Yapay Zeka ile Hasar Denetimi - Sigorta için Hasar İşlemlerini Otomatikleştirme

Giriş

Bu makale, Sigorta şirketlerinin çeşitli hasar türlerini (cep telefonları, araçlar, çatılar vb.) Otomatik olarak tespit ederek talep işlemlerini otomatikleştirmek için yapay zekayı nasıl kullanabileceklerini anlatacak. Ayrıca araç görüntülerini sınıflandıracak basit bir ikili sınıflandırıcı oluşturmayı da öğreneceğiz. hasarlı veya fast.ai kullanmama içine

Sigortacılık, en eski ve en geleneksel sektörlerden biridir ve yakın zamana kadar değişime çok direnç göstermiştir. Insurtech şirketleri, farklı yapay zeka yöntemlerini kullanarak görevleri otomatikleştirerek değer katmaya odaklanıyor. Değer katma değerlerini doğal dil işleme, bilgisayarla görme ve makine öğrenimi alanlarında konumlandırıyorlar. Müşterileri için daha derin veri içgörüleri ve kişiselleştirilmiş planlar sunmak için farklı kaynaklardan her yerde mevcut verileri kullanma.

---

Bir var görsel inceleme problem in mind? Want to automatically detect where a vehicle is damaged and with what severity? Nanonets OCR API'si çok ilginç var kullanım durumları. Daha fazla bilgi edinmek için bir Nanonets AI uzmanıyla konuşun.

Bir Çağrı Planla

---

Talep işleme otomasyonu

Hasar işleme, sigortadaki otomasyon kullanım durumlarından biridir ve zaten bilgisayarla görü uygulayarak büyük faydayı görmektedir. Hızlı ve verimli hasar işleme, sigorta şirketleri için başarı için çok önemlidir.

Derin öğrenmeyi kullanan bilgisayarla görme algoritmalarındaki en son gelişmeler, görüntülerin sınıflandırılmasında, nesne tespitinde ve görüntü bölümlemesinde ilginç sonuçlar elde ediyor. Uygulamalar hala gelişiyor ve giderek artan sayıda şirket, bu teknolojiye, sigorta tazminat taleplerini daha kolay ve verimli hale getirmenin bir yolu olarak, insurtech endüstrisinin en büyük zorluklarından biri olarak bakmaya başlıyor.

2030'da taleplerin işlenmesi, sigorta şirketlerinin birincil işlevi olmaya devam ediyor, ancak manuel taleplerle ilişkili personel sayısı 70 seviyelerine kıyasla% 90-2018 azaldı. - McKinsey Araştırma

Talep işleme için manuel inceleme ölçeklendirilemez ve hataya açık değildir. Görüntü analizi yoluyla hasarların otomatik olarak değerlendirilmesi çok daha hızlı ve daha doğrudur ve her kullanım durumu için daha fazla ve daha fazla veri topladıkça daha da iyi hale gelecektir. İşte bugün inşa edilmekte olan gelecekteki insurtech kullanım durumlarından bazıları.

Otomatik Araç Hasar Muayenesi

Teftişler genellikle araba sigortası talep sürecinin ilk adımıdır. Derin öğrenme ile çizikleri, ezikleri, pasları, kırılmaları otomatik olarak tespit edebiliriz. Ayrıca aracın hangi kısmının hangi ciddiyetle hasar gördüğünü de tespit edebiliyoruz. Araç, 360 ° genel bakış oluşturarak görüntüler veya video beslemeleri kullanılarak otomatik olarak incelenebilir. İncelemeden sonra, bir hasar listesi ve tahmini maliyet onarımıyla rapor oluşturulabilir.

