Pokroky na poli výpočetní techniky, IoT a AI přinesly nové změny a výzvy, se kterými mnoho průmyslů experimentuje. Jedna z nových technologií je rozpoznávání fotografií. Je to proces používání počítače k detekci předmětu nebo jiných užitečných informací z fotografie nebo sekvence fotografií – videa. Běžným příkladem rozpoznávání fotografií je optické rozpoznávání písma OCR. Bez nutnosti toho, aby člověk něco četl nebo psal umí tato technologie identifikovat jednotlivá písmena na fotografii a převést je do textového souboru. OCR může být takto použito například k rozpoznávání státních poznávacích značek vozidel z fotografií. Pro tuto technologii existují ale i mnohé jiné využití, jakými mohou být rozpoznávání obličejů, diagnóza rakoviny, identifikace druhů zvířat a rostlin, automatické parkování a mnohé další.
Očekává se, že technologie rozpoznávání fotografií ovlivní i mnohé oblasti pojišťovnického průmyslu. Může vylepšit interakci se zákazníky tím, že poskytne větší míru automatizace a efektivity. Data získaná z fotografií jsou další datovou dimenzí, která může být sbírána a analyzována pro lepší rozhodování. V pojišťovnictví se tato technologie využívá čím dál tím více. Mezi oblasti, kde se využívá patří identifikace zákazníků, analýza náhrad z pojištění, monitoring škod a digitalizace dokumentů. Tyto změny zvyšují vitalitu pojišťovnického podnikání a mají hluboký dopad na chování zákazníků, odhadování rizik a sdílení informací. Například díky využití rozpoznávání obličejů vznikne snadnější cesta, jak zákazníci mohou žádat o náhrady z pojištění. Fotky pojištěné budovy mohou být použity pro upisování pojištění. Drony mohou být použity k vyfotografování střech domů a výsledné fotky mohou být s pomocí technologie rozpoznávání fotografií prospěšné při upisování pojištění domu. Fotografie řidičů mohou být také použity k rozpoznávání nebezpečného chování, které může pomoci při posouzení jejich rizikového profilu a zlepšení bezpečnosti jízdy. Fotografie nehody nebo přírodní katastrofy mohou pomoci pojišťovnám rychle identifikovat problémy, alokovat zdroje a odhadnout ztráty.
Konkrétní využití technologie v pojišťovnictví
Jak může být automatizované rozpoznávání fotek použito v pojišťovnickém průmyslu? Abychom dokázali odpovědět, musíme nejdříve pochopit, proč tuto technologii potřebujeme. První důvod je ten, že nám je schopna poskytnou dodatečné informace, které nelze zjistit z tradičních zdrojů. Například pokud vidíme fotografii řidiče, který používá telefon, když řídí, tak nám to říká, že je s vyšší pravděpodobností vysoce rizikový klient. Druhým důvodem je že technologie automatizovaného rozpoznávání fotografií může urychlit některé činnosti a zkrátit čekací dobu na služby. Proč bychom ale měli spoléhat na automatizovaný systém místo lidského posudku? Z hlediska zdrojů může existovat příliš mnoho fotografií na to, aby je člověk dokázal efektivně v krátkém čase zpracovat. Z hlediska nákladů může být levnější k získávání informací z fotografií používat raději modely než lidi.
Vylepšení zákaznických služeb
Rozpoznávání obličejů může být použito k ověřování identity zákazníka, protože je to bezpečnější způsob než používání jmen a hesel. Pro zákazníky budoucnosti může být získání pojištění mnohem snadnější s využitím rozpoznávání fotografií. Zákazníci mohou vyfotit své dokumenty a poslat je pojišťovací společnosti, načež program pro rozpoznávání fotografií pak z této fotografie vytáhne požadované informace a pojištění může být vyřízeno za pouhých několik vteřin. Stejnou výhodu lze uplatnit při uplatňování nároku na náhradu z pojištění. Například nárok na náhradu z pojištění vozidla může být uplatněn velmi jednoduše pořízením fotografie nehody. Nároky na náhrady z pojištění domu mohou být uplatněny zasláním fotografie poškození způsobeného vodou a podobně. Pokud je tato technologie využita správně, dojde nejen k zvýšení spokojenosti zákazníků ale i k snížení nákladů na oceňování nároků.
Oceňování zemědělských pojištění
I oblast oceňování zemědělských pojištění a s nimi související analýza rizik využívá výhody technik automatického rozpoznávání fotek. Ze satelitních fotek mohou být posouzeny informace ohledně povětrnostních podmínkách, průměrného výnosu plodin, jeho volatility a nejhoršího možného scénáře. Takové predikce by byly těžko dosažitelné bez dostupnosti dat z fotografií.
Pojištění majetku
Další oblastí, která může čerpat výhody rozpoznávání fotografií je pojištění majetku. Díky vývoji IoT bude dostupných ještě více fotografií, které poskytují informace o pojištěném majetku. Například, jak již bylo zmíněno, drony mohou být použití k vyfotografování střech domů a odhadování rizik. Tyto fotografie mohou být použity nejen při procesu upisování pojištění, ale i pro kontrolu ztrát, což je výhodné pro pojišťovny i zákazníky.
