Damage Inspection With AI - Automating Claims Processing For Insurance

بازنشر افلاطون

دنبال: 0

معرفی

این مقاله شما را با نحوه استفاده شرکت‌های بیمه از هوش مصنوعی برای خودکارسازی پردازش خسارت با شناسایی خودکار انواع خسارات مانند تلفن‌های همراه، وسایل نقلیه، سقف‌ها و غیره آشنا می‌کند. به آسیب دیده یا عدم استفاده از fast.ai.

بیمه یکی از قدیمی ترین و سنتی ترین صنایع است و تا همین اواخر در برابر تغییرات بسیار مقاوم بوده است. شرکت‌های Insurtech بر افزایش ارزش از طریق خودکارسازی وظایف با استفاده از روش‌های مختلف هوش مصنوعی تمرکز دارند. آنها ارزش افزوده خود را در زمینه های پردازش زبان طبیعی، بینایی کامپیوتر و یادگیری ماشین قرار می دهند. استفاده از داده های همه جانبه از منابع مختلف برای ارائه بینش داده های عمیق تر و برنامه های شخصی سازی شده برای مشتریان خود.

یک بازرسی بصری مشکل در ذهن؟ آیا می خواهید به طور خودکار تشخیص دهید که یک وسیله نقلیه در کجا و با چه شدتی آسیب دیده است؟ نانو شبکه ها OCR API بسیار جالب دارد موارد استفاده. برای کسب اطلاعات بیشتر با یک متخصص هوش مصنوعی Nanonets صحبت کنید.

اتوماسیون پردازش ادعاها

رسیدگی به مطالبات یکی از موارد استفاده از اتوماسیون در بیمه است که در حال حاضر با استفاده از بینایی کامپیوتری مزایای زیادی را مشاهده می کند. پردازش سریع و کارآمد خسارت برای شرکت های بیمه بسیار مهم است.

آخرین پیشرفت‌ها در الگوریتم‌های بینایی رایانه با استفاده از یادگیری عمیق به نتایج جالبی در طبقه‌بندی تصاویر، تشخیص اشیا و تقسیم‌بندی تصویر می‌رسند. برنامه های کاربردی هنوز در حال ظهور هستند، تعداد فزاینده ای از شرکت ها شروع به نگاه کردن به این فناوری به عنوان راهی برای تسهیل و کارآمدتر کردن فرآیندهای خسارت بیمه به عنوان یکی از بزرگترین چالش های صنعت بیمه کرده اند.

رسیدگی به خسارت در سال 2030 یکی از وظایف اصلی شرکت‌های بیمه است، اما تعداد کارکنان مرتبط با خسارت‌های دستی در مقایسه با سطوح سال 70 بین 90 تا 2018 درصد کاهش یافته است. – تحقیقات مک کینزی

بازرسی دستی برای پردازش ادعا، مقیاس پذیر و مستعد خطا نیست. ارزیابی خودکار آسیب ها از طریق تجزیه و تحلیل تصویر بسیار سریعتر و دقیق تر است و با جمع آوری داده های بیشتر و بیشتر برای هر مورد استفاده بهتر می شود. در اینجا برخی از موارد استفاده insurtech در آینده که در حال حاضر ساخته شده اند آورده شده است.

بازرسی خودکار آسیب دیدگی خودرو

بازرسی ها اغلب اولین گام از فرآیند ادعای بیمه خودرو هستند. با یادگیری عمیق ما می توانیم به طور خودکار خراش، فرورفتگی، زنگ زدگی، شکستگی را تشخیص دهیم. همچنین می توانیم تشخیص دهیم که کدام قسمت از خودرو آسیب دیده و با چه شدتی آسیب دیده است. با ایجاد نمای کلی 360 درجه می توان خودرو را با استفاده از تصاویر یا فیدهای ویدئویی بازرسی کرد. پس از بازرسی، گزارش می تواند با لیستی از خسارت ها و برآورد هزینه تعمیر تهیه شود.

