Ispezione dei danni con AI - Automazione dell'elaborazione dei sinistri per l'assicurazione

Introduzione

Questo articolo ti spiegherà come le compagnie di assicurazione possono utilizzare l'intelligenza artificiale per automatizzare l'elaborazione dei reclami rilevando automaticamente vari tipi di danni: telefoni cellulari, veicoli, tetti, ecc. Impareremo anche come costruire un semplice classificatore binario che classificherà le immagini dei veicoli danneggiato o non utilizzando fast.ai.

L'assicurazione è una delle industrie più antiche e tradizionali e fino a poco tempo fa è stata molto resistente ai cambiamenti. Le aziende Insurtech si stanno concentrando sull'aggiunta di valore attraverso l'automazione delle attività utilizzando diversi metodi di intelligenza artificiale. Stanno posizionando la loro aggiunta di valore nelle aree dell'elaborazione del linguaggio naturale, della visione artificiale e dell'apprendimento automatico. Utilizzo di dati onnipresenti provenienti da diverse fonti per offrire approfondimenti approfonditi e piani personalizzati per i propri clienti.

---

Avere un ispezione visiva problema in mente? Vuoi rilevare automaticamente dove un veicolo è danneggiato e con quale gravità? Nanonet API OCR ha molti interessanti casi d'uso. Parla con un esperto di IA di Nanonets per saperne di più.

Pianifica una chiamata

---

Automazione dell'elaborazione dei reclami

L'elaborazione dei reclami è uno dei casi d'uso dell'automazione nell'assicurazione che sta già vedendo il grande vantaggio applicando la visione artificiale. L'elaborazione rapida ed efficiente dei sinistri è fondamentale per il successo delle compagnie assicurative.

Gli ultimi progressi negli algoritmi di visione artificiale che utilizzano il deep learning stanno ottenendo risultati interessanti nella classificazione delle immagini, nel rilevamento degli oggetti e nella segmentazione delle immagini. Le applicazioni stanno ancora emergendo, un numero crescente di aziende sta iniziando a considerare questa tecnologia come un modo per rendere i processi di reclamo assicurativo più facili ed efficienti come una delle maggiori sfide del settore insurtech.

L'elaborazione dei sinistri nel 2030 rimane una funzione primaria dei vettori assicurativi, ma l'organico associato ai sinistri manuali è ridotto del 70-90% rispetto ai livelli del 2018. - Ricerca McKinsey

L'ispezione manuale per l'elaborazione dei reclami non è scalabile e soggetta a errori. La valutazione automatica dei danni attraverso l'analisi delle immagini è molto più rapida e accurata e diventerà ancora migliore man mano che raccolgono sempre più dati per ogni caso d'uso. Ecco alcuni dei futuri casi d'uso insurtech che vengono già costruiti oggi.

Ispezione automatica dei danni al veicolo

Le ispezioni sono spesso il primo passo del processo di reclamo dell'assicurazione auto. Con il deep learning possiamo rilevare automaticamente graffi, ammaccature, ruggine, rotture. Possiamo anche rilevare quale parte del veicolo è danneggiata e con quale gravità. Il veicolo può essere ispezionato automaticamente utilizzando immagini o feed video creando una panoramica a 360 °. Dopo l'ispezione, è possibile generare il rapporto con un elenco di danni e stimare la riparazione dei costi.

---

Puoi saperne di più sulla soluzione Nanonets per il rilevamento automatico dei danni ai veicoli qui

---

Valutazione del drone per l'assicurazione del tetto

L'ispezione del tetto è un lavoro pericoloso e richiede tempo. Prendere misure a mano o stimare manualmente i danni ha sempre fatto parte di questo tipo di attività. Un nuovo approccio utilizzando immagini satellitari e aeree di droni combinate con un numero crescente di altri attributi di dati come il tempo storico, per determinare le caratteristiche e le condizioni di un tetto e il rischio di future richieste di risarcimento. La tecnologia di visione artificiale è in grado di rilevare automaticamente la forma, il materiale, i danni, il ristagno e la ruggine del tetto. Gli assicuratori possono trovare le coperture e i prezzi giusti per i loro clienti.