Extrémní situace
I při situacích, jakými jsou tornáda, hurikány a velké požáry může pomoct rozpoznávání fotografií a v reálném čase monitorovat rizika. Pokud je dostupná satelitní fotografie zaplavené nebo jinak zasažené oblasti, tak jsou rozpoznávací modely schopné detekovat poškozené oblasti a míru poškození. S využitím informací o pojištěních umí automatizovaný systém předvídat počet náhrad a jejich finanční výši, což umožňuje být pojišťovnám připravenější.
Zdravotní pojištění
Zdravotní pojištění je další z oblastí, kde rozpoznávání fotografií může poskytnout detailnější náhled ve smyslu rizikového profilu zákazníka. Lékaři mohou použít tuto technologii k přesnějším diagnózám a prognózám. To znamená, že medicínské fotografie, jakými jsou například ty z počítačové tomografie (CT) mohou být přímo použity k oceňování pojištění a odvozování rizik.
Výzvy
Oblastí možného využití je daleko více. S dalším vylepšováním modelů pro rozpoznávání fotografií a sběr dat budou přinášet pojišťovnickému průmyslu ještě vyšší hodnotu. V současné fázi musí být zváženo několik faktorů před rozhodnutím zda používat techniku rozpoznávání fotografií:
- Existuje pro model dostatek tréninkových dat? Je sběr těchto dat snadný? Pokud je objem dat malý, může být efektivnější a ekonomičtější spoléhat se na lidskou inteligenci.
- Bude použití těchto dat povoleno zákazníky a regulátory?
- Jak moc zlepší rozpoznávání fotografií rozhodování? Je jeho přínos značný, nebo minimální?
- Jak přesné je automatizované rozpoznávání fotografií? Jaký bude důsledek toho, když se splete? Pokud model není dobře trénovaný na specifické pojišťovací problémy, může jeho nízká přesnost znemožňovat jeho použití.
Jako u jakékoli nové technologie, společnosti musí provést analýzu nákladů a přínosů a prozkoumat investiční příležitosti. Je to však spíše otázka toho, kdy bude moci tato technologie být použita na určitý problém než, jestli bude moci být použita pro průmysl jako celek.
Ačkoliv se přesnost technik pro rozpoznávání fotografií neustále zvyšuje, chyby jsou nevyhnutelné. Například různí členové jedné rodiny mohou být rozpoznání jako jedna osoba a může se stát, že budou schopni se přihlásit se do stejného mobilu pomocí rozpoznávání obličejů. To může být problém, pokud je hlavní účet uživatele chráněn rozpoznáváním obličeje. Dodatečné bezpečnostní metody, jako je skenování otisku prstu mohou být použity, zejména při vykonávání důležitých změn a transakcí.
Používání rozpoznávání fotografií v pojišťovnickém průmyslu stále čelí výrazným výzvám. Existující modely jsou obvykle trénovány k identifikaci předmětů na fotografii. Avšak pro pojišťovnictví může být cennější informace to, jak se předmět chová. Například, jestli řidič používá telefon při řízení nebo jestli je střecha ve stavu schopném odolat tornádu. To obvykle vede k rozdílnějším trénováním modelů a používání relevantnějších dat z fotografií. Sběr dat a trénování modelů může trvat dlouho a vyžadovat hodně zdrojů.
Další klíčovou překážkou při používání technik rozpoznávání fotek v pojišťovnickém průmyslu je jejich přesnost. V dnešní době dosahují populární služby pro rozpoznávání fotografií přesnosti mezi 70 % a 90 %. To pravděpodobně není dost dobré pro mnoho potenciálních možností využití v pojišťovnictví. I ty nejpokročilejší modely pro rozpoznávání fotografií nezřídka chybují. Běžným příkladem je to, že převrácené vozidlo je rozpoznáno jako letadlo.
S použitím modelu, který byl trénován Microsoft Common Object in Context (COCO) obrazovou databází byla tato fotografie interpretována jako “velké letadlo stojící na okraji silnice”. Model je trénovaný na tvar těla letadla (kokpit a trup), ale nepočítá s ostatními části, jakými jsou třeba ocas. Model také neumí rozpoznat rozdíl mezi křídly a otevřenými dveřmi. To může být opraveno tak, že modelu bude poskytnuto více fotografií převrácených aut, ze kterých se naučí rozlišovat rozdíly. Tento příklad také vysvětluje současný stav rozpoznávání fotografií – neexistuje univerzální model, který by splňoval všechny požadavky. Dolaďování modelu se specifickými tréninkovými daty je nezbytné k zlepšení jeho přesnosti pro využívání v pojišťovnictví.
Rizika používání automatizovaného rozpoznávání fotek nejsou zanedbatelné. Malá chyba může vést ke stížnostem zákazníků a finančním ztrátám. Pokud například zákazník s rakovinou zažádá o životní nebo zdravotní pojištění a CT fotografie jeho nádoru je použita k oceňování, chyba v modelu může vést k zbytečně vysokým sazbám, nebo riziko může být naopak podceněno a mohou být stanoveny nedostatečné sazby. V dnešní době je praktičtější používat automatizované rozpoznávání fotografií v kombinaci s lidskou inteligencí a to zejména pro vysoce rizikové případy, kde si model nemusí být jistý.
Regulatorní rizika se mohou také časem objevit. Data z fotografií mohou být považována za soukromá a tedy mohou být vyhodnocena jako nevhodná k posuzování pojišťovacích sazeb a nároků.
Vážení čtenáři, pro více informací nás prosím neváhejte kontaktovat zde.