Μπορεί η τεχνητή νοημοσύνη να κάνει την ασφάλιση φορτηγών ακριβέστερη ή απλώς ταχύτερη;

Η τεχνητή νοημοσύνη προσφέρει στους ασφαλιστές νέους τρόπους να αυτοματοποιούν τον έλεγχο εγγράφων, να εξάγουν πληροφορίες από αιτήσεις και να αναλύουν ιστορικά αρχεία. Για τις εταιρείες μεταφορών, αυτές οι δυνατότητες θα μπορούσαν να συμβάλουν στη μείωση των διοικητικών καθυστερήσεων που περιπλέκουν τη διαδικασία εξασφάλισης ασφαλιστικής κάλυψης.

Αυτή η αποδοτικότητα έχει σημασία. Οι καθυστερήσεις στην ασφάλιση μπορεί να εμποδίσουν τις μεταφορικές εταιρείες να θέσουν φορτηγά σε κυκλοφορία, να αναλάβουν νέες συμβάσεις ή να συνεχίσουν τις δραστηριότητές τους όπως είχαν προγραμματίσει.

Ωστόσο, οι ταχύτερες αποφάσεις δεν είναι απαραίτητα και καλύτερες.

Στην ασφάλιση φορτηγών, η πρόκληση δεν ήταν ποτέ η παντελής έλλειψη δεδομένων. Οι ασφαλιστές μπορούν να εξετάζουν το ιστορικό επιθεωρήσεων, τα αρχεία ασφάλειας, τις αναφορές ατυχημάτων, τις άδειες λειτουργίας και τα έγγραφα συμμόρφωσης. Η πρόκληση είναι να διαπιστωθεί τι αποκαλύπτουν πραγματικά αυτά τα αρχεία για μια επιχείρηση και τι δεν αποτυπώνουν.

Αν η τεχνητή νοημοσύνη πρόκειται να βελτιώσει την ασφάλιση φορτηγών, πρέπει να κάνει περισσότερα από το να επιταχύνει την αξιολόγηση ασφαλιστικών κινδύνων. Πρέπει να βοηθά τους ασφαλιστές να σχηματίζουν ακριβέστερη εικόνα του κινδύνου.

Το ιστορικό ασφάλειας δεν αποκαλύπτει όλη την εικόνα

Πριν εργαστώ στον ασφαλιστικό κλάδο, συνεργάστηκα άμεσα με εταιρείες μεταφορών σε θέματα ασφάλειας και συμμόρφωσης, βοηθώντας τις να εξασφαλίσουν άδεια λειτουργίας, να οργανώσουν τους φακέλους προσόντων των οδηγών, να τηρούν αρχεία και να ανταποκρίνονται στις κανονιστικές απαιτήσεις. Αυτή η εμπειρία ενίσχυσε ένα σημαντικό δίδαγμα: τα αρχεία συμμόρφωσης είναι χρήσιμα, αλλά δεν αντικατοπτρίζουν απαραίτητα τον τρόπο με τον οποίο λειτουργεί καθημερινά ένας στόλος.

Ας εξετάσουμε δύο εταιρείες μεταφορών με παρόμοιο μέγεθος στόλου, ιστορικό λειτουργίας και αρχεία επιθεωρήσεων. Η μία μπορεί να ακολουθεί σταθερό πρόγραμμα προληπτικής συντήρησης, να επενδύει στην εκπαίδευση των οδηγών και να αντιμετωπίζει πιθανά ζητήματα ασφάλειας προτού εξελιχθούν σε παραβάσεις. Η άλλη μπορεί να υιοθετεί πιο αντιδραστική προσέγγιση, αντιμετωπίζοντας τα προβλήματα μόνο όταν προκύπτουν. Στα χαρτιά, οι δύο εταιρείες μπορεί να φαίνονται παρόμοιες, παρότι ακολουθούν διαφορετικές προσεγγίσεις στη διαχείριση κινδύνων.

Μπορεί να συμβεί και το αντίστροφο. Στο ιστορικό μιας μεταφορικής εταιρείας μπορεί να υπάρχει παράβαση ή ατύχημα, χωρίς το συγκεκριμένο συμβάν να εξηγεί πλήρως τις τρέχουσες πρακτικές ασφάλειας ή τις συνθήκες υπό τις οποίες συνέβη.

