Για τη συνύπαρξη της τεχνητής νοημοσύνης με την ανθρώπινη, στο πλαίσιο λειτουργίας -μεταξύ άλλων- και της ασφαλιστικής βιομηχανίας, μίλησε αποκλειστικά στο Underwriter.gr ο καθηγητής και διευθυντής του Ινστιτούτου για τα Πολύπλοκα Συστήματα Ερευνών του Πανεπιστημίου Fresenius, Δρ. Κρίστιαν Χάας, που γνωρίσαμε στο Συνέδριο της Ύδρας.
του Χρήστου Γαβαλά
Ο Δρ. Χάας κέρδισε τις εντυπώσεις στο 22ο ασφαλιστικό και αντασφαλιστικό συνέδριο της Ύδρας -που διεξήχθη στα τέλη Μαΐου – με τις επιστημονικές τοποθετήσεις του γύρω από την ανάγκη υιοθέτησης στην ασφαλιστική διαδικασία μεθόδων τεχνητής νοημοσύνης – με τρόπο ωστόσο που δεν θα φέρει σε δύσκολη θέση τους εργαζομένους της ασφαλιστικής εταιρείας του μέλλοντος.
Αν και ο ίδιος δεν είναι ειδικευμένος αποκλειστικά στην ασφαλιστική βιομηχανία, εν τούτοις οι απαντήσεις που δίνει αντικατοπτρίζουν το ευρύτερο εταιρικό περιβάλλον με βάση τα ευρήματα και τις εμπειρίες που έχει ο ίδιος από έργα ψηφιακού μετασχηματισμού, κυρίως από την οπτική της αλληλεπίδρασης ανθρώπου – τεχνολογίας.
Μιλήσατε στην Ύδρα για τη δυσκολία να πειστούν οι εργαζόμενοι για τη σημασία της εφαρμογής μεθόδων τεχνητής νοημοσύνης στο χώρο εργασίας τους. Πρώτα απ ‘όλα, γιατί η τεχνητή νοημοσύνη στην ασφάλιση είναι τόσο καθοριστική στις μέρες μας;
Σε γενικές γραμμές, η τεχνητή νοημοσύνη είναι ένας φορέας αναγνώρισης προτύπων ή λήψης αποφάσεων. Οι άνθρωποι μπορούν επίσης να κάνουν και τα δύο πράγματα, την αναγνώριση προτύπων και τη λήψη αποφάσεων. Ωστόσο, οι άνθρωποι και οι μηχανές λειτουργούν εντελώς διαφορετικά ακόμα κι αν έχουν παρόμοιους στόχους.
Οι άνθρωποι εργάζονται με άπειρες πληροφορίες (δεδομένα), είναι συνειρμικοί, υποκειμενικοί και συναισθηματικοί. Αντίθετα, η Τεχνητή Νοημοσύνη είναι ουδέτερη και αντικειμενική, λειτουργεί με πεπερασμένα σύνολα δεδομένων και δεν κουράζεται. Ενώ η Ανθρώπινη Νοημοσύνη είναι συχνά προκατειλημμένη από προσωπικούς (κρυφούς) στόχους και αυτοεκπληρούμενες προφητείες, το AI είναι ανθεκτικό.
Έτσι, είναι σαφές ότι η Τεχνητή και η Ανθρώπινη Νοημοσύνη συμπεριφέρονται διαφορετικά, και καμία μεμονωμένη νοημοσύνη δεν είναι γενικά καλύτερη ή χειρότερη, μόνο διαφορετική. Η εφαρμογή της τεχνητής νοημοσύνης είναι σχετική σε όλους τους κλάδους της βιομηχανίας που λειτουργούν με τεράστια σύνολα δεδομένων και εκεί όπου η λήψη αποφάσεων βασίζεται στον προσδιορισμό προτύπων και σε αιτιακά επαναληπτικά πρότυπα. Από όσο καταλαβαίνω το ίδιο ισχύει και στις ασφάλειες και όλα τα παραπάνω είναι κομμάτια της καθημερινής δουλειάς, επομένως η ενσωμάτωση της Τεχνητής Νοημοσύνης στην ασφάλιση είναι σημαντική.