---

Otomatik araç hasar tespiti için Nanonets çözümü hakkında daha fazla bilgi edinebilirsiniz. okuyun

---

Çatı Sigortası için Drone Değerlendirmesi

Çatı denetimi tehlikeli ve zaman alıcı bir iştir. El ile ölçüm almak veya hasarı manuel olarak tahmin etmek, bu tür bir işi yapmanın her zaman bir parçası olmuştur. Bir çatının özelliklerini ve durumunu ve gelecekteki sigorta tazminat taleplerinin riskini belirlemek için uydu, hava drone görüntülerini tarihsel hava durumu gibi artan sayıda diğer veri özellikleriyle birleştiren yeni bir yaklaşım. Bilgisayarla görme teknolojisi, çatı şeklini, malzemesini, hasarı, göllenmeyi ve pası otomatik olarak algılayabilir. Sigortacılar, müşterileri için doğru teminatları ve fiyatları bulabilirler.

---

Çatı hasarı değerlendirmesi için Nanonet çözümü hakkında daha fazla bilgi edinebilirsiniz okuyun

---

Mobil Ekran Hasar Kontrolü

Cep telefonu sigortası, esasen mekanik olarak hasar görmüş cep telefonlarını koruyan bir sigorta kapsamı türüdür. Cep telefonu sigortası satan şirketler, çoğu durumda kırık ekran veya mobil hasar olan sigorta talepleriyle ilgilenir. Cep telefonundan daha fazla talep işleme hacmini otomatikleştirmek, büyük masrafları azaltacaktır. Ana fikir, cep telefonlarının resimlerini iki kategoriye ayırmaktır. Biri cep telefonunun hasarlı, diğerinin hasarsız olduğunu gösterir. Telefon seri numarasını tespit etmek ve diğer önemli verilerin çıkarılması için bu yaklaşımı OCR ile birleştirerek, talepler daha da hızlandırılabilir.

---

Otomatik mobil hasar tespiti için Nanonet çözümü hakkında daha fazla bilgi edinebilirsiniz. okuyun

---

Optik Karakter Tanıma

Karakter veya taranmış belgeleri içeren görüntüleri makine tarafından okunabilir metne dönüştürmek için bilgisayarla görme görevi. OCR ile sigorta tazminat taleplerinin işlenmesi aklımıza ilk gelen ürünlerden biridir. Esasen sistematik olarak işlenmesi ve dijital olarak saklanması gereken form ve belgelerin otomatik olarak doldurulması işlemidir.

---

OCR kullanarak form dijitalleştirme için Nanonet çözümü hakkında daha fazla bilgi edinebilirsiniz okuyun

---

Araç hasar incelemesi için kullanılabilecek en popüler araçlara ve hizmetlere kısa bir genel bakış burada.

Amazon Rekognisyon uygulamalarınıza görüntü ve video analizi eklemeyi kolaylaştırır. Kullanmak için derin öğrenme uzmanlığı gerektirmez. Rekognition, Amazon'un bilgisayarla görme bilimcileri tarafından geliştirilen yüksek düzeyde ölçeklenebilir, derin öğrenme teknolojisine dayanmaktadır. Amazon platformu, nesneler, olaylar veya aktiviteler için algılama ve tanıma sunar. Çoğunlukla yüz tanıma, tanıma ve tanımlama ile kullanılır. Rekognition'ın hasar incelemesi için bir modeli yoktur, ancak AWS Pazar Yeri müşterilerin çözümler oluşturmak ve işlerini yürütmek için ihtiyaç duydukları, seçilmiş üçüncü taraf yazılım ve hizmetleri sunar. Spesifik kullanım durumumuz için bir görüntü sınıflandırma modeli oluşturmanın kolay bir çözümü yoktur.

Google Cloud Vision AI AutoML Vision ve Vision API olmak üzere iki büyük kategoriye ayrılabilir. Vision API, Amazon Rekognition ve Azure Machine Learning stüdyosuna benzer Google önceden eğitilmiş modeller tarafından sunulan API'dir. AutoML Vizyonu çok ilginç çünkü özel modelinizi özel görüntüler üzerinde eğitim alarak oluşturabilirsiniz. Modeller, tanımladığınız etiketlere göre görüntüleri otomatik olarak sınıflandıracak şekilde eğitilir. Yüksek kaliteli görüntülerden oluşan hazırlanmış bir veri kümesiyle, bu, sağlam bir araç hasar inceleme modeli geliştirmenin en kolay yolu gibi görünüyor. Araçların resimlerini 2 etiket halinde (hasarlı, hasarsız) hazırlayın ve belgeleri takip edin.