Το Σύστημα Μέτρησης Ασφάλειας της Ομοσπονδιακής Υπηρεσίας Ασφάλειας Αυτοκινητιστών (FMCSA) χρησιμοποιεί δεδομένα από επιθεωρήσεις καθ’ οδόν, ατυχήματα και έρευνες για να βοηθά στον εντοπισμό μεταφορικών εταιρειών που ενδέχεται να χρειάζονται παρεμβάσεις για την ασφάλεια. Παρότι είναι χρήσιμα για την κανονιστική εποπτεία, τα αρχεία αυτά δεν προορίζονται να παρέχουν πλήρη αξιολόγηση της συνολικής κατάστασης ασφάλειας μιας μεταφορικής εταιρείας ή της ασφαλισιμότητάς της.

Η FMCSA έχει επίσης καταγράψει περιορισμούς στα δεδομένα του Συστήματος Μέτρησης Ασφάλειας, μεταξύ των οποίων ζητήματα σχετικά με την επάρκεια των δεδομένων και το κατά πόσο οι πληροφορίες μπορούν να στηρίξουν με αξιοπιστία διαφορετικές χρήσεις.

Η τεχνητή νοημοσύνη μπορεί να αναλύει αυτά τα αρχεία γρήγορα, αλλά η ταχύτητα από μόνη της δεν αίρει τους περιορισμούς τους.

Οι κίνδυνοι της αυτοματοποίησης με ελλιπή στοιχεία

Υπάρχουν σαφείς δυνατότητες αξιοποίησης της τεχνητής νοημοσύνης για τη μείωση του διοικητικού φόρτου στις εμπορικές ασφαλίσεις. Τα αυτοματοποιημένα συστήματα θα μπορούσαν να βοηθούν στον εντοπισμό πεδίων που λείπουν από αιτήσεις, στη σύγκριση πληροφοριών μεταξύ εγγράφων, στην οργάνωση αρχείων ασφάλειας και στην επισήμανση αποκλίσεων προς έλεγχο.

Αυτές οι βελτιώσεις θα μπορούσαν να είναι ιδιαίτερα πολύτιμες στις μεταφορές, όπου η συγκέντρωση των εγγράφων συχνά απαιτεί τη συνεργασία πολλών μερών και συστημάτων.

Ο κίνδυνος προκύπτει όταν οι αυτοματοποιημένες αξιολογήσεις αντιμετωπίζονται ως οριστικά συμπεράσματα. Για παράδειγμα, ένα σύστημα τεχνητής νοημοσύνης μπορεί να επισημάνει μια μεταφορική εταιρεία λόγω ενός αρνητικού δείκτη ασφάλειας. Το σύστημα ενδέχεται να εντοπίσει σωστά το σχετικό αρχείο, αλλά να μην λάβει υπόψη μεταγενέστερες λειτουργικές βελτιώσεις ή πρόσθετες πληροφορίες που αλλάζουν τον τρόπο με τον οποίο πρέπει να ερμηνευτεί το συμβάν.

Το Πρόγραμμα Προσδιορισμού Δυνατότητας Αποτροπής Ατυχημάτων της FMCSA δείχνει γιατί έχει σημασία το πλαίσιο. Το πρόγραμμα επιτρέπει στις μεταφορικές εταιρείες να ζητούν επανεξέταση ορισμένων επιλέξιμων ατυχημάτων. Όταν η FMCSA κρίνει ότι ένα ατύχημα δεν μπορούσε να αποτραπεί, εξαιρεί το συμβάν από τον υπολογισμό της κατηγορίας Δείκτη Ατυχημάτων στο Σύστημα Μέτρησης Ασφάλειας, παρότι το ατύχημα εξακολουθεί να καταγράφεται.

Το πρόγραμμα αναγνωρίζει ότι σημασία έχουν οι συνθήκες γύρω από ένα συμβάν και όχι απλώς το γεγονός ότι υπάρχει καταγεγραμμένο ατύχημα.