Ωστόσο, είναι σημαντικό να φέρουμε ανθρώπους και τεχνητή νοημοσύνη στις θέσεις όπου ο καθένας μπορεί να αποδώσει καλύτερα. Η τεχνητή νοημοσύνη μπορεί να αναλύσει δεδομένα από άλλη οπτική γωνία και επομένως μπορεί να δώσει άλλες γνώσεις. Η τεχνητή νοημοσύνη θα μπορούσε περαιτέρω να κάνει τη «βρώμικη δουλειά» και να υποστηρίξει τους ανθρώπους στη διαδικασία λήψης αποφάσεων, για παράδειγμα θα μπορούσε να χρησιμοποιηθεί ως σύστημα υποστήριξης αποφάσεων, κάτι που είναι ιδιαίτερα σχετικό και χρήσιμο στους πιο άπειρους υπαλλήλους.
Η τεχνητή νοημοσύνη προσφέρει επίσης άλλες δυνατότητες: Σε διάφορους επιχειρηματικούς τομείς, οι άνθρωποι/οι εργαζόμενοι έχουν την αποκλειστική ευθύνη για τις αποφάσεις τους. Η αποτυχία ή η επιτυχία δεν μοιράζεται σχεδόν ποτέ με άλλους. Αντίθετα, η τεχνητή νοημοσύνη μπορεί να λειτουργήσει με τα δεδομένα και τις αποφάσεις πολλαπλών υποθέσεων και αξιώσεων και είναι σε θέση να μοιράζεται τις «εμπειρίες» που είναι εξαιρετικά σχετικές για τους «οργανισμούς που μαθαίνουν». Η τεχνητή νοημοσύνη μπορεί επομένως να υποστηρίξει μια συνεχή διαδικασία βελτιστοποίησης που πρέπει να είναι ο στόχος κάθε οργανισμού στις μέρες μας.
Ποιες είναι οι βασικές ανησυχίες του προσωπικού στις ασφαλιστικές εταιρείες σχετικά με την τεχνητή νοημοσύνη; Ποιος είναι ο καλύτερος τρόπος για να τα αντιμετωπίσει η διοίκηση;
Βασικά, οι άνθρωποι δεν εμπιστεύονται πράγματα που δεν καταλαβαίνουν. Η Τεχνητή Νοημοσύνη είναι ένα μαύρο κουτί και λειτουργεί με αλγόριθμους, γεγονός που καθιστά δύσκολη την εμπιστοσύνη του συστήματός της (στην αρχή). Είναι ζωτικής σημασίας οι εργαζόμενοι να έχουν την ευκαιρία να πειραματιστούν με τα συστήματα AI, να βιώσουν τις λειτουργίες τους (αιτία – αποτέλεσμα), να αποτυγχάνουν σε ορισμένες περιπτώσεις και να πετυχαίνουν σε άλλες. Μόνο αφού αποκτήσουν αυτή την εμπειρία, οι άνθρωποι μπορούν κατόπιν να χρησιμοποιήσουν την τεχνητή νοημοσύνη ως εργαλείο για τους ίδιους.
Είναι απαραίτητο όχι μόνο η εταιρεία αλλά και οι εργαζόμενοι (προσωπικά) να επωφεληθούν από το εργαλείο της Τεχνητής Νοημοσύνης.
Ορισμένοι υπάλληλοι φοβούνται επίσης πιθανές συγκρούσεις μεταξύ των αποφάσεων της Ανθρώπινης και της Τεχνητής Νοημοσύνης. Ως εκ τούτου, θα πρέπει να αναπτυχθούν σαφείς κανόνες για τον χειρισμό πιθανών συγκρούσεων μεταξύ αποφάσεων ανθρώπου και μηχανής. Κάποιος πρέπει πάντα να εξουσιοδοτεί τους ανθρώπους να παρακάμπτουν τη μηχανή. Είναι σημαντικό να εξηγήσουμε πώς λειτουργεί η Τεχνητή Νοημοσύνη, ποια είναι η ισχύς της και πού είναι τα όρια.
Πολύς λόγος γίνεται τελευταία για τη σημασία της εξατομικευμένης ασφάλισης και την ανάγκη των πρακτόρων και διαμεσολαβητών να βρίσκουν λύσεις σε πραγματικές και μεταβαλλόμενες ανάγκες. Πού βρίσκεται η τεχνητή νοημοσύνη εντός αυτής της αναγκαιότητας;
Η εξατομίκευση είναι στόχος σε διάφορους τομείς, όπως η ιατρική. Ξεκινά κυρίως με το ερώτημα ποιες παράμετροι πρέπει να επιλεγούν για να χαρακτηρίσουν το άτομο και επιπλέον πόσο ισχυρή είναι η επιλογή αυτή με την πάροδο του χρόνου.
