Blog
Slim Gebruik Maken van Artificial Intelligence voor Image Screening
Mar 25, 2022
Christian van Leeuwen
Verzekeringsmaatschappijen zuigen dagelijks terabytes aan informatie op in de vorm van digitale data. Steeds meer bronnen leveren waardevolle data, waarmee snel een betrouwbaar beeld kan worden geschetst van het aangeboden risico of de ingediende claim. Ongewenste risico's of frauduleuze claims kunnen uit het proces worden gefilterd. Om die grote hoeveelheden te kunnen verwerken en omzetten in toepasbare kennis en inzicht, is state of the art technologie nodig. Dat is intelligente programmatuur die in staat is snel te verwerken, snel zelf te leren, slimme conclusies te trekken en aanbevelingen te doen. Zoals een mens dat zou kunnen, maar dan vele malen sneller en efficiënter. We hebben het over Artificial Intelligence (AI).
3 typen Artificial Intelligence (AI)
Ruwweg kun je drie soorten Artificial Intelligence onderscheiden.
De eerste is die waarvan iedereen kan profiteren. Deze wordt ook wel "general AI" genoemd. Denk bijvoorbeeld aan natural language processing, gezichtsherkenning of augmented reality. Bij de laatste herkent de technologie de werkelijke wereld en verrijkt deze met informatie uit de virtuele wereld. Wij gebruiken bepaalde services uit general AI om specifieke processen te kunnen ondersteunen in de volgende twee vormen van AI.
De tweede vorm "product based AI", heeft betrekking op specifieke producten. Denk bijvoorbeeld aan systemen die computervirussen detecteren en onschadelijk maken, spam uit de email filteren, of om een voorbeeld uit de verzekeringswereld te noemen - bepaalde fraudepatronen herkennen. Dit is voor ons van grote waarde. Door de AI veel informatie over fraudecases te voeren wordt deze steeds beter in deze specifieke taak. De systemen leren door het gebruik en de feedback van veel verschillende gebruikers.
De derde vorm van AI is de"custom" of "domain specific AI". Oftewel AI die heel specifiek wordt toegepast binnen een niche. Een voorbeeld hiervan in de verzekeringswereld is AI die al getraind is in het herkennen van fraudepatronen, afgestemd op de Straight Through Processing (STP) en de specifieke kenmerken van een verzekeraar: de specifieke producten, de doelgroepen, de distributiekanalen en het proces van claimbehandeling. Per verzekeraar kunnen we kijken hoe AI het beste is in te passen in het bedrijfsproces.
AI en Image Analysis
De kracht zit vaak in de combinatie van deze drie soorten AI. Bijvoorbeeld het gebruik van AI bij de analyse van beeldmateriaal in een STP omgeving, waarbij tegelijkertijd fraude herkend kan worden. Verzekeraars ontvangen tegenwoordig enorme hoeveelheden beeldmateriaal die claims illustreren en gebruikt worden bij de verwerking hiervan. Bijvoorbeeld voor het vaststellen van de legitimiteit van de claim. De foto's komen van de verzekerde zelf, van tussenpersonen, van schadeherstelbedrijven en van experts. Het kunnen foto's zijn die de schade zelf zichtbaar maken; denk aan autoschade, glasschade of brandschade. Maar ze kunnen ook dienen om aan te tonen dat gestolen of verloren geraakte goederen daadwerkelijk in het bezit waren de verzekerde. Denk aan sieraden, kleding, camera's en dergelijken.
Claimbeoordeling
Om het beeldmateriaal goed te kunnen gebruiken moet zeker gesteld zijn dat de juiste foto's aangeleverd zijn en dat het beschadigde object vanuit elke gewenste hoek is gefotografeerd. Ook moet worden vastgesteld dat het object op de foto daadwerkelijk het verzekerde object is, dat niet een oude schade wordt mee-geclaimd en dat de foto niet eerder is gebruikt of van het internet is geplukt en gemanipuleerd. Vervolgens moeten de schade en de kosten van de schade kunnen worden vastgesteld. Is de auto total loss? Hoe groot is de brandschade? Zijn er zichtbare bijzonderheden die kunnen wijzen op fraude? Deze analyse kan worden gedaan door het toepassen van de 3 soorten AI, zoals eerdergenoemd. General AI wordt getraind met miljoenen afbeeldingen om algemene objecten zoals auto's, ramen, gebouwen, etc. op images te kunnen identificeren. Door de enorme hoeveelheid data en de grote rekenkracht, kan dit razendsnel en met grote trefzekerheid worden uitgevoerd. De product based AI wordt getraind aan de hand van specifieke claims - zoals glasschade - om de hoogte van de schade vast te stellen en eventuele fraude te herkennen. Als laatste stap kan de AI met verschillende machine learning algoritmes getraind worden in het specifieke domein waarin deze wordt toegepast: het proces van de betreffende verzekeraar. Met de combinatie van de drie soorten AI kan de claim optimaal en zo efficiënt mogelijk worden afgehandeld. Naar mate de AI langer zijn werk doet en steeds wordt gevoed met grote hoeveelheden data en met feedback over de afhandeling, doet hij steeds sneller en beter zijn werk. Het beoordelen van claims gaat daardoor sneller en in sommige gevallen (bij STP) zelfs volledig automatisch. Frauduleuze claims worden er meer en meer uitgefilterd. Naast Image analytics zijn er tal van andere vormen van AI beschikbaar en in ontwikkeling. Hiermee kunnen verzekeraars hun proces van risicoanalyse en fraudeherkenning aanzienlijk verbeteren. In de komende tijd zal ik met een aantal op onze ervaring met fraudebestrijding gebaseerde cases, hierop inzoomen.