Δρ. Reuven Shnaps, Chief Analytics Officer στην Earnix – Σειρά Συνεντεύξεων

Ο Δρ. Reuven Shnaps είναι ο Chief Analytics Officer στην Earnix, einen ηγέτη στην παροχή κρίσιμων συστημάτων για ασφαλιστικές εταιρείες και τράπεζες σε παγκόσμιο επίπεδο.

Τι σας έκανε να ενδιαφερθείτε για την επιστήμη των δεδομένων και την τεχνητή νοημοσύνη;

Έχω πάντα μια φασινόμεση με τα μαθηματικά, τα δεδομένα και την δυνατότητά τους να λύνουν επιχειρηματικά προβλήματα. Κατά τη διάρκεια των ακαδημαϊκών σπουδών και της καριέρας μου, έχω αναζητήσει ευκαιρίες να μάθω για στατιστική, οικονομικά και πώς να εφαρμόσω αυτά τα πεδία για να κατανοήσω την συμπεριφορά των καταναλωτών. Λατρεύω τους επιστήμονες δεδομένων, τους σύγχρονους στατιστικούς και τους οικονομετρικούς, που έχουν την μοναδική ικανότητα να αναλύουν τεράστιες ποσότητες δεδομένων και να αντιμετωπίζουν πραγματικά επιχειρηματικά προβλήματα. Έχω αφιερώσει την καριέρα μου στην επιστήμη των δεδομένων και στην συνδυασμένη χρήση παραδοσιακών στατιστικών μεθόδων, αναδυόμενων τεχνολογιών, νέων αλγορίθμων μηχανικής μάθησης (ML) και των τελευταίων εφαρμογών τεχνητής νοημοσύνης (AI) για να δημιουργήσω επιχειρηματικές λύσεις που παρέχουν μακροπρόθεσμη αξία για τους πελάτες μας.

Τι κάνει η Earnix;

Η Earnix είναι ένας παγκόσμιος πάροχος λύσεων λογισμικού που ενδυναμώνει τις ασφαλιστικές εταιρείες και τις τράπεζες να παρέχουν ταχύτερες, έξυπνες και ασφαλέστερες τιμές, προϊόντα και προσωπικά προϊόντα στους καταναλωτές. Το σύστημά μας είναι ενεργοποιημένο από την τεχνητή νοημοσύνη και τη μηχανική μάθηση και περιλαμβάνει eine ευρεία γκάμα εργαλείων μοντελοποίησης, εφαρμογών και προηγμένων αλγορίθμων. Πρόσφατα, η Earnix συμπεριλήφθηκε στον κατάλογο των “Insurtechs να παρακολουθήσετε το 2021” στις Ηνωμένες Πολιτείες και αναγνωρίστηκε ως ηγέτης στην προβλεπτική ανάλυση από την CB Insights, μια εταιρεία ανάλυσης και έρευνας στον τεχνολογικό τομέα. Η Earnix αξιοποιεί την καινοτόμο τεχνολογία για να βοηθήσει τις ασφαλιστικές εταιρείες και τις τράπεζες να ικανοποιούν τις ανάγκες των καταναλωτών σε πραγματικό χρόνο.

Η Earnix έγραψε πρόσφατα ένα άρθρο για εμάς σχετικά με τη σημασία της ερμηνευσιμότητας στην τεχνητή νοημοσύνη. Πόσο σημαντική θεωρείτε ότι είναι η ερμηνευσιμότητα στην τεχνητή νοημοσύνη;

Η ερμηνευσιμότητα είναι ένα επικαιρό θέμα στην τεχνητή νοημοσύνη και την ανάλυση δεδομένων. Επηρεάζει τις εταιρείες σε όλους τους κλάδους, ανεξάρτητα από το αν χρησιμοποιούν τεχνητή νοημοσύνη ή όχι.