Azure Makine Öğrenimi Stüdyosu kodlamanın gerekli olmadığı basit, tarayıcı tabanlı, görsel bir sürükle ve bırak geliştirme ortamıdır. Tahmine dayalı analitik çözümlerini kolayca oluşturmanıza, dağıtmanıza ve paylaşmanıza olanak tanıyan, tam olarak yönetilen bir bulut hizmeti. Modelleri görsel olarak betimlemek için ilginç bir yaklaşım, ancak yine de makine öğreniminin alan bilgisi gereklidir. Uzmanlığa sahip geliştiriciler, Azure makine öğrenimi stüdyosu veya hizmetini kullanarak daha verimli olabilir.

---

Araç hasar muayenesi

Sigortacılar, operasyonel verimliliği artırmak ve müşteri deneyimini geliştirmek için derin öğrenmeyi kullanmaya başlıyor ve hasar ödeme süresini kısaltıyor. Birçok şirket bulut modeli eğitimi, hizmet olarak yazılım veya bilgisayarla görme API'leri sunduğundan, bilgisayarla görme ve derin öğrenme tahmin modelleri daha hızlı ve programlama becerileri olmadan bile geliştirilmektedir. Google, Microsoft ve Amazon gibi teknoloji devleri, görüntüleri milisaniyeler içinde işleyerek gizli ve anlamlı bilgileri güvenli bir şekilde sağlayan karmaşık algoritmalar geliştirmek ve iyileştirmek için büyük yatırımlar yapıyor.

Şirketler, karmaşıklıkları ve kapsamlı uzmanlığa sahip geliştiricilerin gereksinimleri nedeniyle genellikle yapay zeka tabanlı görüntü teknolojilerinden kaçınır. Üretimde kullanılan modeller, kapsamlı hesaplama eğitimi ve genellikle birçok örnek görüntü gerektirir. İlgili kalite verilerinin toplanması zordur ve bazı kullanım durumları için veri kümeleri basitçe mevcut değildir.

Otomatik araç hasar incelemesi, verimli araç sigortası düzenleyicisi için kritik bir bileşendir. Mükemmel araç hasar inceleme akışı nasıl olurdu?

1. Müşteri net görüntüler yükler sigortalı aracın sigorta tazminat talebi işleme platformuna
2. Platform, görüntülerin sahip olduğunu otomatik olarak doğrular. yeterli kalite denetimi yapmak için
3. Müşteriyi bilgilendirmek görüntülerin yeniden yüklenmesi gerekiyorsa.
4. Hasarlı alanların etrafına kutular veren araç hasar incelemesi için modelleri çalıştırın, tespit edin aracın hangi kısmı hasar görmüş ve ne tür bir hasar pas, ezik, çizik vb. olabilir.
5. İkinci adım olabilir hasarlı araç görüntülerinin daha fazla işlenmesi aracın hangi kısımlarının hasar gördüğünü ve hasarın ciddiyetini belirlemek gibi hasarın daha ayrıntılı bir raporunu yapmak.
6. Bina raporu iddiayı çözen veya model tarafından daha yüksek belirsizlik olması durumunda manuel gözden geçiren tarafından daha fazla incelenmek üzere bir rapor oluşturan

Steps to build a Vehicle Damage inspection model

Şimdi otomatik hasar incelemesinin zorluklarından bazılarının neler olduğunu göreceğiz ve daha sonra, temel model olarak toplanan verilerle kullanılabilecek araç hasar muayenesi için basit bir model göreceğiz.