---

Puoi saperne di più sulla soluzione Nanonets per la valutazione dei danni al tetto qui

---

Ispezione dei danni dello schermo mobile

L'assicurazione del telefono cellulare è essenzialmente un tipo di copertura assicurativa che protegge i telefoni cellulari danneggiati meccanicamente. Le aziende che vendono l'assicurazione del telefono cellulare si occupano di richieste di risarcimento con la maggior parte dei casi in cui si verificano crepe o danni al cellulare. L'automazione del maggior volume di elaborazione dei reclami dal telefono cellulare ridurrà enormi spese. L'idea principale è classificare le immagini dei telefoni cellulari in due categorie. Uno che indica che il cellulare è danneggiato e l'altro che è senza danni. Combinando questo approccio con l'OCR per rilevare il numero di serie del telefono e l'estrazione di altri dati importanti, i reclami possono essere ulteriormente accelerati.

---

Puoi saperne di più sulla soluzione Nanonets per il rilevamento automatico dei danni mobili qui

---

Riconoscimento ottico dei caratteri

Compito di visione artificiale per convertire immagini con caratteri o documenti scansionati in testo leggibile automaticamente. Il trattamento dei sinistri assicurativi con OCR è uno dei prodotti che ci viene in mente per la prima volta. In sostanza, è il processo di compilazione automatica dei moduli e dei documenti che devono essere sistematicamente elaborati e archiviati digitalmente.

---

Puoi saperne di più sulla soluzione Nanonets per la digitalizzazione di moduli tramite OCR qui

---

Ecco una breve panoramica degli strumenti e dei servizi più popolari che possono essere utilizzati per l'ispezione dei danni al veicolo.

Rekognition di Amazon semplifica l'aggiunta di analisi di immagini e video alle applicazioni. Non richiede competenze di deep learning da utilizzare. Rekognition si basa su una tecnologia di apprendimento profondo altamente scalabile sviluppata dagli scienziati della visione artificiale di Amazon. La piattaforma Amazon offre il rilevamento e il riconoscimento di oggetti, eventi o attività. Viene utilizzato principalmente con il rilevamento, il riconoscimento e l'identificazione dei volti. Rekognition non ha un modello per l'ispezione dei danni ma Mercato AWS offre diversi software e servizi di terze parti di cui i clienti hanno bisogno per creare soluzioni e gestire le proprie attività. Non esiste una soluzione semplice per creare un modello di classificazione delle immagini per il nostro caso d'uso specifico.

AI di Google Cloud Vision potrebbe essere suddiviso in due categorie più grandi, AutoML Vision e Vision API. L'API Vision è un'API offerta da modelli pre-addestrati di Google simili ad Amazon Rekognition e Azure Machine Learning Studio. Visione AutoML è molto interessante perché puoi creare il tuo modello personalizzato allenandoti sulle immagini personalizzate. I modelli vengono addestrati per classificare automaticamente le immagini in base alle etichette definite. Con un set di dati preparato di immagini di alta qualità, questo sembra il modo più semplice per sviluppare un robusto modello di ispezione dei danni del veicolo. Preparare le immagini dei veicoli in 2 etichette (danneggiate, non danneggiate) e seguire la documentazione.

Studio di apprendimento automatico di Azure è un semplice ambiente di authoring visivo drag-and-drop basato su browser in cui non è necessaria alcuna codifica. Un servizio cloud completamente gestito che consente di creare, distribuire e condividere facilmente soluzioni di analisi predittiva. È richiesto un approccio interessante per lo scripting visivo dei modelli, ma è ancora necessaria la conoscenza del dominio dell'apprendimento automatico. Gli sviluppatori con esperienza possono essere più efficienti utilizzando lo studio o il servizio di machine learning azzurro.

---

Ispezione dei danni al veicolo

Gli assicuratori stanno iniziando a utilizzare il deep learning per migliorare l'efficienza operativa e migliorare l'esperienza del cliente, riducendo al contempo i tempi di liquidazione dei sinistri. I modelli predittivi di visione artificiale e deep learning vengono sviluppati più rapidamente e anche senza competenze di programmazione, poiché molte aziende offrono API di formazione del modello cloud, software come servizio o visione del computer. I giganti della tecnologia come Google, Microsoft e Amazon stanno investendo molto per sviluppare e migliorare algoritmi complessi che forniscono in modo sicuro informazioni nascoste e significative dall'elaborazione di immagini in millisecondi.

Le aziende spesso evitano le tecnologie di visione basate sull'intelligenza artificiale a causa della complessità e delle esigenze degli sviluppatori con una vasta esperienza. I modelli utilizzati nella produzione richiedono un'ampia formazione computazionale e generalmente molte immagini di esempio. È difficile raccogliere dati di qualità pertinenti e, per alcuni casi d'uso, i set di dati non sono semplicemente disponibili.

