בדיקת נזק באמצעות AI - אוטומציה של עיבוד תביעות לביטוח

מבוא

מאמר זה יעביר אתכם כיצד חברות ביטוח יכולות להשתמש בבינה מלאכותית כדי להפוך את עיבוד התביעות לאוטומטי על ידי גילוי אוטומטי של נזקים מסוגים שונים - טלפונים ניידים, רכבים, גגות וכו '. כמו כן, נלמד כיצד לבנות מסווג בינארי פשוט שיסווג תמונות רכב לפגום או לא להשתמש במהירות.

הביטוח הוא אחד הענפים הוותיקים והמסורתיים ביותר ועד לאחרונה הוא היה עמיד מאוד בפני שינוי. חברות Insurtech מתמקדות בהוספת ערך באמצעות משימות אוטומטיות בשיטות שונות של בינה מלאכותית. הם ממקמים את תוספת הערך שלהם בתחומי עיבוד שפות טבעיות, ראיית מחשב ולמידה מכונה. שימוש בנתונים הכוללים מקורות שונים על מנת להציע תובנות נתונים עמוקות יותר ותוכניות מותאמות אישית עבור לקוחותיהם.

---

יש לי בדיקה ויזואלית בעיה בראש? רוצים לזהות אוטומטית היכן רכב ניזוק ובאיזו חומרה? ננונטים ממשק API של OCR יש הרבה מעניינים להשתמש במקרים. שוחח עם מומחה AI של Nanonets למידע נוסף.

תזמן שיחה

---

תביעות אוטומציה לעיבוד

עיבוד תביעות הוא אחד ממקרי השימוש באוטומציה בביטוח שכבר רואים את היתרון הגדול באמצעות יישום ראיית מחשב. עיבוד תביעות מהיר ויעיל הוא בעל חשיבות עליונה להצלחה עבור חברות הביטוח.

ההתקדמות האחרונה באלגוריתמי ראייה ממוחשבים תוך שימוש בלמידה מעמיקה משיגה תוצאות מעניינות בסיווג תמונות, איתור אובייקטים ופילוח תמונות. היישומים עדיין צצים, מספר גדל והולך של חברות מתחילות להסתכל על טכנולוגיה זו כדרך להקל ויעיל יותר על תהליכי תביעות ביטוח כאחד האתגרים הגדולים ביותר בתעשיית המורשת.

עיבוד תביעות בשנת 2030 נותר פונקציה ראשונית של ספקי ביטוח, אך מספר העובדים הקשור לתביעות ידניות מופחת ב70-90% בהשוואה לרמות 2018. - מחקר של מקינזי

בדיקה ידנית לעיבוד תביעות אינה ניתנת להרחבה ומועדת לטעויות. הערכה אוטומטית של הנזקים באמצעות ניתוח תמונות היא מהירה ומדויקת הרבה יותר והיא תשתפר אפילו יותר ככל שהם אוספים יותר ויותר נתונים לכל מקרה שימוש. להלן כמה ממקרי השימוש העתידי בתחום המשרדים שנבנים כבר היום.

בדיקת נזקי רכב אוטומטית

לעתים קרובות בדיקות הן הצעד הראשון בתהליך תביעת ביטוח הרכב. בעזרת למידה מעמיקה אנו יכולים לאתר באופן אוטומטי שריטות, שקעים, חלודה, שבירות. אנו יכולים גם לזהות איזה חלק מהרכב פגוע ובאיזו חומרה. ניתן לבחון את הרכב באופן אוטומטי באמצעות תמונות או עדכוני וידאו על ידי יצירת סקירה של 360 מעלות. לאחר הבדיקה ניתן להפיק את הדוח עם רשימת נזקים ולהעריך תיקון עלויות.

