क्या AI ट्रकिंग बीमा को अधिक सटीक बना सकता है, या सिर्फ़ तेज़?

कृत्रिम बुद्धिमत्ता बीमा कंपनियों को दस्तावेज़ों की समीक्षा स्वचालित करने, आवेदनों से जानकारी निकालने और पुराने रिकॉर्ड का विश्लेषण करने के नए तरीके देती है। ट्रकिंग कंपनियों के लिए, ये क्षमताएँ बीमा कवरेज हासिल करने की प्रक्रिया को जटिल बनाने वाली प्रशासनिक देरी कम करने में मदद कर सकती हैं।

यह दक्षता मायने रखती है। बीमा मिलने में देरी के कारण ट्रक सेवा में नहीं लगाए जा सकते, नए अनुबंध स्वीकार नहीं किए जा सकते या कामकाज योजना के अनुसार जारी नहीं रह सकता।

लेकिन तेज़ फैसले ज़रूरी नहीं कि बेहतर भी हों।

ट्रकिंग बीमा में चुनौती कभी भी डेटा की पूरी कमी नहीं रही है। बीमा कंपनियाँ निरीक्षण का इतिहास, सुरक्षा रिकॉर्ड, दुर्घटना रिपोर्ट, परिचालन प्राधिकरण और अनुपालन दस्तावेज़ देख सकती हैं। चुनौती यह समझने की है कि ये रिकॉर्ड किसी व्यवसाय के बारे में वास्तव में क्या बताते हैं और किन बातों को उजागर नहीं करते।

अगर AI को ट्रकिंग बीमा बेहतर बनाना है, तो उसे सिर्फ़ बीमा जोखिम के आकलन की प्रक्रिया तेज़ करने से अधिक करना होगा। उसे बीमा कंपनियों को जोखिम की अधिक सटीक समझ विकसित करने में मदद करनी होगी।

सुरक्षा रिकॉर्ड पूरी कहानी नहीं बताता

बीमा उद्योग में आने से पहले, मैंने ट्रकिंग कंपनियों के साथ सीधे सुरक्षा और अनुपालन के मामलों पर काम किया। इस दौरान मैंने वाहकों को परिचालन प्राधिकरण हासिल करने, ड्राइवरों की योग्यता से जुड़ी फ़ाइलें व्यवस्थित करने, रिकॉर्ड संभालकर रखने और नियामकीय आवश्यकताओं का पालन करने में मदद की। उस अनुभव ने एक अहम सबक पक्का किया: अनुपालन रिकॉर्ड उपयोगी होते हैं, लेकिन वे ज़रूरी नहीं कि यह दिखाएँ कि किसी बेड़े का रोज़मर्रा का संचालन कैसे होता है।

दो ऐसी ट्रकिंग कंपनियों की कल्पना करें जिनके बेड़े का आकार, परिचालन का इतिहास और निरीक्षण रिकॉर्ड एक-जैसे हों। इनमें से एक नियमित निवारक रखरखाव कार्यक्रम का पालन कर सकती है, ड्राइवरों के प्रशिक्षण में निवेश कर सकती है और सुरक्षा से जुड़ी संभावित चिंताओं के उल्लंघन बनने से पहले उनका समाधान कर सकती है। दूसरी कंपनी अधिक प्रतिक्रियात्मक रवैया अपना सकती है और समस्याएँ सामने आने पर ही उनका समाधान कर सकती है। कागज़ों पर, जोखिम प्रबंधन के अलग-अलग तरीकों के बावजूद ये कंपनियाँ एक-जैसी दिखाई दे सकती हैं।

इसका उलटा भी हो सकता है। किसी वाहक के रिकॉर्ड में उल्लंघन या दुर्घटना दर्ज हो सकती है, लेकिन उस घटना से उसकी मौजूदा सुरक्षा पद्धतियों या घटना से जुड़ी परिस्थितियों की पूरी व्याख्या नहीं होती।

संघीय मोटर कैरियर सुरक्षा प्रशासन (FMCSA) की सुरक्षा मापन प्रणाली सड़क किनारे निरीक्षण, दुर्घटनाओं और जाँच से जुड़े डेटा का इस्तेमाल करके ऐसे वाहकों की पहचान करने में मदद करती है जिन्हें सुरक्षा संबंधी हस्तक्षेप की ज़रूरत हो सकती है। नियामकीय निगरानी के लिए ये रिकॉर्ड उपयोगी हैं, लेकिन इनका उद्देश्य किसी वाहक की समग्र सुरक्षा स्थिति या बीमा-योग्यता का पूरा आकलन करना नहीं है।

