Автор: Евгений Ильин, член правления, операционный директор СК «Росгосстрах»
Когда сейчас говорят об «искусственном интеллекте», все почему-то сразу думают о больших языковых моделях (LLM). Это модно, но не совсем верно: LLM — лишь малая часть айсберга. Настоящий ИИ — в первую очередь математическое моделирование, и в «Росгосстрахе» мы использовали этот инструментарий, включая машинное обучение (ML), задолго до хайпа вокруг нейросетей. Для нас ИИ — не тренд, а рабочий инструмент, с которым компания начала меняться еще семь лет назад. И началось все не с чат-ботов, а с сердца страхования — андеррайтинга.
Геоандеррайтинг и микрозонинг
Главная задача андеррайтера — правильно оценить риск, чтобы дать клиенту справедливый тариф. Одним из самых эффективных наших достижений в ML стал геоандеррайтинг в каско.
Риск напрямую зависит от того, где клиент ездит. Качество дорог, камеры, плотность трафика, даже близость школ — все это влияет на аварийность. Чтобы учесть это, мы поделили всю страну на «клетки» размером 100х100 метров. С помощью методов компьютерного зрения мы рассчитываем «качество» каждого такого квадрата и присваиваем ему характеристики — как явные, так и неинтуитивные.
Это не просто теория. Мы провели ретро-тест на реальных данных и убедились: внутри одного города риск может кардинально отличаться в зависимости от района. Этот «микрозонинг» позволил нам дать более низкую цену аккуратным водителям из «безопасных» зон и повысить тариф для рисковых.
Недавно регулятор отмечал, что для выполнения требований закона достаточно знать населенный пункт. Но для справедливой цены нам этого мало. Нам нужна точность вплоть до дома, поэтому качество базы ГАР (Государственный адресный реестр) для нас критично.
Новый сотрудник: робот-андеррайтер
Инициатива внедрения ИИ шла у нас «снизу» — от продуктологов и андеррайтеров. Семь лет назад мы создали команду data scientists, которая сначала строила тарифные модели, а потом начала изучать… самих андеррайтеров. Мы проанализировали логику принятия решений нашими лучшими сотрудниками и обучили на этих данных модель. Так появился наш роботизированный андеррайтинг спецкотировок каско. Сегодня этот робот — по сути, еще один полноценный сотрудник РГС. Он берет на себя поток несложных, типовых запросов. Результат?
- Скорость. Робот отвечает за 15 минут (раньше это могло занимать часы).
- Доступность. Он работает круглосуточно и без выходных, что критично для нашей федеральной сети.
- Качество. Уровень конверсии (согласований) у робота не ниже, чем у живых людей. А люди-андеррайтеры теперь могут тратить время на действительно сложные, нетиповые случаи.
«Умный дом» как R&D-лаборатория
ИИ в имуществе — следующий большой шаг. Совместно со Sprut.hub мы запустили пилот, где страхование жилья подключено к датчикам «умного дома» (протечка, задымление).
Пока этот сегмент узкий, но он растет. И дело не только во встраивании в экосистемы «умных домов». Для нас это R&D-проект. Мы учимся анализировать данные с датчиков (в планах — движение, температура, энергопотребление), чтобы превентивно сообщать клиенту о риске.
В будущем инициатором установки таких датчиков станет сам страховщик. Мы будем продавать не «выплату после пожара», а «снижение риска пожара». Этот же подход мы планируем перенести и на другие виды — телематику в «моторах» и носимые устройства в страховании жизни.
В целом, активное использование «интернета вещей» (IoT) способно изменить саму парадигму отрасли: когда страховщик из «плательщика убытков» превратится для клиента в полноценного технологического партнера по управлению и снижению рисков.
С убыткамИИ – пока не очень
В урегулировании убытков мы, как и многие, тестируем решения (в том числе китайские) по автоматическому распознаванию повреждений авто по фото. Цель понятна — сделать выплату мгновенной. Но будем честны: готовых решений с нужной точностью на рынке РФ пока нет. Текущие тесты дают ~75% точности. Этого мало. Мы считаем, что «отключать» человека и полностью доверять роботу можно только при 90–95%.
Мы пробовали создать свою систему в лаборатории, но столкнулись с теми же ограничениями технологий. Поэтому пока мы продолжаем тестировать вендорские решения и ждать технологического скачка.
Антифрод против чат-ботов
Где ИИ работает отлично — так это в борьбе с мошенниками. Наша модель на основе графового анализа выявляет скрытые связи между участниками ДТП. Это позволяет нам делать «зеленый коридор» для честных клиентов (минимум проверок, быстрая выплата) и жестко фильтровать подозрительных.
Но у медали есть и обратная сторона — мошенники тоже осваивают ИИ. Мы видим рост числа жалоб, составленных нейросетями. Иногда чат-бот «галлюцинирует» и придумывает несуществующие законы, но часто жалобы выглядит очень убедительно.
А на досках объявлений появились услуги типа «разобью вашу машину» — создание фейковых фото ДТП с помощью нейросетей. Это новый вызов для всей индустрии. И нам требуется разрабатывать свой ИИ, чтобы «ловить» чужой ИИ.
Больше языковых моделей
Конечно, мы используем и LLM. Во-первых, они очень эффективны для работы с внутренними базами знаний. Так, в нашем Блоке урегулирования убытков, как у многих страховщиков, — более 1000 страниц регламентов. Человеку осилить это явно сложно. У нас уже готовы специализированные боты-помощники для колл-центра, медицинского пульта, агентов. Сейчас наши коллеги занимаются переработкой полного массива с помощью LLM, чтобы сделать его более структурированным, лаконичным и доступным для сотрудников (боты для агентов, колл-центра, урегулировщиков убытков).
Во-вторых, большие языковые модели незаменимы для речевой аналитики. Мы подключили ее к работе операторов колл-центра, чтобы в моменте оперативно анализировать диалоги с клиентами, выявляя триггеры, проблемные области, и оперативно повышать качество коммуникации.
Главный принцип: ИИ — не самоцель
Искусственный интеллект — инструментарий, который стоит денег. В «Росгосстрахе» мы идем в основном по пути собственных разработок — чтобы обладать уникальной экспертизой, а также из соображений информационной безопасности. Мы используем лучшие мировые технологии open source, которые, кстати, лежат в основе и многих вендорских решений, а также избегаем облачных сервисов.
Процесс внедрения ИИ у нас всегда итерационный — конечно, мы не заменяем ручной труд сразу. Этому предшествует тщательный анализ бизнес-процессов, где мы определяем наиболее «тонкое» место и оцениваем, сможет ли ИИ его оптимизировать и упрочнить.
Сейчас же запросы на применение ИИ приходят из самых разных подразделений компании. Но главный вызов, на мой взгляд, — не просто придумать, где применить ИИ, а найти и обосновать, почему его применение будет действительно эффективным.