این روزها ضرورت محاسبه و کشف تقلب در صنعت بیمه و ایجاد راهبرد مشخص برای تحقق این امر توسط کارشناسان مطرح می شود؛ ضمن اینکه راه اندازی سیستم پیشگیری از تقلب و تخلف یکی از پروژه های بیمه مرکزی بوده که متاسفانه تا کنون به وقوع نپیوسته و حتی برخی از آن به عنوان یک پروژه ناموفق یاد می کنند.اما با وجود توسعه روزافزون هوش مصنوعی چه پیش نیازهائی وجود دارد که می تواند در جهت تحقق این سیستم کارا و ضروری در صنعت بیمه راهگشا باشد؟
به گزارش ریسک نیوز ، این روزها ضرورت محاسبه و کشف تقلب در صنعت بیمه و ایجاد راهبرد مشخص برای تحقق این امر توسط کارشناسان مطرح می شود؛ ضمن اینکه راه اندازی سیستم پیشگیری از تقلب و تخلف یکی از پروژه های بیمه مرکزی بوده که متاسفانه تا کنون به وقوع نپیوسته و حتی برخی از آن به عنوان یک پروژه ناموفق یاد می کنند.
اما با وجود توسعه روزافزون هوش مصنوعی چه پیش نیازهائی وجود دارد که می تواند در جهت تحقق این سیستم کارا و ضروری در صنعت بیمه راهگشا باشد؟
برای بررسی این موضوع یکی از زیرساخت «موتور اصلی»ِ رقابت در بسیاری از صنایع مالی و غیر مالی و در خصوص صنعت بیمه برای مدلهای آنیِ تقلبیابی و ارزیابی ریسک را معرفی می کنیم:
عبارت GPU مخفف Graphics Processing Unit (واحد پردازش گرافیکی) است و GPU Farm، خوشهای از سرورهای مجهز به کارتهای گرافیک برای اجرای موازی و پرسرعتِ محاسبات سنگین هوش مصنوعی است.
در سطح جهانی، این زیرساخت «موتور اصلی»ِ رقابت در بسیاری از صنایع مالی و غیر مالی است و در خصوص صنعت بیمه برای مدلهای آنیِ تقلبیابی و ارزیابی ریسک کاربرد دارد و اساس رقابت است.اما آیا صنعت بیمه ایران می تواند این فناوری را داشته باشد؟ پاسخ «بله» است، اما کاملاً مشروط
۱. شرط داده و مسئله: باید مسئلهای روشن (مثل کشف تقلب یا OCR اسناد) و دادههای تمیز داشته باشید؛ بدون اینها، زیرساخت فقط هزینهزاست.
۲. شرط مدیریت: باید نگاهِ «کارخانهای» به آن داشت، نه نمایشی. در خصوص برآورد هزینه، برای راهاندازی یک آزمایشگاه کوچک ( مثلا در مقیاس ۲ تا ۸ GPU ( و جهت اجرای پروژههای پایلوت، حداقل سرمایه اولیه حدود ۱۵۰ هزار دلار است. البته هزینههای جاری (برق، خنککننده و نیروی انسانی متخصص) را نباید دستکم گرفتبدونِ استراتژیِ داده، این سرمایهگذاری صرفاً داراییِ کمبازده خواهد بود.
به نظر می رسد، اگر شرکتی بخواهد به این پروژه ورود کند باید شروع مرحلهای و در قالب پروژههای مسئلهمحور داشته باشد. شروع مرحلهای یعنی اول مسئله، بعد سختافزار. به جای اینکه روز اول سراغ خرید تجهیزات سنگین برویم، اینطور پیش میرویم:
۱. انتخاب مسئله (Focus): یک مشکلِ دردناک و پرهزینه را انتخاب میکنیم؛ مثلاً «شناسایی خودکار تقلب در بیمه ثالث» یا « OCR مخفف Optical Character Recognition (نویسهخوان نوری) و پردازش اسناد خسارت».
۲. پایلوت (PoC): به جای ساخت یک مزرعه بزرگ، با حداقلِ ظرفیت (یا حتی استفاده از منابع ابری/اجارهای)، یک پروژه «اثبات مفهوم» تعریف میکنیم تا ببینیم آیا هوش مصنوعی واقعاً میتواند روی دادههای ما نتیجه بدهد؟
۳. سنجش (ROI): اگر پروژه در مرحله پایلوت موفق بود و بازگشت سرمایه (ROI) آن اثبات شد، آنگاه زیرساخت (GPU Farm) را متناسب با نیازِ واقعی گسترش میدهیم.
یعنی «ریسکِ فنی» و «ریسک مالی» را با پروژههای کوچک مدیریت میکنیم. در واقع نمیخواهیم پول شرکت بیمه را در انبارِ سرورهایی دفن کنیم که هنوز نمیدانیم چطور باید از آنها برای حل مسئله استفاده کنیم.
نظر شما چیست؟