Inspeção de danos com IA - Automatizando o processamento de solicitações de seguro

Introdução

Este artigo mostrará como as empresas de seguros podem usar inteligência artificial para automatizar o processamento de sinistros, detectando automaticamente vários tipos de danos - telefones celulares, veículos, telhados etc. Também aprenderemos como criar um classificador binário simples que classificará imagens de veículos danificado ou não usando o fast.ai.

O seguro é uma das indústrias mais antigas e tradicionais e até recentemente era muito resistente à mudança. As empresas Insurtech estão se concentrando em agregar valor, automatizando tarefas usando diferentes métodos de inteligência artificial. Eles estão posicionando seu valor agregado nas áreas de processamento de linguagem natural, visão computacional e aprendizado de máquina. Usando dados onipresentes de diferentes fontes para oferecer informações mais aprofundadas e planos personalizados para seus clientes.

---

Tenha um inspeção visual problema em mente? Quer detectar automaticamente onde um veículo foi danificado e com que gravidade? Nanonets API OCR tem muitos interessantes casos de uso. Fale com um especialista em IA da Nanonets para saber mais.

Programe uma chamada

---

Automação de processamento de declarações

O processamento de declarações é um dos casos de uso de automação no seguro que já está obtendo o grande benefício ao aplicar a visão computacional. O processamento rápido e eficiente de sinistros é fundamental para o sucesso das companhias de seguros.

Os últimos avanços nos algoritmos de visão computacional que utilizam aprendizado profundo estão alcançando resultados interessantes na classificação de imagens, detecção de objetos e segmentação de imagens. As aplicações ainda estão surgindo, um número crescente de empresas está começando a considerar essa tecnologia como uma maneira de tornar os processos de reivindicações de seguro mais fáceis e mais eficientes, como um dos maiores desafios do setor de insurtech.

O processamento de reclamações em 2030 continua a ser uma função principal das operadoras de seguros, mas o número de funcionários associado a reclamações manuais é reduzido em 70-90% em comparação com os níveis de 2018. - Pesquisa da McKinsey

A inspeção manual para processamento de reclamações não é escalonável e sujeita a erros. A avaliação automática dos danos por meio da análise de imagens é muito mais rápida e precisa e se tornará ainda melhor à medida que coletam mais e mais dados para cada caso de uso. Aqui estão alguns dos casos de uso de insurtech futuros que já estão sendo desenvolvidos hoje.

Inspeção Automática de Danos a Veículos

As inspeções costumam ser a primeira etapa do processo de reivindicação de seguro de carro. Com o aprendizado profundo, podemos detectar automaticamente arranhões, amassados, ferrugem, quebras. Também podemos detectar qual parte do veículo está danificada e com que gravidade. O veículo pode ser inspecionado automaticamente usando imagens ou feeds de vídeo, criando uma visão geral de 360 ​​°. Após a inspeção, o relatório pode ser gerado com uma lista de danos e estimativa de reparo de custos.

---

Você pode aprender mais sobre a solução Nanonets para detecção automática de danos ao veículo SUA PARTICIPAÇÃO FAZ A DIFERENÇA

---

Avaliação do zangão para seguro de telhado

A inspeção do telhado é um trabalho perigoso e demorado. Fazer medições manualmente ou estimar danos manualmente sempre fez parte desse tipo de negócio. Uma nova abordagem usando imagens de drones aéreos por satélite combinadas com um número crescente de outros atributos de dados, como clima histórico, para determinar as características e condições de um telhado e o risco de reivindicações de seguro futuras. A tecnologia de visão computacional pode detectar automaticamente a forma, o material, os danos, as lagoas e a ferrugem do telhado. As seguradoras podem encontrar as coberturas e preços certos para seus clientes.

