Může umělá inteligence zpřesnit pojištění nákladní dopravy, nebo ho jen zrychlit?

Umělá inteligence nabízí pojišťovnám nové možnosti, jak automatizovat kontrolu dokumentů, získávat informace ze žádostí a analyzovat historické záznamy. Dopravcům mohou tyto funkce pomoci omezit administrativní prodlevy, které komplikují sjednávání pojištění.

Na této efektivitě záleží. Prodlevy při sjednávání pojištění mohou dopravcům bránit v nasazení nákladních vozidel do provozu, přijímání nových zakázek nebo pokračování v činnosti podle plánu.

Rychlejší rozhodnutí ale nemusí být nutně lepší.

V pojištění nákladní dopravy nikdy nebyl hlavním problémem úplný nedostatek dat. Pojišťovny mohou zohledňovat historii kontrol, bezpečnostní záznamy, hlášení o nehodách, oprávnění k provozu i dokumenty o dodržování předpisů. Výzvou je určit, co tyto záznamy skutečně vypovídají o dané firmě a co naopak neukazují.

Má-li umělá inteligence zlepšit pojištění nákladní dopravy, musí umět víc než jen urychlit posuzování rizik. Musí pojišťovnám pomáhat přesněji porozumět riziku.

Bezpečnostní záznamy nevypovídají o všem

Než jsem vstoupil do pojišťovnictví, spolupracoval jsem přímo s dopravními společnostmi na otázkách bezpečnosti a dodržování předpisů. Pomáhal jsem dopravcům získat oprávnění k provozu, uspořádat dokumentaci o kvalifikaci řidičů, vést záznamy a orientovat se v regulačních požadavcích. Tato zkušenost mi potvrdila důležitou lekci: záznamy o dodržování předpisů jsou užitečné, ale nemusí nutně odrážet každodenní fungování vozového parku.

Představme si dvě dopravní společnosti s podobnou velikostí vozového parku, historií provozu a záznamy o kontrolách. Jedna může důsledně dodržovat plán preventivní údržby, investovat do školení řidičů a řešit potenciální bezpečnostní problémy dřív, než se z nich stanou přestupky. Druhá může postupovat spíše reaktivně a řešit problémy, až když nastanou. Na papíře mohou tyto společnosti působit podobně, přestože k řízení rizik přistupují odlišně.

Může to být i naopak. Dopravce může mít ve svých záznamech přestupek nebo nehodu, aniž by tato událost plně vypovídala o jeho současných bezpečnostních postupech nebo o okolnostech, za kterých k ní došlo.

Federal Motor Carrier Safety Administration (FMCSA) ve svém Systému měření bezpečnosti využívá údaje ze silničních kontrol, nehod a vyšetřování, aby pomohla určit dopravce, u nichž může být namístě přijmout bezpečnostní opatření. Tyto záznamy jsou sice cenné pro regulatorní dohled, jejich účelem však není poskytnout úplné posouzení celkového bezpečnostního stavu dopravce ani jeho pojistitelnosti.

FMCSA také zdokumentovala omezení údajů v Systému měření bezpečnosti, včetně otázek týkajících se dostatečnosti údajů a toho, nakolik spolehlivě lze informace využít k různým účelům.

Umělá inteligence dokáže tyto záznamy rychle analyzovat, samotná rychlost však jejich omezení neodstraní.

Rizika automatizace při neúplných informacích

Využití umělé inteligence k omezení administrativní práce v komerčním pojištění nabízí zjevné příležitosti. Automatizované systémy by mohly pomáhat odhalovat nevyplněná pole v žádostech, porovnávat informace napříč dokumenty, uspořádávat bezpečnostní záznamy a označovat nesrovnalosti k prověření.

Tato zlepšení by mohla být obzvlášť přínosná v nákladní dopravě, kde shromažďování dokumentace často zahrnuje více stran a systémů.

