Piše: Petar Jovanović, direktor Službe za aktuarijat, Triglav osiguranje
Primena veštačke inteligencije u najraznovrsnijim oblastima poslovanja tema je koja se ne može zaobići. U prethodnom periodu, modeli mašinskog učenja našli su svoju primenu u različitim oblastima industrije osiguranja. Informacije u pogledu ugovorenih polisa osiguranja, statusa odštetnih zahteva i ostale podatke u vezi s ponudom određene osiguravajuće kompanije, klijenti mogu dobiti na osnovu komunikacije sa chatbot-ovima ili virtuelnim asistentima koji funkcionišu na osnovu predefinisanih algoritama mašinskog učenja. Informacije koje se dobijaju iz navedene komunikacije dalje se interpretiraju i mogu koristiti u marketinškim aktivnostima u cilju povećanja obima portfelja osiguranja. U pogledu otkrivanja prevara u osiguranju, primena modela mašinskog učenja osiguravajućem društvu pomaže da na što precizniji način locira potencijalne klijente koji su nepoželjni u portfelju usled (neuspešnih ili uspešnih) pokušaja prevarnih radnji. Upotreba modela mašinskog učenja sve je veća i u oblasti preuzimanja rizika, u cilju što boljih informacija o klijentu dobijenih na osnovu svih dostupnih izvora u trenutku sklapanja novih polisa osiguranja.
Kod aktuarstva, a pre svega u pogledu izračuna premije osiguranja (pricing-a), sve zastupljenija je primena mašinskog učenja, ali uz određena ograničenja. Modeli mašinskog učenja koji se koriste pri određivanju premije osiguranja, imaju ograničenja usled činjenice da je osiguranje u velikoj meri striktno zakonski uređena oblast. Jedan od izazova pri korišćenju algoritama mašinskog učenja svakako je njihova (black box) karakterstika da se teško mogu obrazložiti i razumeti u celini, što umanjuje transparentnost. I pored toga, ukoliko u budućnosti društva za osiguranje uspeju da reše ovaj problem i doprinesu transparentnosti kroz razumevanje koje su promenljive korišćene, koja je njihova statistička značajnost itd. sve veća primena navedenih algoritama biće moguća kod donošenja odluka i što preciznije procene rizika osiguranja, odnosno određivanja cene osiguranja. Pored toga, ograničenja postoje i u pogledu zaštite ličnih podataka jer ih modeli mašinskog učenja koriste kao važne prediktore rizika osiguranja koji mogu uticati na visinu premije osiguranja.
Kod izračuna rezervacija za štete (i ostalih tehničkih rezervi osiguranja) modeli mašinskog učenja se mogu koristiti u cilju što preciznijeg izračuna rezervacija, ali i ocene varijabilnosti navedenog iznosa, što je neophodno kod obračuna u skladu s novim računovodstvenim standardom IFRS 17. Međutim, rezultati poslovanja (finansijskih izveštaja) osiguravajućih društava, prema novom računovodstvenom IFRS 17 standardu, ne mogu se tumačiti primenom postojećih modela mašinskog učenja, već će to i u narednom periodu raditi aktuari zbog transparentnosti, razumljivosti i uporedivosti rezultata. Nivo kompleksnosti izračuna, aktuarske procene kod ocena određenih veličina koje su potrebne u cilju kreiranja finansijskih izveštaja u skladu s novim računovodstvenim standardom IFRS 17, odluke koje se donose u okviru navedenog procesa (u skladu sa ograničenjima u pogledu podataka kojima osiguravajuće društvo raspolaže), komunikacija dobijenih rezultata sa Upravom društva samo su neki od razloga zbog kojih sam mišljenja da u doglednoj budućnosti modeli mašinskog učenja neće u celini ili delimično zameniti aktuarske izračune i zaposlene koji se time bave.
Prostor za unapređenje i modele mašinskog učenja koji bi u budućnosti mogli da doprinesu aktuarskoj oblasti je veliki. Očekivanja još uvek prevazilaze mogućnosti ovih modela, ali s obzirom na razvoj ove oblasti, nije nemoguće da se u narednom periodu pojave rešenja koja bi u određenoj meri pomogla aktuarima da što kvalitetnije ispune sve zahtevnije zahteve koje postavlja regulativa. Vreme će pokazati.