Αυτή η διάκριση είναι ιδιαίτερα σημαντική κατά την αξιολόγηση μικρότερων στόλων. Οι μεγάλες μεταφορικές εταιρείες μπορεί να διαθέτουν ειδικό προσωπικό ασφάλειας και ενοποιημένα συστήματα αναφορών, ενώ οι μικρότερες επιχειρήσεις μπορεί να τηρούν αρχεία σε υπολογιστικά φύλλα, ηλεκτρονικά μηνύματα και συστήματα εξωτερικών παρόχων υπηρεσιών.

Για παράδειγμα, ένα έγγραφο συντήρησης που λείπει μπορεί να σημαίνει ότι η συντήρηση δεν έγινε. Μπορεί, όμως, να σημαίνει ότι το αρχείο υπάρχει κάπου όπου το σύστημα δεν έχει πρόσβαση. Αυτές οι περιπτώσεις δεν θα πρέπει να οδηγούν αυτομάτως στην ίδια αξιολόγηση.

Το Πλαίσιο Διαχείρισης Κινδύνων Τεχνητής Νοημοσύνης του Εθνικού Ινστιτούτου Προτύπων και Τεχνολογίας παρέχει εθελοντικές κατευθυντήριες γραμμές για την αξιολόγηση της αξιοπιστίας, της διαφάνειας και της εμπιστευσιμότητας των συστημάτων τεχνητής νοημοσύνης.

Για τους ασφαλιστές μεταφορών, αυτές οι αρχές αποτελούν χρήσιμο σημείο αναφοράς, ώστε να διαπιστώνουν αν οι πληροφορίες στις οποίες βασίζεται μια αυτοματοποιημένη αξιολόγηση είναι επίκαιρες, επαρκώς πλήρεις και κατάλληλες για τη χρήση για την οποία προορίζονται.

Η τεχνητή νοημοσύνη πρέπει να αναγνωρίζει πότε χρειάζονται περισσότερες πληροφορίες

Μία από τις πιο χρήσιμες δυνατότητες που θα μπορούσε να έχει ένα σύστημα τεχνητής νοημοσύνης είναι να εντοπίζει πότε μια απόφαση απαιτεί πρόσθετο πλαίσιο.

Αντί να αντιμετωπίζει κάθε αίτηση ως απλή περίπτωση έγκρισης ή απόρριψης, ένα αποτελεσματικό σύστημα θα πρέπει να διακρίνει τις περιπτώσεις στις οποίες οι διαθέσιμες πληροφορίες επαρκούν από εκείνες που απαιτούν διευκρινίσεις.

Ας εξετάσουμε μια μεταφορική εταιρεία της οποίας το λειτουργικό προφίλ έχει αλλάξει πρόσφατα. Ένα αυτοματοποιημένο σύστημα μπορεί να εντοπίσει την αλλαγή, όμως πρόσθετες ερωτήσεις θα μπορούσαν να αποκαλύψουν αν η εταιρεία επεκτάθηκε σε διαφορετικές κατηγορίες φορτίων, πρόσθεσε εξοπλισμό ή θέσπισε νέες διαδικασίες ασφαλείας.

Καθένας από αυτούς τους παράγοντες μπορεί να επηρεάσει τον τρόπο με τον οποίο θα πρέπει να αξιολογηθεί ο κίνδυνος της εταιρείας.

Εδώ αποκτά σημασία και η επεξηγησιμότητα. Αν ένα σύστημα τεχνητής νοημοσύνης προτείνει ένα συγκεκριμένο αποτέλεσμα, όσοι είναι υπεύθυνοι για την απόφαση θα πρέπει να κατανοούν ποιες πληροφορίες επηρέασαν την πρόταση και αν το συμπέρασμα είναι εύλογο.

Οι κατευθυντήριες οδηγίες του NIST για την αξιόπιστη τεχνητή νοημοσύνη αναγνωρίζουν την επεξηγησιμότητα, τη διαφάνεια, την αξιοπιστία και τη λογοδοσία ως σημαντικά χαρακτηριστικά των αξιόπιστων συστημάτων. Αναγνωρίζουν επίσης τον ρόλο της ανθρώπινης κρίσης στην αξιολόγηση των επιδόσεων της τεχνητής νοημοσύνης.

