AI in de praktijk: MLPrograms analyseert risico’s voor de verzekeringsbranche
De ontwikkelingen in AI gaan snel en het potentieel is enorm. Maar hoe wordt AI precies toegepast in de praktijk? Startup MLPrograms zet moderne methoden van Machine Learning in om de risico’s van verzekeringen efficiënter en accurater in te schatten.
Het inschatten van risico’s door verzekeraars is niet nieuw. Al eeuwen schatten verzekeraars hun risico’s in met tabellen en staffels opgemaakt door actuarissen (verzekeringswiskundigen) op basis van de statistiek en kansrekeningen. MLPrograms heeft het spel drastisch veranderd met inzet van AI en Machine Learning.
Breanndán Ó Nualláin legt alles haarfijn uit. Zoals zijn naam al doet vermoeden komt Ó Nualláin uit Ierland, maar hij woont al dertig jaar in Nederland, waar hij verbonden is als docent aan de UvA. Hij dacht nooit aan werken buiten de universiteit, tot het bedrijfsleven meer interesse kreeg in AI en data science. Dat gold ook voor de verzekeringsbranche, waarin zijn huidige co-founder een groot netwerk heeft. De perfecte combinatie: Ó Nualláin wist alles over data science en AI; zijn business partners kenden de markt, hadden een technische achtergrond en waren gewend bedrijven te leiden.
Waar staat MLPrograms op dit moment als bedrijf?
“MLPrograms is drie jaar geleden begonnen met drie co-founders en inmiddels gegroeid naar een team van 20. We zijn een klein maar snel groeiend bedrijf in de FinTech-sector, hoewel we onszelf ook wel zien als InsurTech, een FinTech-revolutie in de verzekeringswereld. Deze groeifase dwingt je tot goed balanceren tussen acquisitie en groei van je team. Dat is de uitdaging die nu voor ons ligt.”
Helpt het dat je verbonden ben aan de UvA?
“Ik zie het meer als verlenging van mijn werk in het onderwijs. Mijn rol in het team is meer die van mentor dan manager, ik werk graag met leergierige medewerkers die willen leren en hun kennis willen delen met collega’s. Dat maakt ons een bijzonder clubje.”
Waarom werken verzekeraars zo graag met jullie?
“Verzekeraars zijn risicomijdend, dat is het verdienmodel van een verzekeraar. Ze willen zich goed indekken tegen eventuele claims en winst wordt behaald met het goed inschatten van risico’s. De moderne methoden van Machine Learning die MLPrograms inzet beoordelen risico’s over lange perioden, getoetst aan datasets uit het verleden. Dit geeft een snel en objectief proces met minder foutmarges.
Actuarissen kunnen natuurlijk niet de fijnmazige gereedschappen inzetten, iets dat wij met Machine Learning wel kunnen. Zonder de inzet van nieuwe technologieën loop je de kans dat risico’s wisselend worden ingeschat op verschillende momenten door verschillende personen. Dit wil de verzekeraar niet en de eindconsument ook niet.”
Kun je aan de hand van een voorbeeld uitleggen hoe Machine Learning wordt ingezet?
“Een van de grootste zorgen van de verzekeraar is fraude. Neem een autoverzekering: een klant beweert dat hij ’s nachts zijn auto keurig in de garage stalt terwijl hij niet eens een garage heeft. Of erger, een klant die verzwijgt dat hij op de bon is geslingerd voor gevaarlijk rijgedrag. Dat zijn allemaal gevallen van fraude en ook al kunnen we fraude niet altijd direct aanwijzen blijven er soms sporen in de gegevens na die kunnen verwijzen naar fraude, aangetoond door inzet van ML.”
Hoor ik ‘meer transparantie, minder fouten en lagere kosten’?
“Ja, want door inzet van ons product kan een verzekeraar zijn schaarse onderzoeksteam efficiënter inzetten (en dus geld besparen). Concrete percentages mag ik niet geven maar ik kan wel zeggen de verzekeraars die onze producten afnemen zowel besparen op aantallen en/of de hoogte van claims als op duur personeel, alleen al omdat hun fraudeopsporingsteams gerichter kunnen worden ingezet.”
