msg Logo

Machine Learning na indústria de seguros

Uma das inovações tecnológicas mais promissoras é a inteligência artificial e a aprendizagem automática (machine learning), com inúmeras start-ups a tentar desenvolver o próximo grande êxito em todos os aspetos da sociedade. A aprendizagem automática já está em uso em muitas partes da indústria de seguros, incluindo a deteção de fraudes. No entanto, ainda há desafios a serem superados no cerne do negócio atuarial.

Exatidão e explicabilidade

A exatidão constitui o primeiro desafio. Uma qualidade de previsão estatística de 99%, por exemplo, é suficiente para aplicações como reconhecimento de imagens e pesquisas na Internet. No entanto, é inaceitável no setor dos seguros, onde se aplicam regulamentos rigorosos.

O segundo desafio é a explicabilidade. A aprendizagem automática pode produzir modelos de caixa branca ou caixa negra. Com modelos de caixa negra, uma pessoa normalmente não é capaz de compreender ou explicar como o modelo produz resultados. A falta de explicabilidade constitui um grave problema no que se refere ao cumprimento da regulamentação no setor dos seguros, nomeadamente no que se refere ao cálculo dos prémios garantidos, das prestações e dos valores de resgate.

Ao mesmo tempo, a inteligência artificial promete oferecer um valor tremendo e ajudar a executar tarefas dispendiosas e demoradas de forma mais eficiente num ambiente economicamente desafiador.

A aprendizagem automática pode ser usada para migrar contratos de seguro?

A modernização dos sistemas legados no ramo dos seguros de vida é a prioridade mais urgente para responder às crescentes expetativas dos clientes, cumprir os requisitos legais e desenvolver novos modelos de negócio. Tal permitirá aproveitar as oportunidades da digitalização e reduzir os custos num cenário economicamente difícil.

“Migração” refere-se à transferência de milhões de contratos de seguro de um ou mais sistemas-fonte para um sistema-alvo, incluindo a reimplementação de funções atuariais destinadas a gerir os contratos no sistema-alvo. Um projeto de migração envolve vastos recursos humanos numa companhia de seguros e, como os processos de migração automatizados custam menos tempo e dinheiro à seguradora, estes recursos são libertados para investir no desenvolvimento de produtos inovadores e novos modelos de negócio destinados a atrair novos clientes.

A função anterior e futura

Para compreender como a migração pode ser automatizada, temos primeiro de olhar mais de perto para o processo convencional. Quando os contratos de seguro são migrados para um novo sistema, os conjuntos de dados têm de ser transferidos. As ferramentas atuariais que administram os contratos ao longo do tempo também devem ser coerentes com os planos de negócios subjacentes e com os acordos originais com o cliente. Estas funções podem ser entendidas como equações matemáticas que definem uma relação entre variáveis de entrada e uma variável de saída, como um prémio de seguro, provisões, prestações ou valores de resgate.

A transferência destas funções constitui a parte complexa e onerosa da migração, uma vez que são altamente individualizadas. Na abordagem convencional, os atuários tinham de encontrar as funções no sistema-fonte, analisá-las e tentar compará-las com as funções no sistema novo ou alvo. Caso não houvesse correspondência, teria de se adaptar uma função do novo sistema ou então teria de ser gerada uma nova função. Tendo em conta os milhões de contratos alvo de migração, trata-se de um processo moroso e que consome recursos valiosos.

Uma solução tipo canivete suíço

Durante vários anos, a msg insur:it tem trabalhado para desenvolver e fornecer uma solução viável que transfira funções atuariais automaticamente.

Um dos métodos mais poderosos é a utilização de redes neurais profundas, geralmente consideradas o padrão-ouro entre os métodos de aprendizagem automática. A força das redes neurais profundas reside na sua capacidade de aproximar funções complexas, trabalhar com grandes conjuntos de dados e aprender dinamicamente. Redes neurais profundas são modelos de caixa preta, em que a relação entre a entrada e a saída não é explicada.

Por outro lado, a regressão simbólica – um modelo de caixa branca – procura por todas as fórmulas possíveis relacionadas a determinados operadores e funções básicas e determina a fórmula que melhor se adapta aos dados de entrada e saída. Como tal, é explicitamente explicável. Embora não seja eficiente com equações altamente complexas, é, muitas vezes, o modelo adequado para funções atuariais.

As árvores neurais, que estão relacionadas com redes neurais, utilizam essencialmente a estrutura de árvores de lógica ou de decisão, com as quais a maioria de nós está familiarizado. Tal como sucede com a regressão simbólica, elas não são adequadas para equações altamente complexas, mas muitas vezes são potentes o suficiente para cumprir funções atuariais. São deterministas e, portanto, explicáveis.

Uma combinação híbrida de redes neurais profundas, regressão simbólica e árvores neurais aborda o problema da explicabilidade e da exatidão, tanto do ponto de vista situacional quanto da adequabilidade. Para a indústria de seguros, o uso destes métodos em funções atuariais centrais constitui uma verdadeira estreia. No âmbito de um projeto de investigação em curso, financiado por fundos públicos conhecido como TRAIL.X (TRustworthy Artificial Intelligence in Life Insurance – Inteligência artificial fidedigna no âmbito dos seguros de vida), a msg insur:it desenvolveu uma solução inovadora para automatizar parcialmente as migrações que já estejam a ser utilizadas em situações da vida real.

À luz do ambiente desafiador, a pressão para modernizar os sistemas informáticos continua a crescer. No entanto, os elevados custos e a longa duração do projeto dissuadem muitas seguradoras de tomar esta medida. Com migrações parcialmente automatizadas, a msg insur:it fornece a tecnologia para abordar os projetos de consolidação necessários a um custo razoável.