Dr. Reuven Shnaps, Chief Analytics Officer bij Earnix – Interviewreeks

Dr. Reuven Shnaps is de Chief Analytics Officer bij Earnix, een toonaangevende aanbieder van mission-critical systemen voor wereldwijde verzekeraars en banken.

Wat trok je aanvankelijk aan naar datawetenschap en AI?

Ik heb altijd een fascinatie gehad voor wiskunde, data en hun potentieel om bedrijfsuitdagingen op te lossen. Gedurende mijn academische studies en carrière, heb ik gezocht naar kansen om te leren over statistiek, economie en hoe deze gebieden kunnen worden toegepast om consumentengedrag te begrijpen. Ik bewonder datawetenschappers, moderne statistici en econometristen, die de unieke mogelijkheid hebben om grote hoeveelheden data te analyseren en echte bedrijfsproblemen aan te pakken. Ik heb mijn carrière gewijd aan datawetenschap en het combineren van traditionele statistische methoden, opkomende technologieën, nieuwe machine learning (ML) algoritmen en de laatste kunstmatige intelligentie (AI) toepassingen om bedrijfsoplossingen te creëren die langetermijnwaarde opleveren voor onze klanten.

Wat doet Earnix?

Earnix is een wereldwijde aanbieder van softwareoplossingen die verzekeraars en banken in staat stellen om snellere, slimmere en veiligere tarieven, prijzen en gepersonaliseerde productaanbiedingen aan consumenten te bieden. Ons systeem wordt aangedreven door AI & ML , en omvat een breed scala aan analytische modelleertools, toepassingen en geavanceerde algoritmen. Onlangs stond Earnix op de lijst van “Insurtechs om in de gaten te houden in 2021” in de VS en werd het erkend als marktleider in predictieve analytics door CB Insights, een analyse- en onderzoeksbureau in de technologiebranche. Earnix maakt gebruik van innovatieve technologie om verzekeraars en banken in staat te stellen om aan de behoeften van consumenten te voldoen in real-time.

Earnix schreef onlangs een artikel voor ons over het belang van Explainability in AI. Hoe belangrijk denk je dat Explainability in AI is?

Explainability is een trending onderwerp in AI en data-analyse. Het heeft invloed op bedrijven in alle branches, of ze nu AI gebruiken of niet.

De meeste bedrijven ervaren een afweging tussen hun niveau van controle over en de effectiviteit van AI. Om bedrijven te laten vertrouwen en gebruik te maken van “black box” AI, moet er een mechanisme zijn dat experts en stakeholders in staat stelt om complexe AI-beslissingsprocessen te interpreteren en te garanderen dat ze voldoen aan regelgevingsvereisten. Consumenten kunnen er ook van profiteren door in staat te zijn om de belangrijkste factoren achter prijs-, krediet- of onderhandse beslissingen te begrijpen en mogelijk te navigeren. Explainability is de brug die ingewikkelde AI meer begrijpelijk en transparant maakt. Met de mogelijkheid om geavanceerde ML-modellen te vertalen, hoeven analytics-professionals geen geavanceerdere algoritmen op te offeren vanwege een gebrek aan begrip. Explainability minimaliseert de afweging tussen controle en waarde, terwijl het de voordelen van AI maximaliseert.

Kun je enkele van de machine learning-technologieën bespreken die bij Earnix worden gebruikt?

Earnix stelt verzekeraars en banken in staat om de nieuwste AI te implementeren in een ondernemingsbrede, schaalbare, cloudgebaseerde rating engine. Ons volledig geautomatiseerde rating engine zet modellen om in productie om real-time, hoogwaardig gepersonaliseerde verzekerings- en bankproducten aan te bieden die aansluiten bij de behoeften van consumenten. Onze open platformmogelijkheden stellen ons in staat om te integreren met een breed scala aan ML-modellen en -platforms, zoals H20, Data Robot en Python. Earnix heeft een uniek hybride model ontwikkeld om effectief gebruik te maken van de gecombineerde kracht van traditionele statistische modelleringstechnieken en tree-based ML-modellen voor prijsbeslissingen

We zijn altijd op een missie om nieuwe manieren te ontdekken om machine learning-mogelijkheden te benutten die verzekeraars en banken kunnen gebruiken om hun bedrijven te verbeteren op een manier die direct ten goede komt aan de consument. We onderzoeken momenteel toepassingen van slimme monitoring en online learning, Contextual Multi-Arm Bandits (MAB) voor het ontwerpen van efficiënte pakkettests en het aanbieden van gepersonaliseerde product-/pakketopties aan klanten, evenals diepe leer-algoritmen voor het analyseren van hoogfrequente data. Op deze manier helpen we verzekeraars en banken om snellere, slimmere en veiligere producten, tarieven en prijzen aan te bieden.

Hoe moderniseert AI banken en verzekeraars?

Traditionele verzekeraars en banken die afhankelijk zijn van legacy-systemen en gesegmenteerde, handmatige processen worden uitgedaagd door AI-gedreven bedrijven. AI heeft een omgeving gecreëerd waarin verzekeraars en banken sneller moeten innoveren, grote hoeveelheden data over meerdere bronnen en typen moeten verwerken, handmatige operationele processen moeten automatiseren, de klantreis en -betrokkenheid moeten stroomlijnen en verbeteren, meer gepersonaliseerde producten en tarieven moeten aanbieden en onmiddellijke tijd-tot-waarde moeten bereiken. Het heeft de manier waarop verzekeraars en banken opereren, herdefinieerd en het integreren van AI is essentieel om concurrerend te blijven en consumenten te geven wat ze willen.

Om bijvoorbeeld consumenten te laten kiezen voor gebruiksgestuurde en gedragsgestuurde verzekering (UBI/BBI) opties, omdat ze hun autoverzekeringstarieven willen laten bepalen door hun gebruik en rijgedrag, in plaats van alleen door hun demografie. Met onze automatisering, ML en analytische capaciteiten, kunnen verzekeraars nu de grote hoeveelheden telematica-data operationaliseren, snelle implementatie van aanbiedingen bereiken, consumentenrisico’s opnieuw beoordelen en prijzen en productaanbiedingen dienovereenkomstig aanpassen.

Is er nog iets anders dat je over Earnix wilt delen?

Er is veel onderzoek naar hoe het gebruik van AI bedrijfsprocessen en -resultaten verbetert, maar er is geen playbook over hoe je de kracht van AI en zijn potentieel in bedrijfsoperaties combineert om onmiddellijke waarde te leveren en bedrijfsgroei te stimuleren. Veel financiële dienstverleners worstelen met het verbinden van AI met hun operaties. Earnix’s eind-tot-eindtechnologie adresseert deze acute behoefte en pijnlijk punt. Ik ben trots om voor een bedrijf te werken dat analytics gebruikt om nieuwe manieren te vinden om een diepgaand vertrouwensrelatie tussen consumenten en de bank- en verzekeringsector te creëren.

Bedankt voor de geweldige antwoorden, lezers die meer willen leren, kunnen Earnix bezoeken.