Riziko vzniká tehdy, když se automatizovaná hodnocení považují za definitivní závěry. Systém umělé inteligence může například označit dopravce kvůli nepříznivému bezpečnostnímu ukazateli. Systém může daný záznam identifikovat správně, nemusí však zohlednit následná zlepšení provozu ani další informace, které mění výklad dané události.

Program FMCSA pro posuzování předcházení nehodám ukazuje, proč je důležitý kontext. Dopravci mohou v rámci programu požádat o přezkum některých nehod, které splňují stanovená kritéria. Pokud FMCSA rozhodne, že nehodě nebylo možné předejít, nezahrne ji do výpočtu kategorie Ukazatel nehodovosti ve svém Systému měření bezpečnosti, nehoda však zůstane v seznamu uvedena.

Program uznává, že záleží na okolnostech nehody, nejen na samotné existenci záznamu o ní.

Tento rozdíl je obzvlášť důležitý při hodnocení menších vozových parků. Velcí dopravci mohou mít specializované pracovníky pro bezpečnost a integrované systémy pro vykazování údajů, zatímco menší firmy mohou vést záznamy v tabulkách, e-mailech a u externích poskytovatelů služeb.

Chybějící doklad o údržbě může například znamenat, že údržba nebyla provedena. Může to ale také znamenat, že záznam existuje někde, kam systém nemá přístup. Tyto situace by neměly automaticky vést ke stejnému hodnocení.

Rámec řízení rizik umělé inteligence organizace National Institute of Standards and Technology nabízí nezávazné pokyny pro hodnocení spolehlivosti, transparentnosti a důvěryhodnosti systémů umělé inteligence.

Pro pojišťovny v nákladní dopravě představují tyto zásady užitečné vodítko při posuzování, zda jsou informace, o které se automatizované hodnocení opírá, aktuální, dostatečně úplné a vhodné pro zamýšlené použití.

Umělá inteligence musí rozpoznat, kdy jsou potřeba další informace

Jednou z nejužitečnějších schopností, které by systém umělé inteligence mohl mít, je rozpoznat, kdy rozhodnutí vyžaduje další kontext.

Místo toho, aby systém každou žádost posuzoval jako jednoznačné schválení či zamítnutí, měl by rozlišovat mezi situacemi, kdy jsou informace dostatečné, a těmi, které vyžadují upřesnění.

Představme si dopravce, jehož provozní profil se nedávno změnil. Automatizovaný systém by tuto změnu mohl zaznamenat, další otázky by však mohly objasnit, zda společnost rozšířila svou činnost o jiné druhy přepravovaného nákladu, pořídila další vozidla či vybavení nebo zavedla nové bezpečnostní postupy.

Každý z těchto faktorů může ovlivnit, jak by se mělo posuzovat riziko dané společnosti.

Právě zde je důležitá také vysvětlitelnost. Pokud systém umělé inteligence doporučí určitý výsledek, lidé odpovědní za rozhodnutí by měli vědět, které informace ho ovlivnily a zda je závěr přiměřený.

Pokyny NIST pro důvěryhodnou umělou inteligenci označují vysvětlitelnost, transparentnost, spolehlivost a odpovědnost za důležité vlastnosti důvěryhodných systémů. Uznávají také úlohu lidského úsudku při hodnocení výkonnosti umělé inteligence.

Cílem pojištění silničních dopravců by nemělo být odstranit otázky z procesu posuzování rizik. Mělo by jím být klást správné otázky už v jeho ranější fázi.

Lidská odbornost má stále význam

Zavádění umělé inteligence se někdy líčí jako volba mezi automatizací a lidským rozhodováním. V praxi je užitečnější určit, kterým úkolům prospívá technologie a které vyžadují odborný úsudek.

Umělá inteligence může pomoci uspořádat informace, rozpoznávat vzorce a omezit opakující se administrativní práci. Lidská odbornost je obzvlášť cenná, když jsou záznamy nejednoznačné nebo okolnosti dopravce nelze snadno zařadit do standardizovaných kategorií.