L'ispezione automatica dei danni ai veicoli è un componente fondamentale per un efficiente emittente dell'assicurazione dei veicoli. Come sarebbe il flusso perfetto per l'ispezione dei danni al veicolo?

1. Il client carica immagini chiare del veicolo assicurato alla piattaforma di elaborazione dei reclami assicurativi
2. La piattaforma verifica automaticamente che le immagini abbiano qualità sufficiente per eseguire l'ispezione
3. Notifica al cliente se è necessario ricaricare le immagini.
4. Esegui modelli per l'ispezione dei danni del veicolo che dia scatole attorno alle aree danneggiate, rileva quale parte del veicolo è danneggiata ed che tipo di danno potrebbe essere come ruggine, ammaccature, graffi, ecc.
5. Il secondo passo potrebbe essere ulteriore elaborazione delle immagini danneggiate del veicolo fare un resoconto più dettagliato del danno come identificare quali parti dell'auto sono state danneggiate e la gravità del danno.
6. Rapporto di costruzione che risolve il reclamo o crea un rapporto per essere ulteriormente rivisto dal revisore manuale in caso di maggiore incertezza dal modello

Passaggi per costruire un modello di ispezione dei danni al veicolo

Vedremo ora quali sono alcune delle sfide dell'ispezione automatica dei danni e in seguito vedremo un modello semplice per l'ispezione dei danni del veicolo che può essere utilizzato con i dati raccolti come modello di base.

Set di dati sui danni al veicolo

La cosa principale quando si avvia la ricerca di deep learning è avere un set di dati di alta qualità con molte immagini. I modelli di deep learning funzionano meglio con set di dati più grandi e più bilanciati e possono essere ulteriormente migliorati con l'aggiunta del processo di aumento dei dati.

I set di dati per l'ispezione automatica dei danni al veicolo non sono disponibili al pubblico. Le compagnie di assicurazione coinvolte nell'assicurazione dei veicoli dovrebbero già avere una strategia per raccogliere e organizzare la raccolta dei dati delle immagini dei veicoli. Questo processo di raccolta e archiviazione dei dati dovrebbe essere impiegato per tutti i casi d'uso che potrebbero essere automatizzati in futuro. Alcuni esempi sono già stati menzionati come l'ispezione dei danni mobili e danni alla casa.

Il web scraping è un modo per generare un set di dati di partenza per creare alcuni modelli e idee di base. Grazie a Fast AI, PyImageSearch potresti facilmente ottenere un numero decente di immagini per qualsiasi problema di classificazione. Dai un'occhiata a questi link per vedere come è possibile Articolo PymageSearch, Blog medio, Video del corso da fastAI per una spiegazione dettagliata. Aggiungerò alcuni suggerimenti che mi hanno aiutato:

• Disattiva il blocco degli annunci, se lo hai, perché blocca il metodo di raccolta degli URL
• Prova a utilizzare termini diversi per cercare lo stesso set di dati
• Archivia tutti gli URL nel file CSV di Excel e rimuovi i duplicati
• Dopo aver scaricato il filtro per rimuovere le non immagini

Approccio di preelaborazione

La preelaborazione è un metodo per preparare le immagini per i modelli per ottenere risultati migliori con i modelli di visione artificiale. Dipende fortemente dal metodo di estrazione delle caratteristiche e dal tipo di immagine di input. Alcuni dei metodi comuni sono:

• Denoising delle immagini - applicare un filtro gaussiano o un altro filtro per rimuovere il rumore dalle immagini
• Soglia immagine - metodo di applicazione del valore di soglia per ogni pixel. Se il valore del pixel è inferiore alla soglia, viene impostato a 0, altrimenti viene impostato a un valore massimo
• Rilevatore di bordi Canny - il rilevatore di bordi più diffuso, solitamente in bundle con il processo di conversione di immagini colorate in immagini in scala di grigi

La libreria più utilizzata per la preelaborazione delle immagini è OpenCV. OpenCV (Open Source Computer Vision Library) è una libreria di software di visione artificiale e machine learning open source. OpenCV è stato creato per fornire un'infrastruttura comune per le applicazioni di visione artificiale e per accelerare l'uso della percezione delle macchine nei prodotti commerciali. Ha interfacce C ++, Python, Java e MATLAB e supporta Windows, Linux, Android e Mac OS. OpenCV si rivolge principalmente alle applicazioni di visione in tempo reale e sfrutta le istruzioni MMX e SSE quando disponibili.

