución, incluyendo la actividad de detección de fraudes y la interacción entre todos los interesados. Por otro lado, trabajar en aquello que pueda facilitar no solo la compra del seguro sino el asesoramiento como, por ejemplo, estructurar el producto individualizado de acuerdo con el riesgo. En todos los casos gana el cliente con una mejor experiencia, pero también gana la aseguradora y ganan las otras partes interesadas en la cadena de valor del seguro».
Para finalizar, Baptista dijo que en Swiss Medical Seguros el acento está puesto en que «la IA aumenta la capacidad de atención simultánea y precisión en la respuesta, ya que reduce la capacitación de personal por rotación, mejora cualitativamente el trabajo de los recursos humanos».
«El mercado de seguros está incursionando en este tipo de herramientas pensando, no tanto en el cliente actual, sino en el cliente del futuro, quien demandará facilidad, disponibilidad y agilidad a la hora de interactuar con las compañías. Para beneficio de las aseguradoras, estas herramientas serán un punto de inflexión en el negocio, en cuanto a reducción de fraude, mejora de los procesos operativos y auditorías, y optimización de recursos», resaltó el ejecutivo.