Comment l'apprentissage automatique résout des problèmes d'assurance incroyablement complexes liés au Big Data

Dans un entretien approfondi avec Carrier Management, Tomas Vykruta, cofondateur et PDG d'EvolutionIQ, explique comment nous'Nous apportons des approches d'apprentissage automatique à des problèmes de mégadonnées autrefois insolubles dans la gestion des sinistres. Nous'J'en ai extrait quelques points saillants ci-dessous ou vous pouvez créer un lien vers le article complet ici.

Les assureurs sont confrontés à d'énormes problèmes de données, mais ils'abordent ces problèmes en utilisant des méthodes heuristiques et basées sur des règles plus anciennes, explique Tom à propos des raisons pour lesquelles il a quitté Google'est l'équipe Applied Machine Learning qui se concentrera sur l'insurtech. Mon travail consistait à voir si je pouvais les faire passer à une approche plus moderne en les déplaçant vers un système d'IA moderne.

Mais il a rapidement appris que certains des problèmes les plus difficiles qu'il ait jamais rencontrés au cours de sa carrière concernaient le domaine des réclamations d'assurance. Selon lui, 70 000 diagnostics médicaux différents sont décrits dans l'ensemble de données de la CIM [Classification internationale des maladies]. Les revendications évoluent constamment. Une seule mise à jour changera complètement les résultats de ce patient'en tant que santé. C'est'C'était tout simplement un problème impossible à résoudre pour les examinateurs. Et ils'Nous jonglons avec 200 demandes à la fois et recevons de nouvelles demandes chaque mois.

Entrez dans EvolutionIQ's platform, qui est essentiellement un système capable de guider l'ensemble de l'organisation des réclamations pour savoir où concentrer son temps, où passer son temps, où ne pas passer son temps. Nous sommes en mesure d'utiliser l'IA pour fournir une explication approfondie et sélectionner les éléments qui comptent vraiment. Y a-t-il eu un changement récent dans le pronostic médical ? Existe-t-il une combinaison de comorbidités dans l'état de santé qui indique que ce patient ne s'en remettra jamais ?

À la base, la plateforme est spécialisée dans les réclamations pour dommages corporels. De telles affirmations, explique Tom au magazine, sont vraiment incroyablement compliquées parce que vous'J'ai ces récits qui sont ouverts depuis de nombreuses années. Certaines de ces réclamations datent de 15 ou 20 ans. Ils ont reçu de 30 à 40 diagnostics médicaux. Notre IA évalue l'historique complet de chaque réclamation jusqu'à aujourd'hui et fait une prédiction : s'agit-il d'une réclamation sur laquelle nous pouvons agir ? Y aura-t-il un résultat logique ? Et puis auprès de [l'assureur]'s] 50 000 réclamations ou quoi que ce soit d'autre, nous sommes en mesure de sélectionner les 10, 20 ou 30 réclamations ce jour-là qui, si elles sont traitées, aboutiront au meilleur résultat pour le demandeur, le transporteur et le client.

Par exemple, EvolutionIQ's AI génère des scores qui sont ensuite utilisés pour aider les examinateurs à agir. C'est'C'est comme une cote de crédit de 0 à 750. Et le score indique dans quelle mesure cette réclamation est prête à être résolue ou à agir aujourd'hui, selon lui. Nous ne' prenez réellement toutes les décisions. Notre système les guide et les aide à comprendre où passer leur temps.

L'une des surprises lors du développement de cette technologie a été la façon dont les connaissances institutionnelles des experts en sinistres chevronnés sont devenues encore plus importantes, et non pas moindres. Il y a un grand mouvement vers l'arbitrage automatique, ce qui entraîne une réduction du personnel, explique Tom. Notre point de vue est le suivant :'Nous ne voulons pas réduire le personnel des examinateurs. Nos premiers transporteurs augmentent en fait la taille de l'équipe, car ils peuvent désormais constater que l'équipe devient de plus en plus productive.

Il y a essentiellement deux systèmes au sein de la plateforme, note-t-il, l'un qui fait des prédictions et l'autre qui explique les résultats prévus dans la langue des examinateurs des demandes. Cela leur donne un point de départ très solide pour comprendre'Ça se passe à l'intérieur de la concession. Avant cela, ils devaient lire jusqu'à 150 pages de notes et essayer de donner un sens à tout cela.

Il est important de noter que lorsqu'il s'agit de données non structurées, telles que les notes rédigées par les examinateurs sur leurs systèmes internes qui contiennent certaines des informations les plus utiles, notre système lit ces notes comme un humain, ce qui nous permet généralement d'obtenir un système très précis.

Personne n'a résolu ce problème auparavant. Nous inventons cette méthodologie clé qui n'a jamais existé Nous'Nous n'itérons pas sur une solution pour l'améliorer. Nous'Nous réinventons ce guide d'intelligence artificielle pour les transporteurs, ce que personne n'avait fait auparavant'ne sont pas basés sur des règles. Nous adoptons une approche d'apprentissage profond. Nous sommes en mesure de comprendre chaque nuance de chaque affirmation. Nous sommes en mesure de prédire le résultat global.

Lire l'interview complète

Nous'Je recrute ! Joignez-vous à nous.

précédent

‍