---

תוכלו ללמוד עוד על פיתרון Nanonets לגילוי נזק לרכב אוטומטי כאן

---

הערכת מזל"ט לביטוח גגות

בדיקת גגות היא עבודה מסוכנת וארוכה זמן. ביצוע מדידות ביד או הערכת נזק באופן ידני תמיד היה חלק מביצוע עסק מסוג זה. גישה חדשה על ידי שימוש בתמונות מל"ט אוויריות אוויריות בשילוב עם מספר גדל והולך של מאפייני נתונים אחרים כמו מזג אוויר היסטורי, לקביעת המאפיינים ומצבו של גג והסיכון לתביעות ביטוח עתידיות. טכנולוגיית ראיית מחשב יכולה לאתר באופן אוטומטי צורת גג, חומר, נזק, בריכה וחלודה. מבטחים יכולים למצוא את הכיסויים והתמחור הנכונים עבור לקוחותיהם.

---

תוכלו ללמוד עוד על פיתרון Nanonets להערכת נזקי גג כאן

---

בדיקת נזק למסך הנייד

ביטוח טלפון סלולרי הוא בעצם סוג של כיסוי ביטוחי המגן על הטלפונים הניידים שנפגעו מכנית. חברות המוכרות ביטוח טלפון סלולרי עוסקות בתביעות ביטוח כאשר מרבית המקרים הם פגועים במסך או בנייד. אוטומציה של ההיקף הגדול יותר של עיבוד התביעות מהטלפון הנייד תקצץ בהוצאות עצומות. הרעיון המרכזי הוא לסווג תמונות של טלפונים ניידים לשתי קטגוריות. אחת המייצגת כי הנייד פגום ואחר הוא ללא נזק. על ידי שילוב גישה זו עם OCR לגילוי מספר סידורי בטלפון וחילוץ נתונים חשובים אחרים, ניתן להאיץ עוד יותר טענות.

---

תוכל ללמוד עוד על פיתרון Nanonets לגילוי נזקים אוטומטיים בנייד כאן

---

זיהוי תווים אופטי

משימת ראיית מחשב להמרת תמונות עם תווים או מסמכים סרוקים לטקסט קריא במכונה. עיבוד תביעות ביטוח באמצעות OCR הוא אחד המוצרים העולים לראש בראשנו. בעיקרו של דבר, זהו תהליך מילוי אוטומטי של הטפסים והמסמכים שצריך לעבד באופן שיטתי ולאחסן באופן דיגיטלי.

---

אתה יכול ללמוד עוד על פיתרון Nanonets לדיגיטציה באמצעות טופס באמצעות OCR כאן

---

להלן סקירה קצרה של הכלים והשירותים הפופולריים ביותר שניתן להשתמש בהם לבדיקת נזקי רכב.

אמזון מקל להוסיף ניתוח תמונה ווידיאו ליישומים שלך. אין צורך במומחיות למידה עמוקה בכדי להשתמש בה. ההכרה מבוססת על טכנולוגית למידה עמוקה מאוד מדרגית שפותחה על ידי מדעני חזון המחשבים של אמזון. פלטפורמת אמזון מציעה זיהוי וזיהוי של אובייקטים, אירועים או פעילויות. משתמשים בו בעיקר בזיהוי פנים, זיהוי וזיהוי פנים. להכרה אין מודל לבדיקת נזק אלא AWS שוק מציע כמה תוכנות ושירותים של צדדים שלישיים שאוצרים ללקוחות כדי לבנות פתרונות ולנהל את עסקיהם. אין פיתרון קל ליצירת מודל סיווג תמונות למקרה השימוש הספציפי שלנו.

AI Cloud Vision של Google ניתן לחלק לשתי קטגוריות גדולות יותר, AutoML Vision ו- Vision API. ה- Vision API הוא API המוצע על ידי דגמים שהוכנו מראש על ידי גוגל בדומה לאולפני Rekognition ו- Azure Machine Learning. חזון AutoML זה מאוד מעניין מכיוון שאתה יכול ליצור את המודל המותאם אישית שלך על ידי הדרכה על תמונות מותאמות אישית. מודלים מאומנים לסווג תמונות באופן אוטומטי לפי תוויות שאתה מגדיר. עם מערך נתונים מוכן של תמונות באיכות גבוהה, זו נראית כמו הדרך הקלה ביותר לפתח דגם בדיקת נזק לרכב חזק. הכן את תמונות הרכבים לשתי תוויות (פגום, לא פגום) ופעל לפי התיעוד.

