Dr. Reuven Shnaps, Chief Analytics Officer bei Earnix – Interview-Serie

Dr. Reuven Shnaps ist der Chief Analytics Officer bei Earnix, einem führenden Anbieter von mission-kritischen Systemen für globale Versicherer und Banken.

Was hat Sie ursprünglich zur Datenwissenschaft und künstlichen Intelligenz hingezogen?

Ich habe immer eine Faszination für Mathematik, Daten und ihre potenzielle Fähigkeit, Geschäftsherausforderungen zu lösen. Während meiner akademischen Studien und meiner Karriere habe ich nach Möglichkeiten gesucht, um Statistik, Wirtschaft und die Anwendung dieser Felder auf das Verständnis des Verbraucherverhaltens zu erlernen. Ich bewundere Datenwissenschaftler, moderne Statistiker und Ökonometriker, die die einzigartige Fähigkeit haben, große Datenmengen zu analysieren und reale Geschäftprobleme anzugehen. Ich habe meine Karriere der Datenwissenschaft und der Kombination traditioneller statistischer Methoden, neuer Maschinenlern-Algorithmen und der neuesten künstlichen Intelligenz-Anwendungen zur Schaffung von Geschäftslösungen gewidmet, die langfristigen Wert für unsere Kunden liefern.

Was macht Earnix?

Earnix ist ein globaler Anbieter von Softwarelösungen, die Versicherern und Banken ermöglichen, schneller, intelligenter und sicherere Tarife, Preise und personalisierte Produktangebote für Verbraucher bereitzustellen. Unser System wird von künstlicher Intelligenz und Maschinenlernen angetrieben und umfasst eine breite Palette von analytischen Modellierungstools, Anwendungen und fortschrittlichen Algorithmen. Kürzlich wurde Earnix in die Liste der “Insurtechs, die 2021 beobachtet werden sollten” in den USA aufgenommen und von CB Insights, einem Analyse- und Forschungsunternehmen im Technologiebereich, als Marktführer im Bereich Predictive Analytics anerkannt. Earnix nutzt innovative Technologie, um Versicherern und Banken zu helfen, die Bedürfnisse der Verbraucher in Echtzeit zu erfüllen.

Earnix hat kürzlich einen Artikel für uns über die Bedeutung von Erklärbarkeit in der künstlichen Intelligenz verfasst. Wie wichtig halten Sie die Erklärbarkeit in der künstlichen Intelligenz?

Erklärbarkeit ist ein aktuelles Thema in der künstlichen Intelligenz und Datenanalyse. Es betrifft Unternehmen aus verschiedenen Branchen, ob sie künstliche Intelligenz verwenden oder nicht.

Die meisten Unternehmen erleben einen Kompromiss zwischen ihrem Kontrollgrad und der Effektivität der künstlichen Intelligenz. Damit Unternehmen die Verwendung von “Black-Box”-künstlicher Intelligenz vertrauen und annehmen können, muss es einen Mechanismus geben, der Experten und Stakeholdern die Möglichkeit gibt, komplexe Entscheidungsprozesse der künstlichen Intelligenz zu interpretieren und die Einhaltung regulatorischer Anforderungen sicherzustellen. Verbraucher können auch davon profitieren, indem sie die wichtigsten Treiber hinter Preis-, Kredit- oder Underwriting-Entscheidungen verstehen und navigieren können. Erklärbarkeit ist die Brücke, die komplexe künstliche Intelligenz verständlicher und transparenter macht. Durch die Fähigkeit, fortschrittliche Maschinenlern-Modelle zu übersetzen, müssen Analyse-Experten nicht aufgrund mangelnder Verständlichkeit auf fortgeschrittenere Algorithmen verzichten. Erklärbarkeit minimiert den Kompromiss zwischen Kontrolle und Wert und maximiert die Vorteile der künstlichen Intelligenz.

Können Sie einige der Maschinenlern-Technologien besprechen, die bei Earnix verwendet werden?

