La precisión es el primero de los retos. Una calidad de predicción estadística del 99 %, por ejemplo, es suficiente para aplicaciones como el reconocimiento de imágenes y las búsquedas en internet. Sin embargo, esto es algo inaceptable en el sector de los seguros, donde se aplican normas estrictas.
Machine Learning na indústria de seguros
Resumen ejecutivo
La inteligencia artificial y el aprendizaje automático (Machine learning) son innovaciones tecnológicas muy prometedoras. Son muchas las empresas emergentes que están intentando desarrollar el próximo gran hito aplicable a todos los aspectos de la sociedad. En concreto el aprendizaje automático ya se utiliza en muchos sectores de la industria de los seguros, incluida la detección del fraude. Sin embargo, todavía quedan retos por abordar en la actividad actuarial principal.
El segundo reto es la explicabilidad. El aprendizaje automático puede producir modelos de caja blanca o de caja negra. Con los modelos de caja negra, normalmente una persona no es capaz de entender o explicar cómo genera el modelo los resultados. La falta de explicación constituye un grave problema para el cumplimiento de la normativa en el sector de los seguros, por ejemplo, en lo que se refiere al cálculo de las primas garantizadas, las prestaciones y los valores de rescate.
Al mismo tiempo, la inteligencia artificial promete ofrecer un valor altísimo y ayudar a llevar a cabo tareas costosas y que requieren mucho tiempo de manera más eficiente, en un entorno económico difícil.
La modernización de los sistemas tradicionales del sector de los seguros de vida es una prioridad urgente para satisfacer las crecientes expectativas de los clientes, cumplir con los requisitos reglamentarios y desarrollar nuevos modelos de negocio. Ello allanará el camino para aprovechar las oportunidades de la digitalización y reducir los costes en un entorno económicamente difícil.
El término «migración» hace referencia a la transferencia de millones de contratos de seguro de uno o varios sistemas fuente a un sistema objetivo, incluida la reintroducción de funciones actuariales destinadas a administrar los contratos en el sistema objetivo. Un proyecto de migración vincula una gran cantidad de recursos humanos a una compañía de seguros y, como los procesos de migración automatizados cuestan menos tiempo y dinero a la empresa aseguradora, estos recursos se pueden invertir libremente en el desarrollo de productos innovadores y modelos de negocio para atraer nuevos clientes.
Para comprender cómo se puede automatizar la migración, primero debemos examinar más de cerca el proceso convencional. Cuando los contratos de seguros se migran a un nuevo sistema, deben transferirse los conjuntos de datos. Las herramientas actuariales que administran los contratos a lo largo del tiempo también deben ser coherentes con los planes de negocios subyacentes y con los acuerdos originales con el cliente. Estas funciones pueden entenderse como ecuaciones matemáticas que definen una relación entre variables de entrada y una variable de salida, como una prima de seguro, provisiones, prestaciones o valores de rescate.
La transferencia de estas funciones es la parte compleja y costosa de la migración, ya que están altamente individualizadas. Según el enfoque convencional, los actuarios tenían que encontrar las funciones del sistema fuente, analizarlas e intentar compararlas con las funciones del sistema nuevo o del sistema destino. Si no coinciden, habría que adaptar una función del nuevo sistema o generar una nueva función. Habida cuenta de los millones de contratos que se migran, se trata de un proceso largo y que devora valiosos recursos.
Desde hace varios años, msg insur:it trabaja para desarrollar y proporcionar una solución viable que transfiera funciones actuariales de forma automática.
Uno de los métodos más potentes es el uso de redes neuronales profundas, que generalmente se consideran la joya de la corona entre los métodos de aprendizaje automático. La fortaleza de las redes neuronales profundas es su capacidad para aproximarse a funciones complejas, trabajar con grandes conjuntos de datos y aprender dinámicamente. Las redes neuronales profundas son modelos de caja negra en los que no se explica la relación entre la entrada y la salida.
Por el contrario, la regresión simbólica (un modelo de caja blanca) busca en todas las fórmulas posibles relativas a determinados operadores y funciones básicas y determina la fórmula que mejor se ajuste a los datos de entrada y salida. De este modo, puede explicarse de manera explícita. Aunque no es eficiente con ecuaciones muy complejas, a menudo el sistema es adecuado para funciones actuariales.
Los árboles neuronales, que están relacionados con las redes neuronales, utilizan esencialmente la estructura de los árboles lógicos o de decisión, con los que la mayoría de nosotros estamos familiarizados. Al igual que sucede con la regresión simbólica, no son adecuados para ecuaciones muy complejas, pero a menudo son lo suficientemente potentes como para cumplir con funciones actuariales. Son deterministas y, por lo tanto, explicables.
Una combinación híbrida de redes neuronales profundas, regresión simbólica y árboles neuronales aborda el problema de la explicabilidad y la precisión, tanto situacional como adecuadamente. Para el sector de los seguros, la utilización de estos métodos en las funciones actuariales básicas es realmente una novedad. En el marco de un proyecto de investigación en curso financiado con fondos públicos denominado TRAIL.X (TRustworthy Artificial Intelligence in Life Insurance), msg insur:it ha desarrollado una solución innovadora para automatizar de manera parcial las migraciones que ya se está utilizando en situaciones de la vida real.
A la luz del difícil entorno, sigue aumentando la presión para modernizar los sistemas de TI. Sin embargo, los altos costos y la larga duración de los proyectos disuaden a muchas aseguradoras de dar este paso. Con migraciones parcialmente automatizadas, msg insur:it proporciona la tecnología para abordar los proyectos de consolidación necesarios con un coste razonable.