סטודיו למידה למכונת Azure היא סביבת עריכה ושחרור חזותית מבוססת דפדפן פשוטה, בה אין צורך בקידוד. שירות ענן מנוהל באופן מלא המאפשר לך לבנות, לפרוס ולשתף בקלות פתרונות אנליטיים חזויים. דרושה גישה מעניינת לתסריט חזותי של המודלים אך עדיין יש צורך בידע בתחום בתחום למידת מכונה. מפתחים עם מומחיות יכולים להיות יעילים יותר באמצעות אולפן למידה מכונה תכול או שירות.

---

בדיקת נזקי רכב

מבטחים מתחילים להשתמש בלמידה מעמיקה כדי לשפר את היעילות התפעולית ולהעצים את חווית הלקוח תוך צמצום זמן הסדר התביעות. ראייה ממוחשבת ומודלים חזויים של למידה עמוקה מפותחים מהר יותר ואפילו ללא כישורי תכנות, שכן חברות רבות מציעות הכשרה למודלים בענן, תוכנה כשירות או ממשקי API לראיית מחשב. ענקיות טק כמו גוגל, מיקרוסופט ואמזון משקיעות רבות בפיתוח ושיפור אלגוריתמים מורכבים המספקים בצורה מאובטחת מידע נסתר ומשמעותי מעיבוד תמונות באלפיות השנייה.

חברות לרוב נמנעות מטכנולוגיות חזון מבוססות AI עקב מורכבותן ודרישותיהן של מפתחים עם מומחיות רבה. דגמים המשמשים בייצור דורשים הכשרה חישובית רחבה ובאופן כללי תמונות מדגמיות. קשה לאסוף נתונים איכותיים רלוונטיים ובמקרים מסוימים, מערכי הנתונים פשוט אינם זמינים.

בדיקת נזקי רכב אוטומטית היא מרכיב קריטי למנפיק ביטוח רכב יעיל. כיצד תיראה זרימת הבדיקה המושלמת לרכב?

1. הלקוח מעלה תמונות ברורות של הרכב המבוטח לפלטפורמת עיבוד תביעות הביטוח
2. הפלטפורמה מאמת אוטומטית שיש לתמונות איכות מספקת לביצוע הבדיקה
3. הודעה ללקוח אם יש לטעון מחדש את התמונות.
4. הפעל דגמים לבדיקת נזקי רכב המעניקים תיבות סביב אזורים פגומים, גלה איזה חלק ברכב נפגע ו איזה נזק זה יכול להיות כמו חלודה, שקעים, שריטות וכו '.
5. השלב השני יכול להיות עיבוד נוסף של תמונות הרכב הפגועות לערוך דיווח מפורט יותר על הנזק כמו זיהוי חלקי המכונית שנפגעו וחומרת הנזק.
6. דו"ח בנייה אשר פותר את התביעה או יוצר דוח לבחינה נוספת על ידי הסוקר הידני במקרה של אי וודאות גבוהה יותר על ידי המודל

שלבים לבניית מודל בדיקת נזקי רכב

כעת נראה מה הם כמה מהאתגרים של בדיקת נזקים אוטומטית ובהמשך נראה מודל פשוט לבדיקת נזק לרכב, שניתן להשתמש בו עם נתונים שנאספו כמודל בסיסי.

מערך נזק לרכב

הדבר העיקרי כשמתחילים במחקר למידה מעמיקה הוא לקבל מערך נתונים באיכות גבוהה עם הרבה תמונות. מודלים של למידה עמוקה עובדים טוב יותר עם מערכי נתונים גדולים יותר ומאוזנים יותר וניתן לשפר אותם עוד יותר בתוספת תהליך הגדלת הנתונים.