FMCSA ने सुरक्षा मापन प्रणाली के डेटा की सीमाओं का भी दस्तावेज़ीकरण किया है। इनमें डेटा की पर्याप्तता से जुड़े सवाल और यह शामिल है कि अलग-अलग उद्देश्यों के लिए इस जानकारी पर कितनी भरोसेमंद तरह से निर्भर किया जा सकता है।

AI इन रिकॉर्ड का तेज़ी से विश्लेषण कर सकता है, लेकिन केवल गति से उनकी सीमाएँ दूर नहीं होतीं।

अधूरी जानकारी को स्वचालित करने के जोखिम

वाणिज्यिक बीमा में प्रशासनिक काम घटाने के लिए AI का इस्तेमाल करने के स्पष्ट अवसर हैं। स्वचालित प्रणालियाँ आवेदन में छूटी हुई जानकारी पहचानने, अलग-अलग दस्तावेज़ों के विवरणों की तुलना करने, सुरक्षा रिकॉर्ड व्यवस्थित करने और समीक्षा के लिए विसंगतियों को चिह्नित करने में मदद कर सकती हैं।

ट्रकिंग के क्षेत्र में ये सुधार विशेष रूप से उपयोगी हो सकते हैं, जहाँ दस्तावेज़ जुटाने में अक्सर कई पक्ष और प्रणालियाँ शामिल होती हैं।

जोखिम तब पैदा होता है जब स्वचालित आकलनों को अंतिम निष्कर्ष मान लिया जाता है। उदाहरण के लिए, सुरक्षा से जुड़े किसी प्रतिकूल संकेतक के कारण AI प्रणाली किसी वाहक को चिह्नित कर सकती है। प्रणाली रिकॉर्ड की सही पहचान तो कर सकती है, लेकिन हो सकता है कि वह बाद में हुए परिचालन सुधारों या ऐसी अतिरिक्त जानकारी को ध्यान में न रखे जो घटना की व्याख्या बदल देती है।

FMCSA का दुर्घटना की टालने-योग्यता निर्धारण कार्यक्रम दिखाता है कि संदर्भ क्यों मायने रखता है। यह कार्यक्रम वाहकों को कुछ पात्र दुर्घटनाओं की समीक्षा का अनुरोध करने की अनुमति देता है। जब FMCSA यह निर्धारित करता है कि दुर्घटना को टाला नहीं जा सकता था, तो वह उस घटना को अपनी सुरक्षा मापन प्रणाली में दुर्घटना संकेतक श्रेणी की गणना से बाहर कर देता है, हालाँकि दुर्घटना सूची में बनी रहती है।

यह कार्यक्रम मानता है कि किसी घटना के आसपास की परिस्थितियाँ मायने रखती हैं, न कि सिर्फ़ दुर्घटना का रिकॉर्ड मौजूद होना।

छोटे बेड़ों का आकलन करते समय यह अंतर खास तौर पर अहम हो जाता है। बड़े वाहकों के पास सुरक्षा के लिए समर्पित कर्मचारी और एकीकृत रिपोर्टिंग प्रणालियाँ हो सकती हैं, जबकि छोटे व्यवसायों के रिकॉर्ड स्प्रेडशीट, ईमेल और बाहरी सेवा प्रदाताओं के यहाँ बिखरे हो सकते हैं।

उदाहरण के लिए, रखरखाव का कोई दस्तावेज़ न मिलना यह संकेत दे सकता है कि रखरखाव किया ही नहीं गया। यह भी हो सकता है कि रिकॉर्ड कहीं मौजूद हो, लेकिन प्रणाली उस तक पहुँच न पा रही हो। इन दोनों स्थितियों का आकलन अपने-आप एक-जैसा नहीं होना चाहिए।

राष्ट्रीय मानक और प्रौद्योगिकी संस्थान का AI जोखिम प्रबंधन ढाँचा AI प्रणालियों की विश्वसनीयता, पारदर्शिता और भरोसेमंद होने का आकलन करने के लिए स्वैच्छिक मार्गदर्शन देता है।

ट्रकिंग बीमा कंपनियों के लिए, ये सिद्धांत यह तय करने का उपयोगी आधार देते हैं कि स्वचालित आकलन को सहारा देने वाली जानकारी अद्यतन है या नहीं, पर्याप्त रूप से पूर्ण है या नहीं, और अपने निर्धारित उपयोग के लिए उपयुक्त है या नहीं।

AI को यह पहचानना होगा कि अधिक जानकारी कब ज़रूरी है

एआई प्रणाली की सबसे उपयोगी क्षमताओं में से एक यह पहचानना हो सकता है कि किसी निर्णय के लिए कब अतिरिक्त संदर्भ की आवश्यकता है।