می‌توانید درباره راه‌حل نانونت‌ها برای تشخیص خودکار آسیب‌های خودرو اطلاعات بیشتری کسب کنید اینجا کلیک نمایید

ارزیابی پهپاد برای بیمه سقف

بازرسی سقف کاری خطرناک و وقت گیر است. اندازه گیری با دست یا برآورد خسارت به صورت دستی همیشه بخشی از انجام این نوع تجارت بوده است. رویکردی جدید با استفاده از تصاویر ماهواره‌ای، پهپادهای هوایی همراه با تعداد فزاینده‌ای از ویژگی‌های داده‌ای دیگر مانند آب‌وهوای تاریخی، برای تعیین ویژگی‌ها و وضعیت سقف و خطر خسارت بیمه آینده. فناوری بینایی کامپیوتری می تواند به طور خودکار شکل سقف، مواد، آسیب، ریزش و زنگ را تشخیص دهد. بیمه‌گران می‌توانند پوشش‌ها و قیمت‌های مناسب را برای مشتریان خود پیدا کنند.

می‌توانید درباره راه‌حل نانونت‌ها برای ارزیابی آسیب سقف بیشتر بدانید اینجا کلیک نمایید

بازرسی آسیب صفحه نمایش موبایل

بیمه تلفن همراه در اصل نوعی پوشش بیمه ای است که از تلفن های همراه آسیب دیده مکانیکی محافظت می کند. شرکت‌های فروش بیمه تلفن همراه با خسارت‌های بیمه‌ای برخورد می‌کنند که بیشتر موارد شکسته شدن صفحه نمایش یا آسیب دیدن موبایل است. خودکار کردن حجم بیشتر رسیدگی به مطالبات از طریق تلفن همراه هزینه های هنگفتی را کاهش می دهد. ایده اصلی این است که تصاویر تلفن های همراه را به دو دسته طبقه بندی کنیم. یکی نشان می دهد که موبایل آسیب دیده است و دیگری بدون آسیب است. با ترکیب این رویکرد با OCR برای شناسایی شماره سریال تلفن و استخراج سایر داده های مهم، ادعاها می توانند تسریع بیشتری داشته باشند.

می‌توانید درباره راه‌حل Nanonets برای تشخیص خودکار آسیب موبایل اطلاعات بیشتری کسب کنید اینجا کلیک نمایید

تشخیص نوری شخصیت

کار بینایی کامپیوتر برای تبدیل تصاویر دارای کاراکتر یا اسناد اسکن شده به متن قابل خواندن توسط ماشین. رسیدگی به مطالبات بیمه با OCR یکی از محصولاتی است که اولین بار به ذهن ما می رسد. در اصل، این فرآیند پر کردن خودکار فرم ها و اسنادی است که باید به طور سیستماتیک پردازش و به صورت دیجیتالی ذخیره شوند.

می‌توانید درباره راه‌حل نانوشبکه‌ها برای دیجیتالی کردن فرم با استفاده از OCR اطلاعات بیشتری کسب کنید اینجا کلیک نمایید

در اینجا مروری کوتاه بر محبوب ترین ابزارها و خدماتی است که می توان برای بازرسی آسیب خودرو استفاده کرد.

شناسایی آمازون اضافه کردن تجزیه و تحلیل تصویر و ویدئو به برنامه های خود را آسان می کند. برای استفاده از آن نیازی به تخصص یادگیری عمیق نیست. Rekognition مبتنی بر فناوری یادگیری عمیق بسیار مقیاس پذیر است که توسط دانشمندان بینایی کامپیوتر آمازون توسعه یافته است. پلت فرم آمازون تشخیص و شناسایی اشیا، رویدادها یا فعالیت ها را ارائه می دهد. بیشتر برای تشخیص چهره، تشخیص و شناسایی استفاده می شود. Recognition مدلی برای بازرسی آسیب ندارد اما بازار AWS چندین نرم‌افزار و خدمات شخص ثالث را ارائه می‌دهد که مشتریان برای ایجاد راه‌حل‌ها و راه‌اندازی کسب‌وکارشان به آن‌ها نیاز دارند. هیچ راه حل آسانی برای ایجاد یک مدل طبقه بندی تصویر برای مورد خاص ما وجود ندارد.