מערכי נתונים לבדיקת נזקי רכב אוטומטיים אינם זמינים לציבור. חברות ביטוח העוסקות בביטוח רכב צריכות כבר להיות בעלות אסטרטגיה לאיסוף וארגון איסוף נתונים של תמונות רכב. יש להשתמש בתהליך זה של איסוף ואחסון נתונים בכל מקרי השימוש העשויים להיות אוטומטיים בעתיד. כמה דוגמאות כבר הוזכרו כמו בדיקת נזקים ניידים ונזקי בתים.

גרידת רשת היא דרך אחת לייצר מערך נתונים של סטרטר כדי ליצור כמה מודלים ורעיונות בסיסיים. הודות ל FastAI, חיפוש PyImage אתה יכול בקלות להשיג מספר מכובד של תמונות עבור כל בעיית סיווג. עיין בקישורים האלה כדי לראות איך זה אפשרי מאמר PymageSearch, בלוג בינוני, סרטון הקורס מה fastAI להסבר צעד אחר צעד. אוסיף כמה רמזים שעזרו לי:

• כבה אם יש לך חסימה, מכיוון שהוא חוסם את השיטה לאיסוף כתובות אתרים
• נסה להשתמש במונחים שונים לחיפוש באותו מערך נתונים
• אחסן את כל כתובות האתרים בקובץ excel של CSV והסר כפילויות
• לאחר הורדת המסנן להסרת אי-תמונות

גישת עיבוד מוקדם

עיבוד מוקדם הוא שיטה להכנת תמונות לדגמים להשגת תוצאות טובות יותר עם דגמי ראיית מחשב. זה תלוי מאוד בשיטת חילוץ התכונות וסוג תמונת הקלט. כמה מהשיטות הנפוצות הן:

• מכחיש תמונה - החלת פילטר גאוסי או אחר להסרת רעש מתמונות
• סף תמונה - שיטת יישום ערך סף לכל פיקסל. אם ערך הפיקסלים קטן מהסף, הוא מוגדר ל- 0, אחרת הוא מוגדר לערך מקסימאלי
• גלאי קצה קני - גלאי קצה פופולרי ביותר, לרוב יחד עם תהליך המרת תמונות צבעוניות לתמונות בגווני אפור

הספרייה המשמשת ביותר לעיבוד מראש של תמונות היא OpenCV. OpenCV (ספריית ראייה ממוחשבת של קוד פתוח) היא ראיית מחשב עם קוד פתוח וספריית תוכנות ללימוד מכונות. OpenCV נבנה כדי לספק תשתית משותפת ליישומי ראיית מחשב ולהאיץ את השימוש בתפיסת המכונות במוצרים מסחריים. יש לו ממשקי C ++, Python, Java ו- MATLAB ותומך ב- Windows, Linux, Android ו- Mac OS. OpenCV נוטה בעיקר לכיוון של יישומי ראייה בזמן אמת ומנצל את הוראות MMX ו- SSE כאשר הם זמינים.

הבעיה עם עיבוד הכנה מראש היא שקשה להעריך אילו טכניקות של עיבוד מקדים עושות את ההבדל באופן כללי. לפעמים אתה יכול להתקדם מאוד עבור מערך הנתונים שלך שאתה משתמש בו אך הוא מועיל רק עבור קבוצות משנה של תמונות. תהליך ההערכה של רווח הדיוק של שיטת העיבוד המוקדם הוא איטי ויכול להגיע למסקנות שגויות.

היעדר דגמים זמינים לציבור

מחקר רב נעשה בתחום הראייה במכונה בזיהוי ליקויי ייצור. הטכניקות שפותחו לתעשיית הייצור דורשות ציוד וגישות מיוחדות אך היעדר דגמים שפותחו באופן ציבורי מקשה על בנייה על רעיונות של חוקרים אחרים. לא ניתן להשוות בין הבדלי ביצועים ולקיים דיונים מועילים.