Araç hasarı veri kümesi

Derin öğrenme araştırmasına başlarken ana şey, bol miktarda görüntü içeren yüksek kaliteli bir veri kümesine sahip olmaktır. Derin öğrenme modelleri, daha büyük, daha dengeli veri kümeleriyle daha iyi çalışır ve veri artırma işleminin eklenmesiyle daha da geliştirilebilir.

Otomatik araç hasar muayenesi için veri kümeleri kamuya açık değildir. Araç sigortasına dahil olan sigorta şirketleri, araç görüntülerinden veri toplama ve düzenleme konusunda zaten bir stratejiye sahip olmalıdır. Bu veri toplama ve depolama süreci, gelecekte otomatik hale getirilebilecek tüm kullanım durumları için uygulanmalıdır. Mobil hasar muayenesi ve ev hasarı gibi birkaç örnekten daha önce bahsedildi.

Web kazıma, birkaç temel model ve fikir oluşturmak için bir başlangıç ​​veri kümesi oluşturmanın bir yoludur. Sayesinde Hızlı AI, PyImageArama Herhangi bir sınıflandırma problemi için kolayca yeterli sayıda görüntü elde edebilirsiniz. Nasıl mümkün olduğunu görmek için bu bağlantılara göz atın PymageSearch Makale, Orta Blog, Kurs videosu fastAI'den adım adım açıklama için. Bana yardımcı olan bazı ipuçları ekleyeceğim:

• Varsa reklam engelleyiciyi kapatın, çünkü URL toplama yöntemini engeller
• Aynı veri kümesini aramak için farklı terimler kullanmayı deneyin
• Tüm URL'leri excel CSV dosyasında saklayın ve kopyaları kaldırın
• Resimleri kaldırmak için filtreyi indirdikten sonra

Ön işleme yaklaşımı

Ön işleme, bilgisayarla görme modelleriyle daha iyi sonuçlar elde etmek için modeller için görüntü hazırlama yöntemidir. Özellik çıkarma yöntemine ve girdi görüntü tipine büyük ölçüde bağlıdır. Yaygın yöntemlerden bazıları şunlardır:

• Görüntü Gürültü Giderme - görüntülerden gürültüyü gidermek için bir Gauss veya başka bir filtre uygulama
• Görüntü Eşikleme - her piksel için eşik değeri uygulama yöntemi. Piksel değeri eşikten küçükse 0'a ayarlanır, aksi takdirde maksimum değere ayarlanır
• Canny Edge Dedektörü - genellikle renkli görüntüleri gri tonlamalı görüntülere dönüştürme işlemiyle birlikte gelen en popüler kenar dedektörü

Görüntü ön işleme için en çok kullanılan kitaplık OpenCV'dir. OpenCV (Açık Kaynak Bilgisayar Görme Kitaplığı), açık kaynaklı bir bilgisayarla görme ve makine öğrenimi yazılım kitaplığıdır. OpenCV, bilgisayarla görme uygulamaları için ortak bir altyapı sağlamak ve ticari ürünlerde makine algısının kullanımını hızlandırmak için oluşturuldu. C ++, Python, Java ve MATLAB arayüzlerine sahiptir ve Windows, Linux, Android ve Mac OS'yi destekler. OpenCV çoğunlukla gerçek zamanlı görüş uygulamalarına yönelir ve mevcut olduğunda MMX ve SSE talimatlarından yararlanır.

Ön işleme ile ilgili sorun, hangi ön işleme tekniklerinin genel olarak bir fark yarattığını değerlendirmenin zor olmasıdır. Bazen kullandığınız veri kümeniz için büyük ilerleme kaydedebilirsiniz, ancak bu yalnızca görüntülerin alt kümeleri için faydalıdır. Kullanılan ön işleme yönteminin doğruluk kazancını değerlendirme süreci yavaştır ve yanlış sonuçlarla sonuçlanabilir.