Οι περισσότερες εταιρείες αντιμετωπίζουν ένα εμπόδιο μεταξύ του επιπέδου ελέγχου και της αποτελεσματικότητας της τεχνητής νοημοσύνης. Για τις επιχειρήσεις να εμπιστευτούν και να υιοθετήσουν τη χρήση “μαύρης κούκλας” τεχνητής νοημοσύνης, πρέπει να υπάρχει ένα μηχανισμός που παρέχει στους εμπειρογνώμονες και τους ενδιαφερόμενους την ικανότητα να ερμηνεύουν σύνθετες διαδικασίες λήψης αποφάσεων της τεχνητής νοημοσύνης και να διασφαλίζουν την συμμόρφωση με τις ρυθμιστικές απαιτήσεις. Οι καταναλωτές μπορούν επίσης να επωφεληθούν από αυτό, καθώς μπορούν να κατανοήσουν και να πλοηγηθούν τους βασικούς οδηγούς πίσω από τις αποφάσεις τιμολόγησης, πίστωσης ή ασφάλισης. Η ερμηνευσιμότητα είναι η γέφυρα που κάνει την πολύπλοκη τεχνητή νοημοσύνη πιο κατανοητή και διαφανή. Με την ικανότητα να μεταφράζουμε προηγμένα μοντέλα μηχανικής μάθησης, οι επαγγελματίες ανάλυσης δεν πρέπει να θυσιάζουν πιο προηγμένα αλγόριθμους λόγω έλλειψης κατανόησης. Η ερμηνευσιμότητα ελαχιστοποιεί το εμπόδιο μεταξύ ελέγχου και αξίας, ενώ μεγιστοποιεί τα οφέλη της τεχνητής νοημοσύνης.

Μπορείτε να συζητήσετε μερικές από τις τεχνολογίες μηχανικής μάθησης που χρησιμοποιούνται στην Earnix;

Η Earnix ermöglicht τις ασφαλιστικές εταιρείες και τις τράπεζες να αναπτύσσουν την τελευταία τεχνητή νοημοσύνη σε μια εταιρική, κλιμακώσιμη, cloud-βάση μηχανή τιμολόγησης. Η πλήρως αυτοματοποιημένη μηχανή μας τιμολόγησης λειτουργεί μοντέλα σε παραγωγή για να προσφέρει πραγματικό χρόνο, υψηλά προσωποποιημένα ασφαλιστικά και τραπεζικά προϊόντα που είναι συγχρονισμένα με τις ανάγκες των καταναλωτών. Οι ικανότητες ανοιχτής πλατφόρμας μας επιτρέπουν την ενσωμάτωση με eine ευρεία γκάμα μοντέλων μηχανικής μάθησης και πλατφόρμων όπως H20, Data Robot και Python. Η Earnix ανέπτυξε ένα μοναδικό υβριδικό μοντέλο για να αξιοποιήσει αποτελεσματικά την συνδυασμένη δύναμη των παραδοσιακών στατιστικών μεθόδων και των μοντέλων μηχανικής μάθησης με βάση το δέντρο για αποφάσεις τιμολόγησης

Είμαστε πάντα σε μια αποστολή να ανακαλύψουμε νέους τρόπους να αξιοποιήσουμε τις ικανότητες της μηχανικής μάθησης που οι ασφαλιστικές εταιρείες και οι τράπεζες μπορούν να χρησιμοποιήσουν για να βελτιώσουν τις επιχειρήσεις τους με τρόπο που να ωφελεί trực tiếp τον καταναλωτή. Αναζητούμε εφαρμογές της έξυπνης παρακολούθησης και της online μάθησης, Contextual Multi-Arm Bandits (MAB) για τη σχεδίαση αποτελεσματικών δοκιμών πακέτων και την προσαρμογή προσωποποιημένων προσφερόμενων προϊόντων/πακέτων στους πελάτες, καθώς και αλγόριθμους βαθιάς μάθησης για την ανάλυση υψηλής συχνότητας δεδομένων. Αυτό το τρόπο, βοηθάμε τις ασφαλιστικές εταιρείες και τις τράπεζες να προσφέρουν ταχύτερα, έξυπνα και ασφαλέστερα προϊόντα, τιμές και προϊόντα.