Η τεχνητή νοημοσύνη – αλλά και άλλες στατιστικές μέθοδοι – είναι απολύτως σχετικές με αυτό. Σε ένα ερευνητικό έργο (υγεία πληθυσμού) χρησιμοποιούμε την τεχνητή νοημοσύνη, δημιουργούμε «πρόσωπα» και τα συνδυάζουμε με προσομοιώσεις δυναμικής συστήματος. Αυτό δίνει την ευκαιρία να διαφοροποιεί κάποιος (με προσομοιώσεις) ορισμένες παραμέτρους που βοηθούν στην κατανόηση της ατομικότητας.
Η δημιουργία ατομικών προσφορών θεραπείας & ασφάλισης είναι ένα άλλο ερώτημα, ωστόσο είναι απολύτως βασισμένο στην έγκυρη κατανόηση της ατομικότητας (ενός ατόμου) ή της ατομικότητας ενός cluster (ενός γκρουπ ανθρώπων).
Ποια είναι η άποψή σας για τις ασφαλιστικές προοπτικές στην Ευρώπη, δεδομένου του διψήφιου πληθωρισμού που βιώνουμε;
Δεν ασχολούμαι ειδικά με τις ασφαλίσεις, ωστόσο ο πληθωρισμός πρόκειται να επηρεάσει τις συμπεριφορές των καταναλωτών και των αντισυμβαλλομένων.
Γίνεται πολλή συζήτηση, ανάλογα και με τη χώρα, ότι η ασφάλιση δεν είναι «απαραίτητο αγαθό». Αυτό σημαίνει ότι μπορεί να δούμε πτώση της ζήτησης. Ως εκ τούτου, κάθε βελτιστοποίηση που μπορεί να κάνει τα προϊόντα και τις υπηρεσίες των ασφαλιστικών εταιρειών πιο φιλικά προς τους κατόχους ασφαλιστήριων συμβολαίων, προκειμένου να τους πείσει να κάνουν αυτή την επένδυση, είναι ευπρόσδεκτη.
Η ψηφιοποίηση και η αυτοματοποίηση είναι ζωτικής σημασίας για τη βελτιστοποίηση των διαδικασιών και των αποτελεσμάτων για τους αντισυμβαλλομένους και τους ενάγοντες.
Ποια είναι η συμβουλή σας για τους επαγγελματίες στον τομέα της ασφάλισης ως προς το είδος των νέων τεχνικών δεξιοτήτων που χρειάζονται για να διαπρέψουν στον κλάδο μελλοντικά;
Η πρόβλεψη για τις δεξιότητες που θα απαιτηθούν στο μέλλον είναι πολύ δύσκολη. Έχουμε κάνει τεράστια έρευνα για αυτό. Φυσικά, οι ικανότητες στην επιστήμη δεδομένων και τις γλώσσες προγραμματισμού είναι χρήσιμες.
Ωστόσο, μόνο σε περιορισμένο βαθμό μπορεί να καθοριστεί το πόσο ανεπτυγμένες θα πρέπει να είναι αυτές οι ικανότητες ή δεξιότητες.
Η απόδοση δεν είναι επίσης το άθροισμα διαφορετικών δεξιοτήτων, δηλαδή ορισμένες δεξιότητες δεν παίζουν ρόλο άμεσα αλλά έχουν καταλυτικές λειτουργίες, επομένως ενισχύουν ή αναστέλλουν άλλες δεξιότητες.
Το gamification μπορεί να υποστηρίξει την ανάπτυξη. Για τους οργανισμούς/εταιρείες έχει γίνει ακόμη πιο σημαντικό να μπορούν να αναγνωρίζουν και να «αποθηκεύουν» κάπου τη γνώση που έμμεσα λαμβάνουν από τους παλαιότερους εργαζομένους.
Οι εταιρείες μπορεί να χάσουν δισεκατομμύρια ευρώ εάν δεν είναι σε θέση να σώσουν αυτή τη γνώση που έχουν συσσωρεύσει ορισμένοι εργαζόμενοι εδώ και δεκαετίες. Εδώ είναι το σημείο στο οποίο η τεχνητή νοημοσύνη και η αυτοματοποίηση είναι πολύ ωφέλιμα: η διαφύλαξη της συλλογικής γνώσης και εμπειρίας των εργαζομένων που έχει φανεί στην παραγωγή τους, για παράδειγμα στις αποφάσεις τους.
Χρησιμοποιώντας μοντέλα τεχνητής νοημοσύνης και μηχανική μάθηση, σήμερα οι ασφαλιστικές εταιρείες μπορούν να χρησιμοποιήσουν τους θησαυρούς δεδομένων τους που θα τους επιτρέψουν να βελτιστοποιήσουν την εμπειρία των πελατών τους.
No comment yet, add your voice below!