Triple-I blog | Forsikringskarrierehjørne: Q&A med Sunil Rawat, medstifter og administrerende direktør for Omniscience

19
Triple-I blog |  Forsikringskarrierehjørne: Q&A med Sunil Rawat, medstifter og administrerende direktør for Omniscience

af Marielle Rodriguez, Koordinator for sociale medier og branddesign, Triple-I

Sunil Rawat

Triple-I’s “Insurance Careers Corner”-serie blev skabt for at fremhæve banebrydende inden for forsikring og for at udbrede bevidstheden om karrieremulighederne i branchen.

I denne måned har vi interviewet Sunil Rawat, medstifter og administrerende direktør af Alvidenhed, en Silicon Valley-baseret AI-startup, der har specialiseret sig i Computational Insurance. Alvidenhed bruger fem “mega-tjenester”, der består af automatisering af tegningsgarantier, kundeintelligens, skadesoptimering, risikooptimering og aktuarmæssig vejledning for at hjælpe forsikringsselskaber med at forbedre deres beslutningstagning og opnå større succes.

Vi talte med Rawat for at diskutere hans tekniske baggrund, Omniscience-teknologiens rolle i måling og vurdering af risici og de potentielle mangler i automatisering af garantier.

Fortæl mig om din interesse i at opbygge din virksomhed. Hvad førte dig til din nuværende stilling, og hvad inspirerede dig til at starte din virksomhed?

Jeg er fra teknologiindustrien. Jeg arbejdede for Hewlett Packard i omkring 11 år, og hp.com voksede omkring 100.000 % i løbet af min embedsperiode der. Derefter hjalp jeg Nokia med at bygge det, der nu er kendt som Here Maps, som igen driver Bing Maps, Yahoo Maps, Garmin, Mercedes, Land Rover, Amazon og andre kortsystemer.

Jeg mødte min medstifter, Manu Shukla, for flere år siden. Han er mere en gal videnskabsmand, anvendt matematiker. Han skrev den prædiktive caching-motor i Oracle-databasen, brugerprofileringssystemet til AOL og anbefalingssystemet til Comcast. For Deloitte Financial Advisory Services skrev han det tekstminesystem, der blev brugt i Lehman Brothers-sonden, Deepwater Horizon-sonden og i den nylige Volkswagen-emissionsskandale. Han er ‘fyren med distribuerede algoritmer’, og jeg er ‘fyren med distribuerede systemer’. Vi er begge dybt tekniske, og vi har denne evne til at regne i meget høj skala.

Vi ser en stigende kompleksitet i verden, uanset om det er demografisk, social, økologisk, politisk, teknologisk eller geopolitisk. Beslutningstagning er blevet meget mere kompleks. Hvor menneskeliv er på spil, eller hvor store pengebeløb er på spil ved hver enkelt beslutning, skal hver enkelt beslutnings nøjagtighed være ekstrem høj. Det er her, vi kan udnytte vores beregninger, taget fra vores erfaringer gennem de sidste 20 år, og bringe det til forsikringsdomænet. Det er derfor, vi grundlagde virksomheden — for at løse disse komplekse risikostyringsproblemer. Vi er virkelig fokuseret på beregningsfinansiering og mere specifikt computerforsikring.

Hvad er Omnisciences overordnede mission?

Det skal blive den virksomhed, som ledere går til, når de vil løse komplekse problemer. Det handler om at bemyndige ledere inden for finansielle tjenester til at forbedre risikovalg gennem hyperskalaberegning.

Hvad er dine vigtigste produkter og tjenester, og hvilken rolle spiller Omniscience-teknologi?

Et af vores kerneprodukter er underwriting automation. Vi kan lide at løse vanskelige problemer. Når vi ser på underwriting, tænker vi på fakultativ underwriting til livsforsikring, hvor du har brug for menneskelige underwriters. Beslutningsheuristikken er så kompleks. Overvej en person, der er en 25-årig ikke-ryger, der beder om en 10-årig politik på 50.000 $ – det er en slags no-brainer, og du kan give dem den politik. På den anden side, hvis de bad om 50 millioner dollars, vil du helt sikkert bede om en blodprøve, en psykologisk undersøgelse, en keratin-hårtest og alt derimellem. Du har brug for mennesker til at træffe disse beslutninger. Det lykkedes os at tage det problem og bruge vores teknologi til at digitalisere det. Hvis du tager et par hundrede datafelter og et par 100.000 cases for at bygge en AI-model, bliver det hurtigt fuldstændigt uoverskueligt fra et beregningsmæssigt synspunkt. Det er her, vi kan bruge vores teknologi til at se på alle data i alle dets facetter – vi automatiserer og bruger det hele.

Når du først har fået en AI-forsikringsgivers hjerne inden for software, tænker du ud fra et kundeintelligens synspunkt. Du har alle disse omfattende transaktionsdata fra dine kunder til at præ-underskrive, kvalificere og anbefale dem til forskellige produkter. Vi har også opbygget en stor kapacitet inden for dataindsamlingsområdet. For arbejdernes kompensation og generelt ansvar har vi de data, der forbedrer agentoplevelsen. Vi kan også klassificere alle NAICS-koder korrekt og kan hjælpe med at undgå krav og finde skjulte risici. Vi har også en fantastisk OCR-funktion. Med hensyn til digitalisering af tekst kan vi tage komplekse tabeldata og digitalisere dem uden nogen mennesker i løkken. Vi er i stand til at gøre dette over hele verden, selv på komplekse asiatiske sprog. Vi laver også meget arbejde i formue- og passivstyring og kan lave beregninger, der historisk er blevet udført på en meget lavkraftig, unøjagtig måde. Vi kan køre disse beregninger dagligt eller ugentligt i forhold til årligt, hvilket gør en stor forskel for forsikringsselskaber.