Halka açık modellerin eksikliği

İmalat kusurlarının tespiti için makine görüşü alanında çok sayıda araştırma yapılmaktadır. İmalat endüstrisi için geliştirilen teknikler, özel ekipman ve yaklaşımlar gerektirir, ancak kamuya açık olarak geliştirilen modellerin eksikliği, diğer araştırmacıların fikirlerini geliştirmeyi zorlaştırır. Performans farklılıklarını karşılaştırmak ve faydalı tartışmalar yapmak mümkün değildir.

---

Kod ve sonuçlar

Fast.ai çerçevesini kullanarak hasarlı veya hasarsız araçlar için basit bir sınıflandırıcı uygulayabildim. Not defterini burada bulabilirsiniz github deposu. Kod, sınıflandırma görevi için bir resnet34 mimarisi kullanır ve hasarlı araçların 80 görüntüsü ve hasarsız arabaların 60 görüntüsü üzerinde eğitildiğinde% 79 doğruluk elde eder.

Kullanıyoruz fast.ai kitaplığı çünkü hızlı prototip oluşturmak ve farklı modelleri denemek için harika bir API sunar. Fastai, görüş görevleri için girdi görüntüleriyle ilgili her şeyi ele almak için güzel bir sınıfa sahiptir. Denir ImageDataBunch ve verilerin ağa sunulmasının farklı yollarına göre farklı işlevlere sahiptir. Resimlerimiz, isimleri resim etiketlerine karşılık gelen klasörlere yerleştirildiği için, ImageDataBunch.fromfolder () görüntü verilerimizi içeren bir nesne oluşturma işlevi.

 # 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)

Görüntü sınıflandırma modeli 4 dönem için eğitilmelidir, yani model parametrelerini geliştirirken araçların tüm görüntülerinden 4 kez geçer. Bunu çıktıdan görebiliriz çünkü hata oranı düşüyor.

 # 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()

Burada eğitilmiş modeli kaydediyoruz, böylece ilk işlemi tekrar etmemize gerek kalmıyor. Buradaki fikir, lr_find () yöntemini kullanmaktır. Kaybı en çok azaltan öğrenme oranını seçmek istiyoruz. Grafik, [1e-04, 1e-03] arasında öğrenme oranının seçilmesinin kaybı en çok azalttığını göstermektedir. Şimdi en düşük kayıplı öğrenme oranını seçmek istemiyoruz. Burada Oku Bu teknik hakkında daha fazla bilgi için.

 # 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()

En iyi öğrenme oranı aralığını bulduktan sonra, bulduğumuz bu yeni öğrenme oranı aralığını kullanarak modeli bir süre daha eğitin. Buradaki fikir, modelin alt katmanlarını daha düşük öğrenme oranlarıyla eğitmemizdir çünkü bunlar Imagenet üzerinde önceden eğitilmiştir. Daha yüksek katmanlar, veri kümemiz için sınıflandırma modelini hassas bir şekilde ayarlamak için daha yüksek bir öğrenme oranıyla eğitim almalıdır. Yine de yaklaşık% 80 doğrulukla farklı doğruluk düzeyleri elde edebileceğinizi unutmayın.

---

Elbette bunu yapmanın çok daha iyi, daha basit ve daha sezgisel bir yolu var.

---

Nanonetler ile araç hasar denetimi

Görüntü sınıflandırmasını kullanarak hasar tespitini tartışmış olsak da, hasar incelemesi sorunu sadece sınıflandırma modellerinden çok daha fazlasını gerektirir. Doğru modelleri ve verileri kullanmak, muayene maliyetlerini% 90 azaltın.

Görüntü Sınıflandırma, Nesne Algılama ve Görüntü Bölümleme, tam olarak ne tür bir hasarın (örneğin: çizikler, ezikler, pas, kırık), hangi konumda (sınırlayıcı kutu bilgileri) ve hasarın ne kadar ciddi olduğunu bulmak için kullanılabilir.

Daha fazla veriyle, otomobilin hangi parçalarının (ön cam, sol kapı, sağ far?) Hasar gördüğünü otomatik olarak tanımlayacak modeller de oluşturabilirsiniz.

Son gönderilerimiz ilginizi çekebilir:

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