Wat is het concrete eindproduct dat jullie de verzekeraar bieden?
“Op basis van gegevens uit het verleden kunnen we bij MLPrograms voorspellen hoe groot een risico van een klant is voor een verzekeraar, die op zijn beurt de premie hierop kan bijstellen. Dit product noemen we claim propensity, oftewel de geneigdheid om een claim in te dienen.
MLPrograms levert dit product als web services, dat wil zeggen dat de verzekeraar online vragen kan stellen en risico’s kan laten inschatten waar wij vrij direct antwoord op kunnen geven. We behandelen duizenden van zulke verzoeken per seconde, uiteraard met behulp van nieuwe technologieën als AI en Machine Learning want met de hand zou dit niet lukken.”
Ontwikkelen jullie de markt, of ontwikkelt de markt jullie? Wie volgt wie?
“Bij MLPrograms ontwikkelen we voortdurend nieuwe producten, al dan niet in samenwerking met bepaalde verzekeraars. Soms is dat maatwerk voor één verzekeraar, maar we zijn er altijd naar op zoek om algemene producten te ontwikkelen die we breed in de markt kunnen inzetten.”
Waar ligt jullie afzetmarkt?
“Tot nu toe hebben wij gefocust op het Verenigd Koninkrijk, vooral omdat een van de co-founders in het Verenigd Koninkrijk een groot netwerk heeft. Verder richten wij ons voornamelijk op commerciële verzekeringen, denk aan autoverzekering, huizen, onroerend goed enzovoort. Maar we zijn momenteel ook in gesprek met verzekeraars in de wellness-sector.”
Zou je deze toepassing ook op andere manieren of sectoren in kunnen zetten?
“Uiteraard kunnen deze Machine Learning-methoden worden ingezet voor andere vergelijkbare oplossingen, zoals bijvoorbeeld aanvragen van uitkeringen of studiefinanciering maar daar zijn de eisen van wetgeving strenger. En terecht. Transparantie en ‘uitlegbaarheid’ zijn een groot goed.”
Het belang van uitlegbare AI kwam ook in een vorige artikel in deze serie al aan bod.
“De student of uitkeringsgerechtige heeft het recht om te weten op basis waarvan een conclusie wordt bereikt. Bovendien is een volautomatisch Machine Learning-oordeel streng verboden door de AVG. Er moet een mens van vlees en bloed – een ‘human in the loop’ – het eindoordeel vellen, al dan niet aan de hand van de output van een ML-systeem.”
Jullie opereren in een B2B-markt, wat merkt de eindconsument hiervan?
“Als het goed is merkt de eindconsument dat hij of zij een verzekeringsproduct krijgt dat beter bij hem of haar past. En nog belangrijker, op een prijspunt dat bij de portemonnee past. Want de consument wordt niet meer over een kam geschoren, maar er wordt beter ingezoomd op zijn of haar specifieke situatie.”
Consumenten worden mondiger en willen steeds meer begrijpen waarop een antwoord is gebaseerd. Wat betekent dit voor jullie?
“Het betekent dat je soms kwantitatief betere modeleermethoden links moet laten liggen omdat ze minder goed uit te leggen zijn. Maar als een consument zijn verzekeraar vraagt waarom zijn premie zo hoog is, moet de verzekeraar een goed verhaal hebben, in ieder geval meer dan ‘MLPrograms vond je een hoog risico’. Daarom geven onze modellen niet alleen een oordeel maar een goed te onderbouwen oordeel.”
Als laatste, wat is jullie doel voor de toekomst?
“Dat MLPrograms’ oplossingen de verzekeraar in staat stelt om producten te kunnen bieden die passend(er) bij de consument zijn en waarvan alle betrokken partijen profiteren.”
Over de auteur: Femmie Geradts is directeur bij Startup Village. Iedere twee weken belicht ze een start-up die AI toepast in de praktijk.
Op de hoogte blijven van het laatste nieuws binnen je vakgebied? Volg Emerce dan ook op social: LinkedIn, Twitter en Facebook.
Plaats een reactie
Uw e-mailadres wordt niet op de site getoond