---

Você pode aprender mais sobre a solução Nanonets para avaliação de danos no telhado SUA PARTICIPAÇÃO FAZ A DIFERENÇA

---

Inspeção de danos na tela do celular

O seguro de celular é essencialmente um tipo de cobertura que protege os celulares danificados mecanicamente. As empresas que vendem seguros de telefonia móvel lidam com reivindicações de seguro, com a maioria dos casos sendo tela rachada ou danos ao celular. A automação do maior volume de processamento de reclamações do telefone celular reduzirá enormes despesas. A idéia principal é classificar imagens de telefones celulares em duas categorias. Um representando que o celular está danificado e outro sem danos. Ao combinar essa abordagem com o OCR para detectar o número de série do telefone e extrair outros dados importantes, as reivindicações podem ser aceleradas ainda mais.

---

Você pode aprender mais sobre a solução Nanonets para detecção automática de danos em dispositivos móveis SUA PARTICIPAÇÃO FAZ A DIFERENÇA

---

Reconhecimento Óptico de Caracteres

Tarefa de visão computacional para converter imagens com caracteres ou documentos digitalizados em texto legível por máquina. O processamento de reclamações de seguros com OCR é um dos produtos que nos vem à mente. Em essência, é o processo de preencher automaticamente os formulários e documentos que precisam ser sistematicamente processados ​​e armazenados digitalmente.

---

Você pode aprender mais sobre a solução Nanonets para digitalização de formulários usando OCR SUA PARTICIPAÇÃO FAZ A DIFERENÇA

---

Aqui está uma breve visão geral das ferramentas e serviços mais populares que podem ser usados ​​para inspeção de danos ao veículo.

Reconhecimento da Amazônia facilita a adição de análises de imagem e vídeo aos seus aplicativos. Não requer nenhum conhecimento profundo de aprendizado para usar. O reconhecimento é baseado em uma tecnologia de aprendizado profundo e altamente escalável, desenvolvida pelos cientistas de visão computacional da Amazon. A plataforma Amazon oferece detecção e reconhecimento de objetos, eventos ou atividades. É usado principalmente com detecção, reconhecimento e identificação de faces. O reconhecimento não possui um modelo para inspeção de danos, mas Mercado da AWS oferece vários softwares e serviços de terceiros que os clientes precisam para criar soluções e administrar seus negócios. Não há uma solução fácil para criar um modelo de classificação de imagem para nosso caso de uso específico.

AI do Google Cloud Vision podem ser separados em duas categorias maiores, AutoML Vision e Vision API. A API Vision é uma API oferecida pelos modelos pré-treinados do Google, semelhantes ao estúdio Amazon Rekognition e Azure Machine Learning. Visão AutoML é muito interessante porque você pode criar seu modelo personalizado treinando em imagens personalizadas. Os modelos são treinados para classificar automaticamente as imagens de acordo com os rótulos que você define. Com um conjunto de dados preparado de imagens de alta qualidade, essa parece ser a maneira mais fácil de desenvolver um modelo robusto de inspeção de danos a veículos. Prepare as imagens dos veículos em 2 etiquetas (danificadas, não danificadas) e siga a documentação.

Estúdio de aprendizado de máquina do Azure é um ambiente de autoria visual simples de arrastar e soltar, baseado em navegador, em que nenhuma codificação é necessária. Um serviço de nuvem totalmente gerenciado que permite criar, implantar e compartilhar facilmente soluções de análise preditiva. É necessária uma abordagem interessante para criar scripts visuais dos modelos, mas ainda é necessário o conhecimento do domínio do aprendizado de máquina. Desenvolvedores com experiência podem ser mais eficientes usando o estúdio ou serviço do Azure Machine Learning.

---

Inspeção de danos ao veículo

As seguradoras estão começando a usar o aprendizado profundo para melhorar a eficiência operacional e aprimorar a experiência do cliente enquanto reduzem o tempo de liquidação de sinistros. Modelos preditivos de visão computacional e aprendizado profundo estão sendo desenvolvidos mais rapidamente e mesmo sem habilidades de programação, pois muitas empresas oferecem APIs de treinamento em modelos em nuvem, APIs de software como serviço ou visão computacional. Gigantes de tecnologia como Google, Microsoft e Amazon estão investindo pesadamente no desenvolvimento e aprimoramento de algoritmos complexos que fornecem com segurança informações ocultas e significativas do processamento de imagens em milissegundos.

