Innovation sparks
La Generative AI nel mondo assicurativo: gioco o strumento di business?
Di Alena Tsishchanka, Head of EMEA Industry Business Development, SAS
La Generative AI sta trasformando rapidamente il settore assicurativo, rendendo l'analisi dei dati più semplice e veloce per tutti.
Come evidenziato nel precedente articolo sulla democratizzazione dell'Intelligenza Artificiale all'interno delle organizzazioni, si tratta di un trend in costante crescita che consente alle compagnie assicurative di adottare le nuove tecnologie in modo più rapido ed efficace, a supporto di un processo decisionale informato.
La Generative AI accelera esponenzialmente questa trasformazione perché, a differenza di altri approcci, si basa sul linguaggio naturale; quindi, può accedere a una vasta gamma di informazioni, anche destrutturate, come testi, discorsi, audio, video e immagini, fornendo risposte di facile comprensione scritte in linguaggio naturale. Questo significa che chiunque può porre domande complesse e ottenere risposte dettagliate senza necessità di una preparazione specifica. Tuttavia, è importante considerare i benefici e i rischi associati a questa evoluzione.
In particolare, sono due i macro ambiti di Generative AI che oggi stanno impattando significativamente il busness assicurativo:
- Adozione di queste tecnologie per migliorare la customer experience, ottimizzare i processi interni, accelerare gli sviluppi di prodotti e servizi innovativi. Secondo l'ultima indagine condotta da Sprout.ai sui professionisti assicurativi negli Stati Uniti e nel Regno Unito, il 59% delle compagnie assicurative con più di 100 dipendenti sta già utilizzando tecnologie di Generative AI, come ChatGPT. Inoltre, sempre secondo la stessa indagine, il 27% delle compagnie assicurative nel Regno Unito e il 40% negli Stati Uniti stanno impiegando la Generative AI nei loro processi.
- Nuovo business assicurativo legato alla gestione di rischi derivanti dall’utilizzo della Generative AI: Secondo la ricerca di AON , l’AI diventerà una delle cause più impattanti della crecente volatilità di profitti delle aziende, entrando nella top 20 dei principali rischi da gestire già nei prossimi 3 annni. Le polizze assicurative potrebbero indirizzarli con le coperture specifiche sui rischi operativi, etici e regolamentari derivanti dall’utilizzo dell’IA generativa.
Volendo focalizzarci sulla prima categoria – adozione di tecnologie di Generative AI da parte delle compagnie, sono tre le tipologie rilevanti, ossia dati sintetici, digital twins e modelli LLM.
Con i dati sintetici, le compagnie assicurative possono creare insiemi di dati diversificati che comprendono una vasta gamma di scenari da analizzare e valutare. Non solo, l'eliminazione dei bias, altro vantaggio significativo dell’utilizzo dei dati sintetici, garantisce una rappresentazione equa e accurata di diversi gruppi di clienti. Alena Tsishchanka Head of EMEA Industry Business Development SAS
Dati sintetici
I dati sintetici sono dati generati artificialmente che imitano dati reali ma non contengono informazioni personali identificabili o dettagli sensibili. I metodi tradizionali di valutazione del rischio spesso faticano a catturare le complessità del mondo moderno. È qui che entrano in gioco i dati sintetici. Con il loro aiuto, le compagnie assicurative possono creare insiemi di dati diversificati che comprendono una vasta gamma di scenari da analizzare e valutare. Non solo, l'eliminazione dei bias, altro vantaggio significativo dell’utilizzo dei dati sintetici, garantisce una rappresentazione equa e accurata di diversi gruppi di clienti; infatti a differenza dei dati reali disponibili, che possono non essere rappresentatitvi di tutti i gruppi di popolazioni, i dati sintetici possono essere elaborati in modo da includere diverse informazioni come quelle demografiche.
SAS ha collaborato con alcune compagnie arricchendo i loro data base relativi alle polizze salute con indicatori socio-economici provenienti da indagini statistiche nazionali – tra cui aspetti della vita quotidiana, spese delle famiglie - e da ricerche nazionali sul reddito delle famiglie. Grazie a questi dati, è possibile comprendere meglio il comportamento dei diversi consumatori su più territori e analizzare potenziali gap delle popolazioni sottoassicurate o non adeguatemente informate sui rischi ai quali sono esposti e sulla possibilità di coperture.
Digital Twin
I digital twin sono una rappresentazione virtuale di un oggetto fisico, di un sistema o di un processo. Consentono il monitoraggio, l'analisi e la simulazione in tempo reale per migliorare la comprensione del comportamento di quell'oggetto/sistema/processo per prendere decisioni appropriate e analizzarne le prestazioni.
I digital twin, combinati con l'Internet of Things, offrono alle compagnie assicurative l'opportunità di prevenire i rischi anziché gestire le conseguenze.
Consideriamo, ad esempio, una nave che trasporta merci da un porto a un altro. Dispositivi IoT nelle vicinanze avvertono che la nave andrà presto incontro a una tempesta. Il digital twin della nave raccoglie dati in tempo reale da tutti i sistemi della nave. Queste informazioni vengono utilizzate per eseguire una simulazione che riflette gli effetti della tempesta sulla nave stessa. Sulla base dei risultati della simulazione, il capitano può decidere se continuare il viaggio o tornare in porto.
Per indirizzare simili sfide SAS ha stretto una partnership con Lloyds List Intelligence dove l’AI viene impiegata per l’analisi e la prevenzione dei rischi marittimi, incluse le tematiche di compliance per attività illecite come trasporto di merci nei porti soggetti a sanzioni.