Il problema con la preelaborazione è che è difficile valutare quali tecniche di preelaborazione fanno la differenza genericamente. A volte puoi fare grandi progressi per il tuo set di dati che usi ma è vantaggioso solo per sottoinsiemi di immagini. Il processo di valutazione del guadagno di precisione del metodo di preelaborazione impiegato è lento e può portare a conclusioni errate.

Mancanza di modelli disponibili al pubblico

Molte ricerche vengono condotte nel campo della visione artificiale nel rilevamento di difetti di fabbricazione. Le tecniche sviluppate per l'industria manifatturiera richiedono attrezzature e approcci speciali, ma la mancanza di modelli sviluppati pubblicamente rende più difficile basarsi sulle idee di altri ricercatori. Non è possibile confrontare le differenze di prestazioni e avere discussioni benefiche.

---

Codice e risultati

Sono stato in grado di implementare un semplice classificatore per veicoli danneggiati o non danneggiati utilizzando il framework fast.ai. Puoi trovare il notebook in questo repository github. Il codice utilizza un'architettura resnet34 per l'attività di classificazione e raggiunge una precisione dell'80% se addestrato su 60 immagini di automobili danneggiate e 79 immagini di automobili non danneggiate.

Stiamo usando il libreria fast.ai poiché offre un'ottima API per prototipare velocemente e provare diversi modelli. Fastai ha una buona classe per gestire tutto ciò che riguarda le immagini di input per le attività di visione. È chiamato ImageDataBunch e ha funzioni diverse, rispettivamente dei diversi modi in cui i dati possono essere presentati alla rete. Poiché le nostre immagini sono collocate in cartelle i cui nomi corrispondono alle etichette delle immagini, utilizzeremo il ImageDataBunch.fromfolder () funzione per creare un oggetto che contiene i nostri dati di immagine.

 # 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)

Il modello per la classificazione delle immagini dovrebbe allenarsi per 4 epoche, il che significa che passa attraverso tutte le immagini dei veicoli 4 volte migliorando i parametri del modello. Possiamo vedere questo dall'output perché il tasso di errore sta diminuendo.

 # 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()

Qui stiamo salvando il modello addestrato, quindi non è necessario ripetere il primo processo. L'idea è di usare il metodo lr_find (). Vogliamo scegliere il tasso di apprendimento che riduce maggiormente la perdita. Il grafico mostra che la selezione del tasso di apprendimento tra [1e-04, 1e-03] riduce maggiormente la perdita. Ora non vogliamo scegliere il tasso di apprendimento con la perdita più bassa. Leggi qui per maggiori informazioni su questa tecnica.

 # 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()

Dopo aver trovato la migliore gamma di tassi di apprendimento, addestrare il modello per qualche tempo in più utilizzando questa nuova gamma di tassi di apprendimento che abbiamo trovato. L'idea qui è che formiamo livelli inferiori del modello con tassi di apprendimento più bassi perché sono pre-addestrati su Imagenet. Gli strati superiori dovrebbero allenarsi con un tasso di apprendimento più elevato per ottimizzare il modello di classificazione per il nostro set di dati. Tieni presente che potresti ottenere diversi livelli di precisione, con una precisione ancora dell'80% circa.

---

Ovviamente c'è un modo molto migliore, più semplice e più intuitivo per farlo.

---

Ispezione dei danni al veicolo con nanoneti

Mentre abbiamo discusso del rilevamento dei danni utilizzando la classificazione delle immagini, il problema dell'ispezione dei danni richiede molto più che semplici modelli di classificazione. Utilizzando i modelli e i dati giusti possibile ridurre i costi di ispezione del 90%.

La classificazione delle immagini, il rilevamento degli oggetti e la segmentazione delle immagini possono essere utilizzati per scoprire esattamente quale tipo di danno (ad esempio: graffi, ammaccature, ruggine, rotture) viene rilevato, in quale posizione (informazioni sul riquadro di delimitazione) e quanto grave è il danno.

Con più dati, potresti anche costruire modelli che identificano automaticamente quali parti dell'auto (parabrezza, porta sinistra, faro destro?) Sono danneggiate.

Potrebbero interessarti i nostri ultimi post su:

Fonte: https://nanonets.com/blog/damage-inspection-machine-learning/