As empresas geralmente evitam as tecnologias de visão baseadas em IA devido à sua complexidade e exigência de desenvolvedores com amplo conhecimento. Os modelos que estão sendo usados ​​na produção exigem treinamento computacional extensivo e geralmente muitas imagens de amostra. É difícil reunir dados de qualidade relevantes e, para alguns casos de uso, os conjuntos de dados simplesmente não estão disponíveis.

A inspeção automatizada de danos a veículos é um componente crítico para o emissor eficiente de seguros de veículos. Como seria o fluxo perfeito de inspeção de danos ao veículo?

1. O cliente carrega imagens nítidas do veículo segurado para a plataforma de processamento de reclamações de seguros
2. A plataforma verifica automaticamente se as imagens foram qualidade suficiente para executar a inspeção
3. Notificando o cliente se as imagens precisarem ser carregadas novamente.
4. Execute modelos para inspeção de danos ao veículo que fornecem caixas ao redor de áreas danificadas, qual parte do veículo está danificada e que tipo de dano pode ser como ferrugem, amassados, arranhões, etc.
5. O segundo passo pode ser processamento adicional das imagens do veículo danificado para fazer um relatório mais detalhado dos danos, como identificar quais partes do carro foram danificadas e a gravidade dos danos.
6. Relatório de construção que resolve a reclamação ou cria um relatório para ser analisado posteriormente pelo revisor manual no caso de maior incerteza do modelo

Etapas para construir um modelo de inspeção de danos em veículos

Agora veremos quais são alguns dos desafios da inspeção automática de danos e, posteriormente, veremos um modelo simples para inspeção de danos ao veículo que pode ser usado com dados coletados como modelo de linha de base.

Conjunto de dados de danos ao veículo

O principal ao iniciar uma pesquisa de aprendizado profundo é ter um conjunto de dados de alta qualidade com muitas imagens. Modelos de aprendizado profundo funcionam melhor com conjuntos de dados maiores e mais equilibrados e podem ser melhorados com a adição do processo de aumento de dados.

Conjuntos de dados para inspeção automática de danos ao veículo não estão disponíveis ao público. As companhias de seguros envolvidas no seguro de veículo já devem ter uma estratégia para coletar e organizar a coleta de dados das imagens do veículo. Esse processo de coleta e armazenamento de dados deve ser empregado para todos os casos de uso que possam ser automatizados no futuro. Alguns exemplos já foram mencionados, como inspeção de danos móveis e danos à casa.

A raspagem da Web é uma maneira de gerar um conjunto de dados inicial para criar alguns modelos e idéias básicos. Graças a FastAI, PyImageSearch você pode facilmente obter um número decente de imagens para qualquer problema de classificação. Confira estes links para ver como é possível Artigo de PymageSearch, Blog Médio, Vídeo do curso da fastAI para explicação passo a passo. Vou adicionar algumas dicas que me ajudaram:

• Desative o adblocker, se tiver, porque ele bloqueia o método de coleta de URLs
• Tente usar termos diferentes para pesquisar o mesmo conjunto de dados
• Armazene todos os URLs no arquivo CSV do Excel e remova duplicatas
• Depois de baixar o filtro para remover não imagens

Abordagem de pré-processamento

O pré-processamento é um método de preparação de imagens para os modelos para obter melhores resultados com os modelos de visão computacional. Depende muito do método de extração do recurso e do tipo de imagem de entrada. Alguns dos métodos comuns são:

• Denoising de imagem - aplicação de um filtro gaussiano ou outro filtro para remover o ruído das imagens
• Limite de imagem - método de aplicação do valor limite para cada pixel. Se o valor do pixel for menor que o limite, ele será definido como 0, caso contrário, será definido como um valor máximo
• Detector de Borda Canny - detector de bordas mais popular, geralmente incluído no processo de conversão de imagens coloridas em imagens em escala de cinza

A biblioteca mais usada para pré-processamento de imagens é o OpenCV. OpenCV (Open Source Computer Vision Library) é uma biblioteca de software de visão computacional e aprendizado de máquina de código aberto. O OpenCV foi desenvolvido para fornecer uma infraestrutura comum para aplicativos de visão computacional e acelerar o uso da percepção da máquina em produtos comerciais. Possui interfaces C ++, Python, Java e MATLAB e suporta Windows, Linux, Android e Mac OS. O OpenCV se inclina principalmente para aplicativos de visão em tempo real e tira proveito das instruções MMX e SSE, quando disponíveis.