هوش مصنوعی Google Cloud Vision را می توان به دو دسته بزرگتر، AutoML Vision و Vision API تقسیم کرد. Vision API یک API است که توسط مدل های از پیش آموزش دیده گوگل شبیه به Amazon Rekognition و Azure Machine Learning Studio ارائه می شود. AutoML Vision بسیار جالب است زیرا می توانید با آموزش تصاویر سفارشی مدل دلخواه خود را ایجاد کنید. مدل‌ها برای دسته‌بندی خودکار تصاویر بر اساس برچسب‌هایی که شما تعریف می‌کنید آموزش دیده‌اند. با مجموعه داده های آماده شده از تصاویر با کیفیت بالا، به نظر می رسد این ساده ترین راه برای توسعه یک مدل بازرسی آسیب خودروی قوی باشد. تصاویر خودروها را در 2 برچسب (آسیب دیده، آسیب دیده) آماده کنید و مستندات را دنبال کنید.

پلت فرم AutoML برای ایجاد برچسب های سفارشی و مدل های آموزشی [یوتیوب]

استودیوی یادگیری ماشین لاجورد یک محیط نوشتن بصری با کشیدن و رها کردن مبتنی بر مرورگر ساده است که در آن هیچ کدنویسی لازم نیست. یک سرویس ابری کاملاً مدیریت شده که به شما امکان می‌دهد راه‌حل‌های تحلیلی پیش‌بینی‌کننده را به‌راحتی بسازید، استقرار دهید و به اشتراک بگذارید. یک رویکرد جالب برای اسکریپت‌نویسی بصری مدل‌ها، اما هنوز دانش حوزه یادگیری ماشین مورد نیاز است. توسعه دهندگان با تخصص می توانند با استفاده از استودیو یا سرویس یادگیری ماشین لاجورد کارآمدتر باشند.

بازرسی خرابی خودرو

بیمه‌گران شروع به استفاده از یادگیری عمیق برای بهبود کارایی عملیاتی و ارتقای تجربه مشتری و در عین حال کاهش زمان تسویه خسارت کرده‌اند. مدل‌های پیش‌بینی بینایی رایانه و یادگیری عمیق سریع‌تر و حتی بدون مهارت برنامه‌نویسی توسعه می‌یابند، زیرا بسیاری از شرکت‌ها آموزش مدل ابری، نرم‌افزار به‌عنوان سرویس یا APIهای بینایی رایانه را ارائه می‌دهند. غول‌های فناوری مانند گوگل، مایکروسافت و آمازون سرمایه‌گذاری هنگفتی برای توسعه و بهبود الگوریتم‌های پیچیده‌ای انجام می‌دهند که به طور ایمن اطلاعات مخفی و معنی‌داری را از پردازش تصاویر در چند میلی‌ثانیه ارائه می‌کنند.

شرکت ها اغلب از فناوری های بینایی مبتنی بر هوش مصنوعی به دلیل پیچیدگی و نیاز به توسعه دهندگان با تخصص گسترده اجتناب می کنند. مدل هایی که در تولید استفاده می شوند نیاز به آموزش محاسباتی گسترده و به طور کلی بسیاری از تصاویر نمونه دارند. جمع‌آوری داده‌های با کیفیت مرتبط دشوار است و برای برخی موارد استفاده، مجموعه داده‌ها به سادگی در دسترس نیستند.