Στην ασφάλιση φορτηγών, στόχος δεν θα πρέπει να είναι να εξαλειφθούν οι ερωτήσεις από την αξιολόγηση κινδύνου. Θα πρέπει να εντοπίζονται οι κατάλληλες ερωτήσεις νωρίτερα στη διαδικασία.

Η ανθρώπινη εμπειρογνωμοσύνη εξακολουθεί να έχει σημασία

Η υιοθέτηση της τεχνητής νοημοσύνης παρουσιάζεται μερικές φορές ως επιλογή ανάμεσα στην αυτοματοποίηση και την ανθρώπινη λήψη αποφάσεων. Στην πράξη, πιο χρήσιμο είναι να καθοριστεί ποιες εργασίες ωφελούνται από την τεχνολογία και ποιες απαιτούν επαγγελματική κρίση.

Η τεχνητή νοημοσύνη μπορεί να βοηθήσει στην οργάνωση πληροφοριών, στον εντοπισμό μοτίβων και στη μείωση των επαναλαμβανόμενων διοικητικών εργασιών. Η ανθρώπινη εμπειρογνωμοσύνη είναι ιδιαίτερα πολύτιμη όταν τα αρχεία είναι ασαφή ή όταν οι συνθήκες μιας μεταφορικής εταιρείας δεν εντάσσονται εύκολα σε τυποποιημένες κατηγορίες.

Κάποιος που γνωρίζει καλά τις μεταφορές με φορτηγά μπορεί να καταλάβει γιατί έχει σημασία ένα συγκεκριμένο ζήτημα ασφάλειας, πώς επηρεάζουν την έκθεση σε κίνδυνο διαφορετικά περιβάλλοντα λειτουργίας ή γιατί οι πρόσφατες λειτουργικές αλλαγές δικαιολογούν προσεκτικότερη εξέταση.

Αυτή η εμπειρογνωμοσύνη δεν θα πρέπει να θεωρείται εμπόδιο στην αυτοματοποίηση. Μπορεί να καταστήσει τις αυτοματοποιημένες αξιολογήσεις πιο χρήσιμες.

Υπάρχει επίσης ένα σημαντικό ζήτημα λογοδοσίας.

Τον Δεκέμβριο του 2023, η Εθνική Ένωση Επιτρόπων Ασφαλίσεων υιοθέτησε ένα πρότυπο δελτίο για τη χρήση της τεχνητής νοημοσύνης από τους ασφαλιστές, στο οποίο περιγράφονται οι κανονιστικές προσδοκίες σχετικά με τη διακυβέρνηση, τη διαχείριση κινδύνων και τη συμμόρφωση με την ισχύουσα ασφαλιστική νομοθεσία.

Η κανονιστική ισχύς του δελτίου εξαρτάται από την υιοθέτηση και την εφαρμογή του από τις επιμέρους πολιτείες, αλλά αντανακλά το αυξανόμενο ενδιαφέρον για τον τρόπο με τον οποίο οι ασφαλιστές εποπτεύουν αποφάσεις που υποστηρίζονται από τεχνητή νοημοσύνη.

Ούτε η ανθρώπινη κρίση είναι αλάνθαστη. Οι άνθρωποι μπορεί να λαμβάνουν ασυνεπείς αποφάσεις ή να παραβλέπουν σχετικές πληροφορίες. Η ευκαιρία έγκειται στον συνδυασμό της συνέπειας και της υπολογιστικής ικανότητας της τεχνητής νοημοσύνης με τις λειτουργικές γνώσεις που απαιτούνται για την ερμηνεία σύνθετων καταστάσεων.

Μέτρηση της ακρίβειας, όχι μόνο της αποδοτικότητας

Αν οι ασφαλιστές θέλουν να γνωρίζουν αν η τεχνητή νοημοσύνη βελτιώνει την αξιολόγηση κινδύνου, πρέπει να εξετάζουν περισσότερα από τον χρόνο διεκπεραίωσης.

Η διεκπεραίωση μιας αίτησης σε λίγα λεπτά αντί για ημέρες θα αποτελούσε λειτουργικό επίτευγμα. Δεν θα αποδείκνυε κατ’ ανάγκη ότι η αξιολόγηση που προέκυψε ήταν ακριβέστερη.