Vi arbejder også i risiko for naturbrand. Mange skovbrandspredningsmodeller ser på et ZIP+4- eller postnummerniveau, og de tager omkring fire timer at forudsige en times spredning af skovbrande, så omkring 96 timer at forudsige en dagsbrandspredning på et postnummerniveau. I Californien, hvor jeg er, havde vi mange skovbrande sidste år. Når du fordobler tætheden af ​​gitteret, stiger beregningen 8x. Det, vi var i stand til at gøre, er at forbedre og se på nettet på 30 kvadratmeter, næsten på en individuel ejendomsstørrelse. Man kan individuelt se på risikoen ved husene. På et niveau på 30 meter kan vi lave en times udbredelse af skovbrande på 10 sekunder, stort set en dag på cirka fire minutter.

Er der nogen potentielle fejl ved at stole for meget på automationsteknologi, der udelader det menneskelige element?

Absolut. Problemet med AI-systemer er, at de generelt kun er så gode som de data, de er bygget på. Den vigtigste ting er, at fordi vi kan se på alle data og alle dens facetter, kan vi opnå 90+ procent nøjagtighed på hver enkelt beslutning. Du har også brug for forklaring. Det er ikke sådan, at en forsikringsgiver beslutter sig i et snuptag og derefter begrunder beslutningen. Hvad du har brug for fra et regulatorisk eller revisionsmæssigt synspunkt er, at du skal dokumentere en beslutning, mens du går gennem beslutningsprocessen.

Hvis du bygger en model ud fra historiske data, hvordan sikrer du dig så, at visse grupper ikke bliver partiske igen? Du har brug for bias test. Forklarlighed, gennemsigtighed, skalerbarhed, justerbarhed – disse er alle meget vigtige. Fra et forandringsledelses-, risikostyringssynspunkt får du AI’en til at træffe beslutningen, og så får du en menneskelig gennemgang. Når du har gjort den proces i nogle måneder, kan du introducere dette på en meget risikostyret måde. Enhver AI bør også erklære sin tillid til sin beslutning. Det er meget nemt at beslutte, men du skal også være i stand til at angive dit konfidensnummer, og mennesker skal altid være opmærksomme på det konfidensnummer.

Hvad mangler traditionelle forsikringer med hensyn til teknologi og innovation? Hvordan transformerer din teknologi forsikring?

Forsikringsselskaber kender deres domæne bedre, end nogen forsikringstekniker nogensinde kan kende deres domæne. På nogle måder er forsikring den originale datavidenskab. Forsikringsselskaber er meget dygtige mennesker, men de har ikke erfaring med softwareudvikling og scale computing. Det første instinkt er at se på open source-værktøjer eller købe nogle værktøjer fra leverandører for at bygge deres egne modeller. Det virker ikke, fordi metoderne er så forskellige. Det er lidt ligesom at sige, “Jeg vil ikke købe Microsoft Windows, jeg vil skrive mit eget Microsoft Windows”, men det er ikke deres kerneforretning. De burde bruge deres Microsoft Windows til at køre Excel til at bygge aktuarmodeller, men du ville ikke prøve at skrive dine egne programmer.

Vi er gode til systemprogrammering og skalering af databehandling, fordi vi har en teknisk baggrund. Jeg ville ikke være så arrogant at tro, at vi ved lige så meget om forsikring som ethvert forsikringsselskab, men det er gennem denne kombination af domæneekspertise inden for forsikring og domæneekspertise inden for computere, at ledere på området kan springe over deres konkurrenter.

Er der nogle aktuelle projekter, du i øjeblikket arbejder på, og nogen tendenser, du ser i big data, som du er begejstret for?

Underwriting og digitalisering, kattehåndtering og naturbrandrisiko er spændende, og noget arbejde, som vi udfører i ALM-beregninger. Når regulatorer beder dig om at vise, at du har nok aktiver til at opfylde dine forpligtelser i de næste 60 år på indlejret kvartalsbasis, bliver det meget komplekst. Det er her, hele vores mega-services kommer ind – hvis du kan binde det hele sammen med din underwriting, krav og kapitalstyring, så kan du blive meget bedre til udvælgelse, og du kan bestemme, hvor meget risiko du vil tage på en meget dynamisk måde , i modsætning til en meget statisk måde.

De andre ting, vi er begejstrede for, er asset management. Vi laver noget interessant arbejde med et meget stort forsikringsselskab. Det, vi har været i stand til at gøre, er at øge afkastet gennem forskellige strategier. Det er et andet område, vi er begejstrede for – vokser ret hurtigt i det næste år.

Hvad er dine mål for 2021 og frem?

Det handler om at hjælpe forsikringsselskaber med at udvikle denne sammensatte fordel i flere årtier gennem bedre udvalg, og vi vil bare fortsætte med at udføre. Vi har fået udviklet en masse IP og teknologi, og vi har fået pilotkunder i forskellige geografier, der har brugt vores teknologi. Vi har bevispunkterne og casestudierne, og nu fordobler vi bare vores forretning, uanset om det er med de samme kunder, vi har, eller går ind i flere produktlinjer. Vi er fokuseret på at servicere disse kunder og tegne et par flere kunder i de tre områder, hvor vi er aktive, som er Japan, Hong Kong, Kina og Nordamerika. Vi er fokuseret på metodisk at eksekvere vores plan.

Ähnliche Beiträge

Leave a Reply