بازرسی خسارت وسیله نقلیه برای رسیدگی به ادعاها - گردش کار [آلتوروس]

بازرسی خودکار خسارت وسیله نقلیه یک جزء حیاتی برای صادرکننده بیمه خودرو کارآمد است. جریان کامل بازرسی آسیب خودرو چگونه خواهد بود؟

مشتری تصاویر واضحی را آپلود می کند وسیله نقلیه بیمه شده به پلت فرم رسیدگی به خسارت بیمه
پلت فرم به طور خودکار تأیید می کند که تصاویر دارند کیفیت کافی برای اجرای بازرسی
اطلاع رسانی به مشتری در صورت نیاز به آپلود مجدد تصاویر
مدل هایی را برای بازرسی آسیب خودرو اجرا کنید که جعبه های اطراف مناطق آسیب دیده را شناسایی کنید چه بخشی از خودرو آسیب دیده است و چه نوع آسیب ممکن است مانند زنگ زدگی، فرورفتگی، خراش و غیره باشد.
مرحله دوم می تواند باشد پردازش بیشتر تصاویر خودروی آسیب دیده برای تهیه گزارش دقیق تر از خسارت مانند شناسایی قسمت هایی از خودرو و شدت آسیب.
گزارش ساختمان که این ادعا را برطرف می کند یا گزارشی را ایجاد می کند تا در صورت عدم اطمینان بیشتر توسط مدل، توسط بازبینی کننده دستی بررسی شود.

مراحل ساخت مدل بازرسی خسارت خودرو

اکنون خواهیم دید که برخی از چالش های بازرسی خودکار آسیب چیست و بعداً یک مدل ساده تا بازرسی آسیب خودرو را خواهیم دید که می تواند با داده های جمع آوری شده به عنوان یک مدل پایه استفاده شود.

مجموعه داده آسیب خودرو

نکته اصلی هنگام شروع تحقیقات یادگیری عمیق، داشتن یک مجموعه داده با کیفیت بالا با تصاویر فراوان است. مدل‌های یادگیری عمیق با مجموعه داده‌های بزرگ‌تر و متعادل‌تر بهتر کار می‌کنند و می‌توانند با افزودن فرآیند افزایش داده‌ها، بهبود بیشتری پیدا کنند.

مجموعه داده‌ها برای بازرسی خودکار آسیب خودرو در دسترس عموم نیست. شرکت های بیمه درگیر در بیمه خودرو باید از قبل یک استراتژی برای جمع آوری و سازماندهی جمع آوری داده ها از تصاویر خودرو داشته باشند. این فرآیند جمع‌آوری و ذخیره داده‌ها باید برای همه موارد استفاده که می‌توانند در آینده خودکار شوند، به کار گرفته شود. چند مثال قبلا ذکر شده است مانند بازرسی آسیب موبایل و آسیب خانه.

فیلتر کردن تصاویر وسایل نقلیه جمع آوری شده با استفاده از روش زیر

Web scraping یکی از راه‌های تولید مجموعه داده آغازین برای ایجاد چند مدل پایه و ایده است. با تشکر از FastAI, PyImageSearch شما به راحتی می توانید تعداد مناسبی از تصاویر را برای هر مشکل طبقه بندی دریافت کنید. این پیوندها را بررسی کنید تا ببینید چگونه ممکن است مقاله PymageSearch, وبلاگ متوسط, ویدیوی دوره از fastAI برای توضیح گام به گام. من نکاتی را اضافه خواهم کرد که به من کمک کرد:

اگر دارید adblocker را خاموش کنید، زیرا روش جمع آوری URL ها را مسدود می کند
سعی کنید از عبارات مختلف برای جستجوی مجموعه داده یکسان استفاده کنید
همه URL ها را در فایل CSV اکسل ذخیره کنید و موارد تکراری را حذف کنید
پس از دانلود فیلتر برای حذف غیر تصاویر

رویکرد پیش پردازش

پیش پردازش روشی برای تهیه تصاویر برای مدل ها برای دستیابی به نتایج بهتر با مدل های بینایی کامپیوتری است. به شدت به روش استخراج ویژگی و نوع تصویر ورودی بستگی دارد. برخی از روش های رایج عبارتند از:

تخلیه تصویر - استفاده از فیلتر گاوسی یا فیلترهای دیگر برای حذف نویز از تصاویر
آستانه تصویر - روش اعمال مقدار آستانه برای هر پیکسل. اگر مقدار پیکسل کوچکتر از آستانه باشد، روی 0 و در غیر این صورت، روی یک مقدار حداکثر تنظیم می شود.
آشکارساز لبه Canny - محبوب ترین آشکارساز لبه، معمولاً همراه با فرآیند تبدیل تصاویر رنگی به تصاویر در مقیاس خاکستری

پرکاربردترین کتابخانه برای پیش پردازش تصویر OpenCV است. OpenCV (Open Source Computer Vision Library) یک کتابخانه نرم افزاری بینایی کامپیوتری و یادگیری ماشینی منبع باز است. OpenCV برای ارائه زیرساخت مشترک برای برنامه های بینایی کامپیوتر و تسریع استفاده از ادراک ماشین در محصولات تجاری ساخته شده است. دارای رابط های C++، Python، Java و MATLAB است و از ویندوز، لینوکس، اندروید و مک او اس پشتیبانی می کند. OpenCV بیشتر به سمت برنامه های بینایی بلادرنگ گرایش دارد و در صورت وجود از دستورالعمل های MMX و SSE بهره می برد.

مشکل پیش پردازش این است که ارزیابی اینکه کدام تکنیک های پیش پردازش تفاوتی کلی ایجاد می کنند دشوار است. گاهی اوقات می‌توانید برای مجموعه داده‌ای که استفاده می‌کنید پیشرفت زیادی داشته باشید، اما فقط برای زیر مجموعه‌های تصاویر مفید است. روند ارزیابی دقت روش پیش پردازش بکار گرفته شده کند است و می تواند به نتیجه گیری های اشتباه ختم شود.

عدم وجود مدل های در دسترس عموم

تحقیقات زیادی در زمینه بینایی ماشین در تشخیص عیوب ساخت انجام شده است. تکنیک‌های توسعه‌یافته برای صنعت تولید نیازمند تجهیزات و رویکردهای ویژه‌ای هستند، اما عدم وجود مدل‌های توسعه‌یافته عمومی، استناد به ایده‌های سایر محققان را دشوارتر می‌کند. نمی توان تفاوت های عملکردی را با هم مقایسه کرد و بحث های سودمندی داشت.

کد و نتایج

من توانستم با استفاده از چارچوب fast.ai یک طبقه بندی ساده برای وسایل نقلیه آسیب دیده یا آسیب دیده پیاده سازی کنم. شما می توانید دفترچه یادداشت را در اینجا پیدا کنید مخزن github. این کد از معماری resnet34 برای طبقه‌بندی استفاده می‌کند و هنگامی که بر روی 80 تصویر از ماشین‌های آسیب‌دیده و 60 تصویر از ماشین‌های آسیب‌دیده آموزش داده می‌شود، به دقت 79٪ دست می‌یابد.

ما از کتابخانه fast.ai از آنجایی که یک API عالی برای نمونه سازی سریع و آزمایش مدل های مختلف ارائه می دهد. Fastai یک کلاس خوب برای مدیریت همه چیز مربوط به تصاویر ورودی برای وظایف بینایی دارد. نامیده می شود ImageDataBunch و با توجه به روش های مختلف ارائه داده ها به شبکه، عملکردهای متفاوتی دارد. از آنجایی که تصاویر ما در پوشه‌هایی قرار می‌گیرند که نام آنها با برچسب‌های تصویر مطابقت دارد، از آن استفاده خواهیم کرد ImageDataBunch.fromfolder() تابعی برای ایجاد یک شی که حاوی داده های تصویر ما است.