O problema com o pré-processamento é que é difícil avaliar quais técnicas de pré-processamento fazem a diferença genericamente. Às vezes, você pode fazer um grande progresso no conjunto de dados que usa, mas é benéfico apenas para subconjuntos de imagens. O processo de avaliação do ganho de precisão do método de pré-processamento empregado é lento e pode levar a conclusões erradas.

Falta de modelos publicamente disponíveis

Muita pesquisa é feita no campo da visão de máquina na detecção de defeitos de fabricação. As técnicas desenvolvidas para a indústria de manufatura requerem equipamentos e abordagens especiais, mas a falta de modelos desenvolvidos publicamente torna mais difícil a construção de idéias de outros pesquisadores. Não é possível comparar diferenças de desempenho e ter discussões benéficas.

---

Código e resultados

Consegui implementar um classificador simples para veículos danificados ou não danificados usando a estrutura fast.ai. Você pode encontrar o notebook neste repositório github. O código usa uma arquitetura resnet34 para a tarefa de classificação e atinge uma precisão de 80% quando treinado em 60 imagens de carros danificados e 79 imagens de carros não danificados.

Estamos usando o biblioteca fast.ai pois oferece uma ótima API para prototipar rapidamente e experimentar modelos diferentes. A Fastai tem uma classe agradável para lidar com tudo relacionado às imagens de entrada para tarefas de visão. É chamado ImageData Bunch e possui funções diferentes, respectivas formas de apresentação dos dados à rede. Como nossas imagens são colocadas em pastas cujos nomes correspondem aos rótulos das imagens, usaremos o ImageDataBunch.fromfolder () para criar um objeto que contém nossos dados de imagem.

 # 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)

O modelo para classificação de imagens deve treinar por quatro épocas, o que significa que ele passa por todas as imagens dos veículos 4 vezes, melhorando os parâmetros do modelo. Podemos ver isso na saída porque a taxa de erro está caindo.

 # 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()

Aqui estamos salvando o modelo treinado para não precisar repetir o primeiro processo. A idéia é usar o método lr_find (). Queremos escolher a taxa de aprendizado que diminui mais a perda. O gráfico mostra que escolher a taxa de aprendizado entre [1e-04, 1e-03] diminui mais a perda. Agora, não queremos escolher a taxa de aprendizado com a menor perda. Leia aqui para mais informações sobre esta técnica.

 # 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()

Depois de encontrar a melhor faixa de taxa de aprendizado, treine o modelo por mais algum tempo usando esse novo intervalo de taxas de aprendizado que encontramos. A idéia aqui é que treinemos camadas inferiores do modelo com taxas de aprendizado mais baixas porque elas são pré-treinadas na Imagenet. As camadas mais altas devem treinar com uma taxa de aprendizado mais alta para ajustar o modelo de classificação para o nosso conjunto de dados. Observe que você talvez obtenha níveis diferentes de precisão, ainda com uma precisão de aproximadamente 80%.

---

Obviamente, existe uma maneira muito melhor, mais simples e mais intuitiva de fazer isso.

---

Inspeção de danos em veículos com Nanonets

Embora tenhamos discutido a detecção de danos usando a classificação de imagens, o problema da inspeção de danos requer muito mais do que apenas modelos de classificação. O uso dos modelos e dados certos pode reduza os custos de inspeção em 90%.

A Classificação de Imagem, Detecção de Objeto e Segmentação de Imagem pode ser usada para descobrir exatamente que tipo de dano (por exemplo: arranhões, amassados, ferrugem, quebrado) é encontrado, em que local (informações da caixa delimitadora) e qual a gravidade do dano.

Com mais dados, você também pode criar modelos que identifiquem automaticamente quais partes do carro (pára-brisa, porta esquerda, farol direito?) Estão danificadas.

Você pode estar interessado em nossas últimas postagens sobre:

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