Earnix ermöglicht es Versicherern und Banken, die neueste künstliche Intelligenz in einem unternehmensweiten, skalierbaren, cloudbasierten Rating-Engine zu bereitstellen. Unser vollautomatischer Rating-Engine setzt Modelle in die Produktion um, um Echtzeit-, hochpersonalisierte Versicherungs- und Bankprodukte anzubieten, die auf die Bedürfnisse der Verbraucher abgestimmt sind. Unsere offene Plattform ermöglicht die Integration mit einer breiten Palette von Maschinenlern-Modellen und -Plattformen wie H20, Data Robot und Python. Earnix hat ein einzigartiges Hybridmodell entwickelt, um die kombinierte Kraft traditioneller statistischer Modellierungstechniken und baumbasierter Maschinenlern-Modelle für Preisentscheidungen effektiv zu nutzen

Wir sind ständig auf der Suche nach neuen Möglichkeiten, Maschinenlern-Kapazitäten zu nutzen, die Versicherern und Banken helfen, ihre Unternehmen zu verbessern, um den Verbrauchern direkt zu nützen. Wir erkunden derzeit Anwendungen von intelligentem Monitoring und Online-Lernen, Kontextualisierten Multi-Arm-Bandits (MAB) für die Gestaltung effizienter Pakettests und die Anpassung personalisierter Produkt-/Paketangebote an Kunden sowie tiefere Lernalgorithmen für die Analyse von Hochfrequenzdaten. Auf diese Weise helfen wir Versicherern und Banken, schnellere, intelligentere und sicherere Produkte, Tarife und Preise anzubieten.

Wie modernisiert die künstliche Intelligenz Banken und Versicherungsunternehmen?

Traditionelle Versicherer und Banken, die auf veraltete Systeme und siloartige, manuelle Prozesse angewiesen sind, werden von künstlichen Intelligenz-getriebenen Unternehmen herausgefordert. Künstliche Intelligenz hat ein Umfeld geschaffen, in dem Versicherungsunternehmen und Banken innovativer sein müssen, große Datenmengen aus verschiedenen Quellen und Typen verarbeiten, manuelle Betriebsprozesse automatisieren, den Kundenweg und die Kundenbindung optimieren, personalisierte Produkte und Tarife anbieten und sofortigen Zeitwert erzielen. Sie hat die Art und Weise, wie Versicherer und Banken operieren, neu definiert, und die Integration von künstlicher Intelligenz ist entscheidend, um wettbewerbsfähig zu bleiben und den Verbrauchern das zu bieten, was sie wollen.

Beispielsweise wenden sich Verbraucher zunehmend an nutzungs- und verhaltensbasierte Versicherungsoptionen (UBI/BBI), da sie möchten, dass ihre Autoversicherungstarife auf der Grundlage ihrer Nutzung und Fahrverhaltens und nicht nur auf der Grundlage ihrer Demografie bestimmt werden. Mit unserer Automatisierung, Maschinenlern- und Analysefähigkeiten können Versicherer nun die umfangreichen Telematikdaten operationalisieren, schnelle Bereitstellung von Angeboten erreichen, das Verbraucherrisiko neu bewerten und die Preis- und Produktangebote entsprechend anpassen.

Gibt es noch etwas, das Sie über Earnix teilen möchten?

Es gibt viele Forschungen darüber, wie die Verwendung von künstlicher Intelligenz Geschäftsprozesse und -ergebnisse verbessert, aber es gibt kein Handbuch darüber, wie man die Kraft der künstlichen Intelligenz und ihr Potenzial in Geschäftsoperationen kombinieren kann, um sofortigen Wert zu liefern und Geschäftswachstum zu fördern. Viele Finanzdienstleistungsunternehmen haben Schwierigkeiten, künstliche Intelligenz mit ihren Betrieben zu verbinden. Earnix’ End-to-End-Technologie löst dieses akute Bedürfnis und diesen Schmerzpunkt. Ich bin stolz darauf, für ein Unternehmen zu arbeiten, das Analytics nutzt, um neue Wege zu finden, um ein tiefes, vertrauensorientiertes Verhältnis zwischen Verbrauchern und der Banken- und Versicherungsbranche zu fördern.

Vielen Dank für die großartigen Antworten. Leser, die mehr erfahren möchten, sollten Earnix besuchen.