 # Create path to your image data path = Path('data/vehicle') # Define number of classes, they are called like a folder so it automatically maps from where to read classes = ['vehicle_damaged', 'vehicle_not_damaged'] # Setting up seed for repetability np.random.seed(42) # Create data loader, split images into 80% for training 20% for test and rescale images to 224x224 data = ImageDataBunch.from_folder(path, train='.', valid_pct=0.2, ds_tfms=get_transforms(), size=224, num_workers=4).normalize(imagenet_stats) # Verify dataset print(data.classes, data.c, len(data.train_ds), len(data.valid_ds)) # Model training learn = cnn_learner(data, models.resnet34, metrics=error_rate) # Train for 4 epochs learn.fit_one_cycle(4)

مدل طبقه‌بندی تصویر باید برای 4 دوره آموزش ببیند، به این معنی که از تمام تصاویر وسایل نقلیه 4 بار عبور می‌کند و در عین حال پارامترهای مدل را بهبود می‌بخشد. ما می توانیم این را از خروجی ببینیم زیرا نرخ خطا در حال کاهش است.

 # Save weights, so we don't need to retrain (this matters when training is time consuming) learn.save('stage-1') # Must be done before calling lr_find, because we need to unfreeze all layers of the pre-trained model learn.unfreeze() # Plot function for finding the best learning rate learn.lr_find() # Visualize graph where loss is depending on picked learning rate # The best tool to pick a good learning rate for our models # Here we are taking the value of learning rate with the biggest fall in loss # in this example it would be [1e-04, 1e-03] learn.recorder.plot()

در اینجا ما مدل آموزش دیده را ذخیره می کنیم، بنابراین نیازی به تکرار اولین فرآیند نیست. ایده استفاده از متد lr_find(). ما می خواهیم نرخ یادگیری را انتخاب کنیم که بیشترین کاهش ضرر را داشته باشد. نمودار نشان می دهد که انتخاب نرخ یادگیری بین [1e-04، 1e-03] بیشترین کاهش ضرر را دارد. اکنون نمی خواهیم نرخ یادگیری را با کمترین ضرر انتخاب کنیم. خوانده شده در اینجا برای اطلاعات بیشتر در مورد این تکنیک

 # Training model 8 epochs more with learning rates ranging from 1e-04 to 1e-03 learn.fit_one_cycle(8, max_lr=slice(1e-4, 1e-3)) learn.save('stage-2') # Show results learn.show_results()

بعد از اینکه بهترین محدوده نرخ یادگیری را پیدا کردیم، مدل را برای مدتی بیشتر با استفاده از این محدوده نرخ یادگیری جدید که پیدا کرده ایم آموزش دهید. ایده اینجا این است که ما لایه‌های پایین‌تری از مدل را با نرخ یادگیری پایین‌تر آموزش می‌دهیم، زیرا آنها از قبل در Imagenet آموزش داده شده‌اند. لایه‌های بالاتر باید با نرخ یادگیری بالاتری آموزش ببینند تا مدل طبقه‌بندی را برای مجموعه داده ما تنظیم کنند. توجه داشته باشید که ممکن است سطوح مختلفی از دقت را دریافت کنید، هنوز هم دقت حدود 80٪.

پیش بینی مدل از آموزش طبقه بندی تصاویر ساده بر روی حدود 140 تصویر

البته روشی بسیار بهتر، ساده تر و شهودی تر برای انجام این کار وجود دارد.

بازرسی آسیب خودرو با نانو شبکه

در حالی که ما تشخیص آسیب را با استفاده از طبقه بندی تصویر مورد بحث قرار داده ایم، مشکل بازرسی آسیب به چیزی بیش از مدل های طبقه بندی نیاز دارد. استفاده از مدل ها و داده های مناسب می تواند کاهش 90 درصدی هزینه های بازرسی.

طبقه‌بندی تصویر، تشخیص شی و تقسیم‌بندی تصویر را می‌توان برای یافتن دقیق نوع آسیب (به عنوان مثال: خراش، فرورفتگی، زنگ زدگی، شکستگی)، در چه مکان (اطلاعات جعبه مرزی) و شدت آسیب استفاده کرد.

با داده های بیشتر، می توانید مدل هایی نیز بسازید که به طور خودکار تشخیص دهند که کدام قسمت های خودرو (شیشه جلو، درب سمت چپ، چراغ جلوی سمت راست؟) آسیب دیده است.