हर आवेदन को सीधे मंज़ूरी या अस्वीकृति के रूप में देखने के बजाय, एक प्रभावी प्रणाली को उन स्थितियों में अंतर करना चाहिए जहाँ जानकारी पर्याप्त है और उन स्थितियों में जहाँ स्पष्टीकरण माँगना ज़रूरी है।

ऐसे किसी परिवहन वाहक पर विचार करें, जिसके परिचालन स्वरूप में हाल ही में बदलाव आया हो। स्वचालित प्रणाली इस बदलाव का पता लगा सकती है, लेकिन कुछ अतिरिक्त सवालों से पता चल सकता है कि क्या कंपनी ने माल ढुलाई की अलग-अलग श्रेणियों में काम शुरू किया है, नए उपकरण जोड़े हैं या नई सुरक्षा प्रक्रियाएँ लागू की हैं।

इनमें से हर कारक इस बात को प्रभावित कर सकता है कि उसके जोखिम का आकलन कैसे किया जाना चाहिए।

यहीं पर यह समझ पाना भी महत्वपूर्ण हो जाता है कि प्रणाली ने कोई निष्कर्ष कैसे निकाला। अगर एआई प्रणाली किसी खास नतीजे की सिफ़ारिश करती है, तो निर्णय के लिए ज़िम्मेदार लोगों को यह समझना चाहिए कि किन जानकारियों ने उस सिफ़ारिश को प्रभावित किया और क्या निष्कर्ष उचित है।

NIST के विश्वसनीय एआई से जुड़े दिशानिर्देश व्याख्येयता, पारदर्शिता, विश्वसनीयता और जवाबदेही को भरोसेमंद प्रणालियों की महत्वपूर्ण विशेषताएँ मानते हैं। वे एआई के प्रदर्शन का मूल्यांकन करने में मानवीय विवेक की भूमिका को भी स्वीकार करते हैं।

ट्रकिंग बीमा में लक्ष्य अंडरराइटिंग की प्रक्रिया से सवालों को पूरी तरह हटाना नहीं होना चाहिए। लक्ष्य यह होना चाहिए कि प्रक्रिया में सही सवाल पहले ही पूछे जाएँ।

मानवीय विशेषज्ञता अब भी मायने रखती है

एआई को अपनाने को कभी-कभी स्वचालन और मानवीय निर्णय के बीच चुनाव के रूप में पेश किया जाता है। व्यवहार में, बेहतर तरीका यह तय करना है कि किन कामों में तकनीक मददगार है और किनमें पेशेवर विवेक की ज़रूरत है।

एआई जानकारी व्यवस्थित करने, पैटर्न पहचानने और बार-बार किए जाने वाले प्रशासनिक काम घटाने में मदद कर सकता है। जब रिकॉर्ड अस्पष्ट हों या किसी परिवहन वाहक की परिस्थितियाँ तयशुदा श्रेणियों में ठीक से न बैठें, तब मानवीय विशेषज्ञता विशेष रूप से उपयोगी होती है।

ट्रकिंग परिचालनों से परिचित व्यक्ति यह समझ सकता है कि कोई खास सुरक्षा समस्या क्यों मायने रखती है, अलग-अलग परिचालन परिवेश जोखिम को कैसे प्रभावित करते हैं, या हाल के परिचालन बदलावों की अधिक बारीकी से जाँच करना क्यों ज़रूरी है।

इस विशेषज्ञता को स्वचालन की राह में बाधा नहीं मानना चाहिए। इससे स्वचालित आकलन अधिक उपयोगी बन सकते हैं।

जवाबदेही से जुड़ा एक महत्वपूर्ण पहलू भी है।

दिसंबर 2023 में, नेशनल एसोसिएशन ऑफ इंश्योरेंस कमिश्नर्स ने बीमाकर्ताओं द्वारा कृत्रिम बुद्धिमत्ता के उपयोग पर एक मॉडल बुलेटिन अपनाया। इसमें शासन, जोखिम प्रबंधन और लागू बीमा कानूनों के अनुपालन से जुड़ी नियामकीय अपेक्षाएँ बताई गईं।

इस बुलेटिन का नियामकीय प्रभाव अलग-अलग राज्यों द्वारा इसे अपनाने और लागू करने पर निर्भर करता है, लेकिन यह दिखाता है कि बीमाकर्ता एआई-सहायता प्राप्त निर्णयों की निगरानी कैसे करते हैं, इस पर ध्यान बढ़ रहा है।

