Le dilemme entre l'achat et la création de solutions d'IA dans le secteur de l'assurance

Le dilemme entre construire et acheter des solutions basées sur l'IA est difficile pour les chefs d'entreprise, même pour ceux qui disposent de moyens financiers importants, d'une envergure importante et d'équipes technologiques dotées de talents de pointe. La raison pour laquelle c'est si difficile tient à la nature fondamentale de l'intelligence artificielle et des projets d'apprentissage automatique de nouvelle génération : ils'Il se comporte comme les logiciels traditionnels et ce mauvais comportement peut être un choc pour ceux qui n'y sont pas préparés.

Dans l'article téléchargeable ci-dessous, le PDG et cofondateur d'EvolutionIQ, Tomas Vykruta, partage son expérience de première main dans la création de notre plateforme de conseil en matière de réclamations, leader du marché. Il y décrit les nombreuses étapes requises ainsi que les nombreux risques et pièges auxquels les assureurs devront faire face lorsqu'ils prendront la décision de créer une solution d'IA interne.

Comme le souligne Tom, même notre équipe de docteurs en sciences des données de Google, Meta/Facebook, Bloomberg et d'autres leaders technologiques n'a pas pu résoudre le problème au cours des six premiers mois d'efforts. Même au bout de 14 mois, même si nous avions fait des progrès, nous n'avions enregistré aucune avancée en termes d'analyse et d'analyse des réclamations complexes. Plus de 15 approches différentes ont été adoptées, et une seule a fonctionné. Ce n'est qu'à la fin que les avancées se sont produites et ont continué à se répercuter. Nous'Je les vois toujours et leur valeur est substantielle. Mais la capacité de tolérer ce type de réussite et de désertion pendant de très longues périodes est essentielle, et ce n'est pas pour les âmes sensibles.
Les principaux défis que Tom explore dans cet article sont les suivants :

• Les coûts importants de l'investissement
• Que pas moins de 87 % des projets d'IA ne sont pas lancés
• La nécessité de compléter les données propriétaires des transporteurs par des sources de données externes
• Comment les rendements marginaux des projets d'IA ne sont pas linéaires, les 5 % restants des efforts d'ingénierie produisant la majeure partie de la valeur
• Que de longs horizons temporels sont nécessaires avant même que les prototypes puissent commencer à être testés
• La nécessité pour les constructeurs de développer un cadre d'évaluation des risques par rapport à la réussite tout au long du cycle de vie de l'initiative
• Comment les initiatives d'apprentissage automatique comportent des risques distincts qui ne sont pas présents dans le développement logiciel traditionnel
• Comment l'adoption par les utilisateurs de première ligne peut constituer un obstacle majeur si le logiciel ne fonctionne pas immédiatement comme prévu
• Nécessité de prévoir un ajustement et un étalonnage continus en raison de la dérive des données, dans laquelle les propriétés statistiques du modèle peuvent changer de manière imprévue à mesure que de nouvelles données arrivent continuellement dans le système

Comme le souligne Tom, il y a urgence. Les progrès réalisés en matière d'apprentissage automatique au cours des cinq dernières années seulement ont créé une situation dans laquelle le secteur de l'assurance, longtemps mal desservi par les technologies de pointe, est sur le point de connaître son propre essor avec Uber alors qu'il subit un changement unique en une génération visant à remplacer les méthodologies obsolètes de gestion des sinistres.

Cela signifie que la décision entre construire et acheter est'C'est juste un truc académique.'est un produit que les cadres dirigeants de l'industrie sont en train de créer actuellement.

Cliquez ici pour télécharger l'article complet, Le dilemme entre l'achat et la construction de solutions d'IA dans le secteur de l'assurance.

‍