Člověk, který zná provoz v silniční dopravě, může rozpoznat, proč je určitý bezpečnostní problém důležitý, jak různé provozní podmínky ovlivňují míru rizika nebo proč si nedávné změny v provozu zaslouží bližší posouzení.

Tuto odbornost bychom neměli považovat za překážku automatizace. Může zvýšit užitečnost automatizovaného hodnocení.

Důležitá je také otázka odpovědnosti.

V prosinci 2023 přijala National Association of Insurance Commissioners vzorový oběžník o používání umělé inteligence pojišťovnami, který vymezuje regulatorní očekávání týkající se správy, řízení rizik a dodržování příslušných zákonů v oblasti pojišťovnictví.

Regulatorní účinek oběžníku závisí na tom, zda jej jednotlivé státy přijmou a uvedou do praxe, odráží však rostoucí pozornost věnovanou tomu, jak pojišťovny dohlížejí na rozhodování podporované umělou inteligencí.

Ani lidský úsudek není neomylný. Lidé mohou rozhodovat nejednotně nebo přehlédnout důležité informace. Příležitost spočívá ve spojení konzistentnosti a schopnosti zpracovávat informace, které nabízí umělá inteligence, s provozními znalostmi potřebnými k posouzení složitých situací.

Měřit přesnost, nejen efektivitu

Chtějí-li pojišťovny zjistit, zda umělá inteligence zlepšuje posuzování rizik, musí hodnotit víc než jen dobu vyřízení.

Zpracovat žádost během několika minut namísto několika dnů by byl provozní úspěch. Nemuselo by to však nutně dokazovat, že výsledné hodnocení je přesnější.

Smysluplnější hodnocení by zkoumalo, zda automatizovaná doporučení zůstávají spolehlivá u různých typů dopravců, jak často je třeba hodnocení opravovat a zda systém správně rozpoznává chybějící nebo rozporné informace.

Zvláštní pozornost si zaslouží menší vozové parky. Pokud model dosahuje dobrých výsledků u dopravců s rozsáhlými digitálními záznamy, ale hůře si vede u podniků s méně standardizovanou dokumentací, může být jeho účinnost nerovnoměrná.

Testování by mělo zohledňovat rozmanitost hodnocených podniků.

Hodnocení musí pokračovat i po nasazení systému. Změny předpisů, provozních postupů a dostupných informací mohou ovlivnit, zda systém zůstane v průběhu času spolehlivý.

Pojišťovny by měly být připraveny znovu posoudit také to, jak jejich systémy přikládají váhu různým druhům informací. Model, který například soustavně klade příliš velký důraz na jeden bezpečnostní ukazatel, by mohl přehlížet další faktory důležité pro provoz dopravce.

Cílem by mělo být neustálé zlepšování, nikoli pouze rychlejší zpracování.

Skutečnou příležitostí je lépe porozumět rizikům

Umělá inteligence může zefektivnit pojištění silničních dopravců, omezit administrativní prodlevy a pomoci pojišťovnám odhalit informace, které by jinak mohly přehlédnout.

Největší přínos však může spočívat v tom, že pomůže celému odvětví činit informovanější rozhodnutí.

Vozový park je víc než jen jeho historie kontrol a bezpečnostní záznamy jsou víc než pouhý seznam porušení předpisů. Porozumět riziku vyžaduje zohlednit, jak podnik funguje, jak řeší problémy a zda dostupné informace odpovídají jeho současné situaci.

Nejpřínosnější systémy umělé inteligence nemusí být nutně ty, které poskytují nejrychlejší odpovědi. Budou to ty, které pojišťovnám pomohou rozpoznat, kdy dostupné informace poskytují dostatečný podklad pro rozhodnutí a kdy je třeba dalšího posouzení.

Nakonec nejde o to, zda umělá inteligence dokáže zrychlit procesy v pojištění nákladní dopravy. Jde o to, zda dokáže zpřesnit rozhodování v tomto odvětví.

Právě podle tohoto měřítka by se měl posuzovat její úspěch.