Dr. Reuven Shnaps, Chief Analytics Officer i Earnix – Intervju-serie

Dr. Reuven Shnaps er Chief Analytics Officer i Earnix, en ledende leverandør av kritiske systemer for globale forsikringsselskaper og banker.

Hva var det som først tiltalte deg til datavitenskap og AI?

Jeg har alltid hatt en fascinasjon for matematikk, data og deres potensiale til å løse forretningsutfordringer. Gjennom mine akademiske studier og karriere, har jeg søkt etter muligheter til å lære om statistikk, økonomi og hvordan man kan bruke disse feltene til å forstå kundeatferd. Jeg beundrer datavitenskapsmenn, moderne statistikere og økonomer, som har den unike evnen til å analysere store mengder data og løse virkelige forretningsproblemer. Jeg har viet min karriere til datavitenskap og kombinert tradisjonelle statistiske metoder, nye maskinlæringsalgoritmer og de nyeste kunstig intelligens-applikasjonene for å skape forretningsløsninger som leverer langvarig verdi for våre kunder.

Hva gjør Earnix?

Earnix er en global leverandør av programvareløsninger som gir forsikringsselskaper og banker mulighet til å tilby raskere, smartere og tryggere priser, produkter og tilbud til kunder. Vårt system er drevet av AI og maskinlæring, og inkluderer en rekke analytiske modellverktøy, applikasjoner og avanserte algoritmer. Nylig ble Earnix inkludert i listen over “Insurtechs å se på i 2021” i USA og ble anerkjent som en markedsleder i prediktiv analyse av CB Insights, et analyse- og forskningsselskap i teknologisektoren. Earnix utnytter innovativ teknologi for å hjelpe forsikringsselskaper og banker til å møte kundenes behov i sanntid.

Earnix skrev nylig en artikkel for oss om viktigheten av forklarbarhet i AI. Hvor viktig mener du at forklarbarhet i AI er?

Forklarbarhet er et trendy tema i AI og dataanalyse. Det berører selskaper over hele verden, uansett om de bruker AI eller ikke.

De fleste selskaper opplever en avveining mellom kontroll og effektivitet når det gjelder AI. For at bedrifter skal kunne stole på og adoptere “black box”-AI, må det finnes en mekanisme som gir eksperter og interessenter mulighet til å tolke komplekse AI-beslutningsprosesser og sikre overholdelse av regulatoriske krav. Kunder kan også dra nytte av det ved å kunne forstå og potensielt navigere i nøkkelaktørene bak pris-, kredit- eller underwriting-beslutninger. Forklarbarhet er broen som gjør komplisert AI mer forståelig og gjennomsiktig. Med muligheten til å oversette avanserte maskinlæringsmodeller, slipper analytics-profesjonelle å ofre mer avanserte algoritmer på grunn av manglende forståelse. Forklarbarhet minimiserer avveiningen mellom kontroll og verdi, samtidig som den maksimerer AI-fordelene.

Kan du diskutere noen av maskinlærings-teknologiene som brukes i Earnix?

Earnix muliggjør for forsikringsselskaper og banker å distribuere den nyeste AI i en bedriftsvid, skalerbar, skybasert rating-motor. Vår fullstendig automatiserte rating-motor setter modeller i produksjon for å tilby sanntids-, høytilpassede forsikrings- og bankprodukter som er tilpasset kundenes behov. Våre åpne plattform-kapaciteter tillater integrasjon med en rekke maskinlæringsmodeller og plattformer som H20, Data Robot og Python. Earnix har utviklet en unik hybridmodell for å effektivt utnytte den kombinerte kraften til tradisjonelle statistiske metoder og trebaserte maskinlæringsmodeller for prisbeslutninger.

Vi er alltid på en misjon til å oppdage nye måter å utnytte maskinlærings-kapaciteter som forsikringsselskaper og banker kan bruke til å forbedre sine forretninger på en måte som direkte fordeler kunden. Vi utforsker for tiden anvendelser av smart overvåking og online-læring, Kontekstuelle Multi-Arm Bandits (MAB) for å designe effektive pakketester og tilpasse tilbud til kunder, samt dyptlæringsalgoritmer for å analysere høyfrekvente data. På denne måten hjelper vi forsikringsselskaper og banker til å tilby raskere, smartere og tryggere produkter, priser og tilbud.

Hvordan moderniserer AI banker og forsikringsselskaper?

Tradisjonelle forsikringsselskaper og banker som er avhengige av legacy-systemer og siloede, manuelle prosesser, utfordres av AI-drevne selskaper. AI har skapt en omgivelse hvor forsikringsselskaper og banker må innovere raskere, prosessere store mengder data fra flere kilder og typer, automatisere manuelle operasjonelle prosesser, strømlinjeforme og forbedre kunde-reisen og engasjement, tilby mer tilpassede produkter og priser, og oppnå umiddelbar verdi. Det har omdefinert hvordan forsikringsselskaper og banker opererer, og å inkorporere AI er avgjørende for å forbli konkurransedyktige og gi kundene det de ønsker.

For eksempel ønsker kunder stadig oftere å bruke brukbasert og atferdsbasert forsikring (UBI/BBI) fordi de ønsker at deres bilforsikringspriser skal bestemmes av deres bruk og kjøreforføring, snarere enn bare av deres demografi. Med vår automatisering, maskinlæring og analytiske kapaciteter kan forsikringsselskaper nå operasjonalisere de store telematikkdataene, oppnå rask distribusjon av tilbud, vurdere kunderisiko på nytt, samt justere priser og produkttilbud etter behov.

Er det noe annet du ønsker å dele om Earnix?

Det finnes mye forskning om hvordan bruk av AI forbedrer forretningsprosesser og resultater, men det finnes ingen spillbok på hvordan man kan kombinere kraften til AI og dens potensiale i forretningsoperasjoner for å levere verdi umiddelbart og fremme forretningsvekst. Mange finansielle tjenesteselskaper sliter med å koble AI til deres operasjoner. Earnix sin sluttpunkt-til-sluttpunkt-teknologi adresserer dette akutte behovet og smerte-punktet. Jeg er stolt av å arbeide for et selskap som bruker analytics til å finne nye måter å fremme en dyp, tillitsbasert relasjon mellom kunder og bank- og forsikringsindustrien.

Takk for de flotte svarene, lesere som ønsker å lære mer, kan besøke Earnix.