Μια πιο ουσιαστική αξιολόγηση θα εξέταζε αν οι αυτοματοποιημένες συστάσεις παραμένουν αξιόπιστες για διαφορετικούς τύπους μεταφορικών εταιρειών, πόσο συχνά χρειάζεται να διορθώνονται οι αξιολογήσεις και αν το σύστημα εντοπίζει κατάλληλα πληροφορίες που λείπουν ή είναι ασυνεπείς.

Οι μικρότεροι στόλοι χρειάζονται ιδιαίτερη προσοχή. Αν ένα μοντέλο αποδίδει καλά για μεταφορικές εταιρείες με εκτενή ψηφιακά αρχεία, αλλά δυσκολεύεται με επιχειρήσεις των οποίων η τεκμηρίωση είναι λιγότερο τυποποιημένη, η αποτελεσματικότητά του μπορεί να είναι άνιση.

Οι δοκιμές θα πρέπει να αντικατοπτρίζουν την ποικιλομορφία των επιχειρήσεων που αξιολογούνται.

Η αξιολόγηση πρέπει επίσης να συνεχίζεται και μετά την εφαρμογή του συστήματος. Οι αλλαγές στους κανονισμούς, στις λειτουργικές πρακτικές και στις διαθέσιμες πληροφορίες μπορούν να επηρεάσουν το κατά πόσο ένα σύστημα παραμένει αξιόπιστο με την πάροδο του χρόνου.

Οι ασφαλιστές θα πρέπει επίσης να είναι έτοιμοι να επανεξετάζουν τον τρόπο με τον οποίο τα συστήματά τους σταθμίζουν διαφορετικούς τύπους πληροφοριών. Για παράδειγμα, ένα μοντέλο που δίνει σταθερά υπερβολική έμφαση σε έναν δείκτη ασφάλειας θα μπορούσε να παραβλέψει άλλους παράγοντες που σχετίζονται με τις λειτουργίες μιας μεταφορικής εταιρείας.

Στόχος θα πρέπει να είναι η συνεχής βελτίωση και όχι απλώς η ταχύτερη διεκπεραίωση.

Η πραγματική ευκαιρία είναι η καλύτερη κατανόηση του κινδύνου

Η τεχνητή νοημοσύνη έχει τη δυνατότητα να καταστήσει την ασφάλιση φορτηγών αποδοτικότερη, να μειώσει τις διοικητικές καθυστερήσεις και να βοηθήσει τους ασφαλιστές να εντοπίζουν πληροφορίες που διαφορετικά θα μπορούσαν να παραβλεφθούν.

Ωστόσο, η μεγαλύτερη αξία της μπορεί να προκύψει από τη συμβολή της στη λήψη πιο τεκμηριωμένων αποφάσεων από τον κλάδο.

Ένας στόλος δεν αποτυπώνεται μόνο στο ιστορικό επιθεωρήσεών του, όπως και ένα ιστορικό ασφάλειας δεν είναι απλώς μια συλλογή παραβάσεων. Για να κατανοηθεί ο κίνδυνος, πρέπει να εξεταστεί ο τρόπος λειτουργίας μιας επιχείρησης, ο τρόπος με τον οποίο αντιμετωπίζει τα προβλήματα και το κατά πόσο οι διαθέσιμες πληροφορίες αντανακλούν τις τρέχουσες συνθήκες της.

Τα πιο χρήσιμα συστήματα τεχνητής νοημοσύνης δεν θα είναι κατ’ ανάγκη εκείνα που δίνουν τις ταχύτερες απαντήσεις. Θα είναι εκείνα που βοηθούν τους ασφαλιστές να αναγνωρίζουν πότε οι διαθέσιμες πληροφορίες επαρκούν για τη λήψη μιας απόφασης και πότε χρειάζεται περαιτέρω αξιολόγηση.

Τελικά, το ερώτημα δεν είναι αν η τεχνητή νοημοσύνη μπορεί να επιταχύνει την ασφάλιση φορτηγών. Είναι αν μπορεί να καταστήσει ακριβέστερες τις αποφάσεις του κλάδου.

Αυτό είναι το κριτήριο με βάση το οποίο θα πρέπει να αξιολογείται η επιτυχία της.