Large Language Models (LLM)
I LLM sono progettati per comprendere e generare testo simile a quello prodotto da un essere umano. Applicazioni basati su questi modelli potrebbero diventare i nostri assistenti in molti processi. Gli LLM potrebbero essere utilizzati per analizzare grandi quantità di dati non strutturati, inclusi fascicoli dei sinistri o post sui social media, ed estrarne informazioni utili. Possono anche essere utilizzati per generare contenuti specifici e automatizzare diversi processi. Ad esemio, in SAS abbiamo integrato la nostra soluzione di gestione delle campagne di marketing con gli LLM: con la soluzione SAS, gli esperti di marketing possono capire come si comportano i clienti e, in base alle loro caratteristiche, definire vari segment per creare offerte personalizzate. Grazie all'integrazione con gli LLM, si possono creare automaticamente contenuti per offerte specifiche, come testi e immagini, addatti alla clientela con la quale vogliamo comunicare. (Scopri di più in questo comunicato stampa SAS’ MarTech platform integrates with generative AI).
Altro ambito interessante è il processo investigativo, dove gli LLM possono aiutarci a individuare nella documentazione evidenze particolari, punti oscuri, discrepanze nella documentazione.
É interessante osservare che la maggior parte delle opportunità e degli esperimenti sull'uso della Generative AI nel mondo assicurativo in questo momento riguarda principalmente l'impiego di strumenti come Chat GPT per ottimizzare la produttività individuale. Tuttavia, queste iniziative rappresentano solo la punta dell'iceberg. La vera forza della Generative AI risiede nell'integrazione delle sue potenzialità all'interno dei processi assicurativi al fine di migliorare la profittabilità, ridurre i costi e ottimizzare l'operatività.
La parola chiave è "integrazione" e "scalabilità", e le sperimentazioni in ambito Generative AI dovranno concentrarsi sempre più sui progetti pilota anziché sui "proof of concept". Non si tratta più di valutare il potenziale di un singolo metodo di Generative AI, ma di comprendere come questo possa migliorare i processi esistenti, tenendo conto dei rischi e dei costi associati al suo utilizzo.
Le criticità da gestire sono tuttavia molteplici: dalla protezione dei dati alla gestione dei rischi di "hallucination" dell'AI, fino alla necessità di supervisione umana e all'ottimizzazione dei costi delle applicazioni basate sulla Generative AI. In particolare, in SAS stiamo lavorando con diversi clienti per cercare di indirizzare i seguenti aspetti:
Equilibrio tra Autonomia e Governance: come garantire agli utenti di business un'ampia autonomia nell'utilizzo degli strumenti come gli LLM, consentendo loro di sfruttare appieno il potenziale offerto, mantenendo al contempo un ambiente controllato e definendo le funzioni disponibili e i relativi accessi.
Integrazione fluida nei processi di business: come integrare le funzionalità degli LLM nei processi esistenti per migliorare l'efficienza operativa e garantire un flusso armonioso e senza perdite di informazioni durante il passaggio tra le applicazioni.
Catalogo delle risorse utilizzabili: come organizzare un catalogo completo delle risorse disponibili per gli strumenti come gli LLM, per assicurare la qualità dei dati, mantenere un dizionario di business aggiornato e migliorare l'usabilità dei dati per ottenere risultati più precisi.
Compliance e riservatezza dei dati: come gestire e controllare il flusso dei dati sensibili verso gli LLM e garantire che le risposte automatiche fornite siano conformi alle specifiche normative e ai requisiti di privacy del processo aziendale.
Sostenibilità nell'utilizzo della Generative AI: come ottimizzare l'utilizzo delle risorse necessarie per l'implementazione degli LLM, considerando i potenziali costi elevati e valutando l'efficacia delle alternative più tradizionali, come ad esempio il text mining.
È quindi fondamentale che le compagnie assicurative adottino un approccio equilibrato per cogliere appieno i vantaggi offerti della Generative AI, mantenendo al contempo un controllo efficace e sostenibile sulle proprie attività.
29 febbraio 2024
Articoli consigliati
-
Innovation sparksToyota Financial Services e il Supporto Avanzato di SASCarla Sanarica, IT CRM and Data Analytics Manager, descrive l'ambizioso percorso di trasformazione digitale di Toyota Financial Services e l'importanza della scelta di un partner tecnologico affidabile e collaborativo.
-
Innovation sparksAI e innovazione dei dati: come l’intelligenza artificiale cambia i processi e protegge le informazioniNaica Tedesco, Senior Manager di Target Reply con anni di esperienza nella consulenza strategica dei dati, condivide una visione pragmatica sull’AI, in cui il potenziale innovativo si bilancia con la necessità di garantire sicurezza e privacy.
-
Innovation sparksDall'analisi predittiva all'etica dei dati: il futuro della Loss Prevention nel RetailNel settore retail, dove margini sempre più sottili e complesse catene di fornitura richiedono costanti sforzi di ottimizzazione, il tema della prevenzione delle perdite (Loss Prevention) emerge con forza.
-
What's HotLe previsioni di SAS per il 2025: L'AI si specializza e abbraccia la sostenibilitàExecutive di SAS hanno esplorato il futuro per anticipare tendenze e sviluppi chiave nel business e nella tecnologia per il 2025. Ecco alcune delle loro previsioni.