मानवीय विवेक भी अचूक नहीं होता। लोग असंगत निर्णय ले सकते हैं या प्रासंगिक जानकारी पर ध्यान देने से चूक सकते हैं। अवसर यह है कि जटिल परिस्थितियों की व्याख्या के लिए ज़रूरी परिचालन ज्ञान के साथ एआई की निरंतरता और जानकारी संसाधित करने की क्षमता को जोड़ा जाए।

सिर्फ़ दक्षता नहीं, सटीकता भी मापें

अगर बीमाकर्ता यह जानना चाहते हैं कि एआई से अंडरराइटिंग बेहतर हो रही है या नहीं, तो उन्हें प्रक्रिया पूरी होने में लगने वाले समय से आगे बढ़कर मूल्यांकन करना होगा।

किसी आवेदन को दिनों के बजाय मिनटों में संसाधित करना परिचालन की दृष्टि से एक उपलब्धि होगी। लेकिन इससे यह साबित नहीं होगा कि उसके बाद किया गया आकलन अधिक सटीक था।

अधिक सार्थक मूल्यांकन में यह जाँचना चाहिए कि क्या स्वचालित सिफ़ारिशें अलग-अलग तरह के परिवहन वाहकों के लिए भी विश्वसनीय रहती हैं, कितनी बार आकलनों में सुधार करना पड़ता है, और क्या प्रणाली छूटी हुई या परस्पर विरोधी जानकारी की सही पहचान करती है।

छोटे बेड़ों पर विशेष ध्यान देना चाहिए। अगर कोई मॉडल व्यापक डिजिटल रिकॉर्ड वाले परिवहन वाहकों के लिए अच्छा काम करता है, लेकिन उन कारोबारों के मामले में कठिनाई महसूस करता है जिनके दस्तावेज़ कम मानकीकृत हैं, तो उसकी प्रभावशीलता एकसमान नहीं हो सकती।

परीक्षणों में मूल्यांकन किए जा रहे कारोबारों की विविधता झलकनी चाहिए।

तैनाती के बाद भी मूल्यांकन जारी रहना चाहिए। नियमों, परिचालन तरीकों और उपलब्ध जानकारी में बदलाव से समय के साथ प्रणाली की विश्वसनीयता प्रभावित हो सकती है।

बीमाकर्ताओं को इस बात की भी फिर से समीक्षा करने के लिए तैयार रहना चाहिए कि उनकी प्रणालियाँ अलग-अलग प्रकार की जानकारी को कितना महत्व देती हैं। उदाहरण के लिए, अगर कोई मॉडल लगातार सुरक्षा के एक संकेतक पर ज़रूरत से ज़्यादा ज़ोर देता है, तो वह परिवहन वाहक के परिचालन से जुड़े अन्य कारकों को नज़रअंदाज़ कर सकता है।

लक्ष्य लगातार सुधार होना चाहिए, न कि केवल तेज़ी से प्रक्रिया पूरी करना।

जोखिम की बेहतर समझ ही असली अवसर है

एआई में ट्रकिंग बीमा को अधिक कुशल बनाने, प्रशासनिक देरी घटाने और बीमाकर्ताओं को ऐसी जानकारी पहचानने में मदद करने की क्षमता है, जिस पर अन्यथा ध्यान न जाता।

लेकिन इसका सबसे बड़ा मूल्य शायद उद्योग को अधिक सूचित निर्णय लेने में मदद करने से आए।

किसी बेड़े का आकलन उसके निरीक्षण इतिहास तक सीमित नहीं होता, और सुरक्षा रिकॉर्ड केवल उल्लंघनों का संग्रह नहीं है। जोखिम को समझने के लिए यह देखना ज़रूरी है कि कोई कारोबार कैसे चलता है, समस्याओं से कैसे निपटता है और उपलब्ध जानकारी उसकी मौजूदा परिस्थितियों को दर्शाती है या नहीं।

सबसे उपयोगी एआई प्रणालियाँ ज़रूरी नहीं कि वे हों जो सबसे तेज़ जवाब दें। वे ऐसी होंगी जो बीमाकर्ताओं को यह पहचानने में मदद करें कि उपलब्ध जानकारी किसी निर्णय का आधार बनने के लिए पर्याप्त है या नहीं, और कब आगे मूल्यांकन की ज़रूरत है।

आखिरकार, सवाल यह नहीं है कि एआई ट्रकिंग बीमा को तेज़ बना सकता है या नहीं। सवाल यह है कि क्या वह इस उद्योग के निर्णयों को अधिक सटीक बना सकता है।

इसकी सफलता को इसी कसौटी पर परखा जाना चाहिए।