Dr. Reuven Shnaps, Chief Analytics Officer hos Earnix – Intervieuserie

Dr. Reuven Shnaps er Chief Analytics Officer hos Earnix, en ledende leverandør af mission-kritiske systemer til globale forsikringsselskaber og banker.

Hvad var det, der oprindeligt tiltrak dig til datavidenskab og AI?

Jeg har altid haft en fascination af matematik, data og deres potentiale til at løse forretningsudfordringer. Gennem mine akademiske studier og karriere har jeg søgt efter muligheder for at lære om statistik, økonomi og hvordan man kan anvende disse fag til at forstå forbrugeradfærd. Jeg beundrer datavidenskabsmænd, moderne statistikere og økonometrikere, der har den unikke evne til at analysere store mængder data og løse virkelige forretningsproblemer. Jeg har dedikeret min karriere til datavidenskab og kombinationen af traditionelle statistiske metoder, nye maskinlæringsalgoritmer og de seneste kunstig intelligens-anvendelser til at skabe forretningsløsninger, der leverer langsigtede værdier for vores kunder.

Hvad laver Earnix?

Earnix er en global leverandør af softwareløsninger, der giver forsikringsselskaber og banker mulighed for at tilbyde hurtigere, smartere og sikrere priser, produkter og tilbud til forbrugerne. Vores system er drevet af AI og ML og inkluderer en bred vifte af analytiske modelleringsværktøjer, applikationer og avancerede algoritmer. For nylig blev Earnix inkluderet på listen over “Insurtechs to watch in 2021” i USA og blev anerkendt som markedsleder i prædikativ analyse af CB Insights, en analyse- og forskningsvirksomhed i teknologisektoren. Earnix udnytter innovativ teknologi til at hjælpe forsikringsselskaber og banker med at møde forbrugernes behov i realtid.

Earnix skrev nylig en artikel til os om vigtigheden af forklarbarhed i AI. Hvordan vigtig er du om forklarbarhed i AI?

Forklarbarhed er et trendy emne i AI og dataanalyse. Det påvirker virksomheder på tværs af brancher, uanset om de bruger AI eller ej.

De fleste virksomheder oplever en afvejning mellem deres niveau af kontrol og effektiviteten af AI. For at virksomheder kan stole på og adoptere “sorte boks”-AI, skal der være en mekanisme, der giver eksperter og interessenter mulighed for at fortolke komplekse AI-beslutningsprocesser og sikre overholdelse af reguleringskrav. Forbrugere kan også have gavn af det ved at kunne forstå og muligvis navigere i nøglefaktorerne bag priser, kredit- eller underwriting-beslutninger. Forklarbarhed er broen, der gør kompliceret AI mere forståelig og gennemsigtig. Med muligheden for at oversætte avancerede ML-modeller behøver analytics-professionelle ikke at ofre mere avancerede algoritmer på grund af manglende forståelse. Forklarbarhed minimiserer afvejningen mellem kontrol og værdi, samtidig med at den maksimerer AI’s fordele.

Kan du diskutere nogle af de maskinlærings-teknologier, der anvendes hos Earnix?

Earnix giver forsikringsselskaber og banker mulighed for at implementere den seneste AI på en virksomhedsomfattende, skalerbar, cloud-baseret rating engine. Vores fuldt automatiserede rating engine operationaliserer modeller i produktion til at tilbyde realtid, højtilpassede forsikrings- og bankprodukter, der er tilpasset forbrugernes behov. Vores åbne platform-kapaciteter giver mulighed for integration med en bred vifte af ML-modeller og -platforme som H20, Data Robot og Python. Earnix har udviklet en unik hybridmodel til at udnytte den kombinerede kraft af traditionelle statistiske modelleringsteknikker og træbaserede ML-modeller til prisbeslutninger

Vi er altid på mission for at opdage nye måder at udnytte maskinlæringskapaciteter, som forsikringsselskaber og banker kan bruge til at forbedre deres forretninger på en måde, der direkte gavner forbrugerne. Vi er i øjeblikket i gang med at udforske anvendelser af smart overvågning og online-læring, Contextual Multi-Arm Bandits (MAB) til design af effektive pakke-test og tilpasning af personlige produktsammenfattelser til kunder, samt dybe læringsalgoritmer til analyse af højfrekvent data. På denne måde hjælper vi forsikringsselskaber og banker med at tilbyde hurtigere, smartere og sikrere produkter, priser og tilbud.

Hvordan moderniserer AI banker og forsikringsselskaber?

Traditionelle forsikringsselskaber og banker, der afhænger af legacy-systemer og siloede, manuelle processer, udfordres af AI-drevne virksomheder. AI har skabt en omgang, hvor forsikringsselskaber og banker må innovere hurtigere, behandle store mængder data på tværs af multiple kilder og typer, automatisere manuelle operationelle processer, strømline og forbedre kunderejser og engagement, tilbyde mere tilpassede produkter og priser og opnå øjeblikkelig værdi. Det har gendefineret, hvordan forsikringsselskaber og banker opererer, og integration af AI er afgørende for at være konkurrencedygtig og give forbrugerne, hvad de vil have.

For eksempel er forbrugerne i stigende grad begyndt at søge efter brugsbaseret og adfærdsbaseret forsikring (UBI/BBI) muligheder, fordi de vil have, at deres bilforsikringspriser skal bestemmes af deres brug og kørselsadfærd, snarere end af deres demografiske karakteristika alene. Med vores automatisering, ML og analytiske kapaciteter kan forsikringsselskaber nu operationalisere de store telematikdata, opnå hurtig implementering af tilbud, gen vurdering af forbruger-risiko samt tilpasse priser og produktsammenfattelser derefter.

Er der noget andet, du gerne vil dele om Earnix?

Der er meget forskning om, hvordan brugen af AI forbedrer forretningsprocesser og resultater, men der er ingen playbook om, hvordan man kombinerer kraften af AI og dets potentiale i forretningsoperationer for at levere værdi øjeblikkeligt og fremme forretningsvækst. Mange finansielle services-virksomheder kæmper med at kombinere AI med deres operationer. Earnix’s end-to-end-teknologi løser dette akutte behov og smerte-punkt. Jeg er stolt af at arbejde for en virksomhed, der bruger analytics til at finde nye måder at skabe en dyb tillidsbaseret relation mellem forbrugeren og bank- og forsikringsindustrien.

Tak for de fantastiske svar. Læsere, der ønsker at lære mere, skal besøge Earnix.