---

קוד ותוצאות

הצלחתי ליישם מסווג פשוט לרכבים פגומים או לא פגועים באמצעות fast.ai. אתה יכול למצוא את המחברת בזה מאגר גיתוב. הקוד משתמש בארכיטקטורת resnet34 למשימת הסיווג ומשיג דיוק של 80% כאשר מאומנים על 60 תמונות של מכוניות פגומות ו 79 תמונות של מכוניות שלא נפגעו.

אנו משתמשים ב- ספריית fast.ai מכיוון שהיא מציעה ממשק API נהדר לאב-טיפוס מהיר ולניסוי דגמים שונים. לפסטאי יש שיעור נחמד לטיפול בכל הקשור לתמונות הקלט למשימות הראייה. זה נקרא חבילת ImageDataBunch ויש לו פונקציות שונות, בהתאמה לדרכים השונות שניתן להציג נתונים לרשת. מכיוון שהתמונות שלנו ממוקמות בתיקיות ששמותיהן תואמים לתוויות התמונה, אנו נשתמש ב- ImageDataBunch.fromfolder () פונקציה ליצירת אובייקט המכיל את נתוני התמונה שלנו.

 # 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)

המודל לסיווג תמונות אמור להתאמן במשך 4 תקופות, כלומר הוא עובר את כל תמונות הרכבים פי 4 תוך שיפור פרמטרי הדגם. אנו יכולים לראות זאת מהתפוקה מכיוון ששיעור השגיאה יורד.

 # 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()

כאן אנו חוסכים את הדגם המאומן כך שאיננו צריכים לחזור על התהליך הראשון הזה. הרעיון הוא להשתמש בשיטה lr_find (). אנו רוצים לבחור את קצב הלמידה שמוריד את האובדן ביותר. הגרף מראה כי בחירת קצב הלמידה בין [1e-04, 1e-03] מורידה את ההפסד ביותר. כעת איננו רוצים לבחור את שיעור הלמידה עם האובדן הנמוך ביותר. קראו כאן למידע נוסף על טכניקה זו.

 # 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()

לאחר שמצאנו את טווח קצב הלמידה הטוב ביותר, הכשרו את המודל לזמן מה יותר באמצעות טווח שיעורי הלמידה החדש שמצאנו. הרעיון כאן הוא שאנחנו מאמנים שכבות נמוכות יותר של הדגם עם שיעורי למידה נמוכים יותר מכיוון שהם מאומנים מראש ב- Imageet. השכבות הגבוהות צריכות להתאמן עם שיעור למידה גבוה יותר בכדי לכוונן את מודל הסיווג עבור מערך הנתונים שלנו. שימו לב שאולי תקבלו רמות דיוק שונות, עדיין סביב ~ 80% דיוק.

---

יש כמובן דרך הרבה יותר טובה, פשוטה ואינטואיטיבית לעשות זאת.

---

בדיקת נזקי רכב עם Nanonets

אמנם דנו באיתור נזקים באמצעות סיווג תמונות, אך בעיית בדיקת הנזק דורשת הרבה יותר מאשר רק דגמי סיווג. השימוש במודלים ובנתונים הנכונים יכולים הפחת את עלויות הבדיקה ב- 90%.

ניתן להשתמש בסיווג תמונות, איתור עצמים ופילוח תמונות כדי לגלות בדיוק איזה סוג של נזק (למשל: שריטות, שקעים, חלודה, שבור) נמצא, באיזה מיקום (מידע על תיבת הגבול) ועד כמה הנזק חמור.

עם נתונים נוספים, תוכלו גם לבנות דגמים שיזהו אוטומטית אילו חלקים ברכב (שמשה קדמית, דלת שמאל, פנס ימין?) נפגעים.

אולי אתה מעוניין בפוסטים האחרונים שלנו בנושא:

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