Πώς η τεχνητή νοημοσύνη ανανεώνει τις τράπεζες και τις ασφαλιστικές εταιρείες;

Οι παραδοσιακές ασφαλιστικές εταιρείες και τράπεζες που βασίζονται σε παλιές συστήματα και απομονωμένες, χειροκίνητες διαδικασίες αντιμετωπίζουν πρόκληση από τις εταιρείες που οδηγούνται από την τεχνητή νοημοσύνη. Η τεχνητή νοημοσύνη έχει δημιουργήσει ένα περιβάλλον όπου οι ασφαλιστικές εταιρείες και οι τράπεζες πρέπει να καινοτομούν ταχύτερα, να επεξεργάζονται τεράστιες ποσότητες δεδομένων από πολλές πηγές και τύπους, να αυτοματοποιούν χειροκίνητες λειτουργικές διαδικασίες, να βελτιώνουν την πορεία του πελάτη και την εμπλοκή, να προσφέρουν πιο προσωποποιημένα προϊόντα και τιμές, και να επιτύχουν άμεση αξία χρόνου. Έχει ανασχεδιάσει τον τρόπο με τον οποίο οι ασφαλιστικές εταιρείες και οι τράπεζες λειτουργούν, και η ενσωμάτωση της τεχνητής νοημοσύνης είναι ουσιαστική για τη διατήρηση της ανταγωνιστικότητας και τη δικαίωση των αναγκών των καταναλωτών.

Για παράδειγμα, οι καταναλωτές στρέφονται ολοένα και περισσότερο σε βασισμένες στη χρήση και στη συμπεριφορά ασφαλιστικές επιλογές (UBI/BBI) επειδή θέλουν οι αυτοκινητοασφαλιστικές τους τιμές να καθορίζονται από τη χρήση και τη συμπεριφορά τους, και όχι μόνο από τα δημογραφικά τους χαρακτηριστικά. Με την αυτοματοποίηση, τη μηχανική μάθηση και τις αναλυτικές μας ικανότητες, οι ασφαλιστικές εταιρείες μπορούν τώρα να λειτουργούν τα τεράστια δεδομένα τηλεματικής, να επιτύχουν γρήγορη ανάπτυξη προσφορών, να επαναξιολογούν τον κίνδυνο των καταναλωτών, καθώς και να προσαρμόζουν τις τιμές και τις προσφερόμενες προϊόντα ανάλογα.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστεί σχετικά με την Earnix;

Υπάρχει πολλή έρευνα σχετικά με τον τρόπο που η χρήση της τεχνητής νοημοσύνης βελτιώνει τις επιχειρηματικές διαδικασίες και τα αποτελέσματα, αλλά δεν υπάρχει κανόνας για το πώς να συνδυάσετε την δύναμη της τεχνητής νοημοσύνης και την δυνατότητά της στις επιχειρηματικές λειτουργίες για να παραχθεί άμεση αξία και να ωθήσει την επιχειρηματική ανάπτυξη. Πολλές χρηματοοικονομικές εταιρείες δυσκολεύονται να συνδέσουν την τεχνητή νοημοσύνη με τις λειτουργίες τους. Η τεχνολογία απώλειας-άκρου της Earnix αντιμετωπίζει αυτή την οξεία ανάγκη και πόνο. Είμαι υπερήφανος που εργάζομαι για μια εταιρεία που χρησιμοποιεί ανάλυση για να βρει νέους τρόπους να δημιουργήσει μια βαθιά σχέση εμπιστοσύνης μεταξύ των καταναλωτών και των τραπεζών και ασφαλιστικών εταιρειών.

Ευχαριστούμε για τις υπέροχες απαντήσεις, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα μπορούν να επισκεφθούν την Earnix.