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

Dr. Reuven Shnaps är Chief Analytics Officer på Earnix, en ledande leverantör av system för globala försäkringsbolag och banker.

Vad var det som initialt drog dig till data science och AI?

Jag har alltid varit fascinerad av matematik, data och deras potential att lösa affärsutmaningar. Under mina akademiska studier och karriär har jag sökt efter möjligheter att lära mig om statistik, ekonomi och hur man kan tillämpa dessa områden för att förstå konsumentbeteende. Jag beundrar data scientists, moderna statistiker och ekonometriker som har den unika förmågan att analysera stora mängder data och lösa verkliga affärsproblem. Jag har ägnat min karriär åt data science och kombinerar traditionella statistiska metoder, nya maskinläringsalgoritmer och den senaste artificiella intelligens (AI) för att skapa affärslösningar som levererar långsiktig värde för våra kunder.

Vad gör Earnix?

Earnix är en global leverantör av programvarulösningar som möjliggör för försäkringsbolag och banker att erbjuda snabbare, smartare och säkrare priser, produkter och personliga erbjudanden till konsumenter. Vårt system drivs av AI och ML, och inkluderar en mängd olika analytiska modellverktyg, applikationer och avancerade algoritmer. Nyligen var Earnix med på listan över “Insurtechs att titta på 2021” i USA och erkändes som en marknadsledare inom prediktiv analys av CB Insights, ett analys- och forskningsföretag inom tekniksektorn. Earnix använder innovativ teknik för att hjälpa försäkringsbolag och banker att möta konsumenternas behov i realtid.

Earnix skrev nyligen en artikel för oss om vikten av förklarbarhet i AI. Hur viktigt anser du att förklarbarhet i AI är?

Förklarbarhet är ett aktuellt ämne inom AI och dataanalys. Det påverkar företag över hela världen, oavsett om de använder AI eller inte.

De flesta företag upplever en trade-off mellan deras nivå av kontroll och effektiviteten av AI. För att företag ska kunna lita på och anta användningen av “black box”-AI, måste det finnas en mekanism som möjliggör för experter och intressenter att tolka komplexa AI-beslutsprocesser och säkerställa att de uppfyller regulatoriska krav. Konsumenter kan också dra nytta av det genom att kunna förstå och eventuellt navigera i de viktigaste faktorerna bakom prissättning, kredit eller underwriting-beslut. Förklarbarhet är den bro som gör komplicerad AI mer begriplig och transparent. Med möjligheten att översätta avancerade ML-modeller, behöver inte analytics-proffs offra mer avancerade algoritmer på grund av bristande förståelse. Förklarbarhet minimerar trade-offen mellan kontroll och värde, samtidigt som den maximalt utnyttjar fördelarna med AI.

Kan du diskutera några av de maskinlärningstekniker som används på Earnix?

Earnix möjliggör för försäkringsbolag och banker att distribuera den senaste AI i en företagsomfattande, skalbar, molnbaserad prissättningsmotor. Vår helt automatiserade prissättningsmotor operationaliserar modeller i produktion för att erbjuda realtids-, högt personliga försäkrings- och bankprodukter som är anpassade till konsumenternas behov. Vår öppna plattformsmöjligheter möjliggör integration med en bred range av ML-modeller och plattformar som H20, Data Robot och Python. Earnix har utvecklat en unik hybridmodell för att effektivt utnyttja den kombinerade kraften av traditionella statistiska modelleringstekniker och träd-baserade ML-modeller för prissättningsbeslut.

Vi är alltid på en mission att upptäcka nya sätt att utnyttja maskinlärningsförmågor som försäkringsbolag och banker kan använda för att förbättra sina affärsverksamheter på ett sätt som direkt gynnar konsumenten. Vi undersöker för närvarande tillämpningar av smart övervakning och online-inlärning, Contextual Multi-Arm Bandits (MAB) för att utforma effektiva pakettester och anpassa personliga produkter/paket till kunder, samt djupinlärningsalgoritmer för att analysera högfrekventa data. På detta sätt hjälper vi försäkringsbolag och banker att erbjuda snabbare, smartare och säkrare produkter, priser och rater.

Hur moderniserar AI banker och försäkringsbolag?

Traditionella försäkringsbolag och banker som förlitar sig på äldre system och siloade, manuella processer utmanas av AI-drivna företag. AI har skapat en miljö där försäkringsbolag och banker måste innovativa snabbare, bearbeta stora mängder data över flera källor och typer, automatisera manuella operativa processer, strömlinjeforma och förbättra kundresan och engagemanget, erbjuda mer personliga produkter och priser, och uppnå omedelbar tid till marknadsvärde. Det har omdefinierat hur försäkringsbolag och banker opererar, och att integrera AI är avgörande för att vara konkurrenskraftiga och ge konsumenter vad de vill ha.

Till exempel vänder sig konsumenter alltmer till användningsbaserade och beteendebaserade försäkringsalternativ (UBI/BBI) eftersom de vill att deras bilförsäkringspriser ska bestämmas av deras användning och körbeteende, snarare än av deras demografi ensam. Med vår automatisering, ML och analytiska förmågor kan försäkringsbolag nu operationalisera de stora telematikdata, uppnå snabb distribution av erbjudanden, omvärdera konsumentrisk, samt justera priser och produkterbjudanden enligt.

Finns det något annat du vill dela om Earnix?

Det finns mycket forskning om hur användningen av AI förbättrar affärsprocesser och resultat, men det finns ingen handbok om hur man kombinerar kraften av AI och dess potential i affärsverksamheten för att leverera värde omedelbart och driva affärsutveckling. Många finansiella tjänsteföretag kämpar med att koppla AI till sina verksamheter. Earnix slut-till-slut-teknik adresserar detta akuta behov och smärt-punkt. Jag är stolt över att arbeta för ett företag som använder analyser för att hitta nya sätt att skapa en djup, tillitsbaserad relation mellan konsumenter och bank- och försäkringsbranschen.

Tack för de bra svaren, läsare som vill lära sig mer kan besöka Earnix.