Columnistas Innovación

Procesos de seguros más inteligentes

Foto: Freepik
Daniel GalantiPor Daniel Galanti, CEO SysOne.-

Como parte de mi recorrido profesional, tuve la suerte de trabajar en varias iniciativas en las cuales sus verticales eran CEP (Complex Event Processing) y AI. Recuerdo con mucho orgullo a Agentis Software donde tuve grandes maestros y aprendí casi todo lo que hoy sé de sistemas de aprendizajes, agentes inteligentes y sistemas expertos.

Todo este background me llevó a pensar cuando gestamos #Andrómeda, framework para nuestra plataforma #Sysone Cloud Ready, cómo podemos hacer nuestros procesos más inteligentes y darles vida para que los mismos aprendan de todas las instancias que creamos y cómo se resuelven cada una de ellas. Por ejemplo:

  • ¿Cómo podemos predecir el proceso más óptimo y efectivo de suscripción para un seguro de vida?
  • ¿Cómo podemos predecir los exámenes médicos que debemos solicitarle a una persona en base a su edad, índice de masa corporal, declaración de salud y a patologías que el mismo declare entre otras variables?
  • ¿Cómo se resolvieron los últimos casos que tenían las mismas características?
  • ¿Cómo se resolvieron aquellos con características similares? No idénticas.
  • ¿Cuál fue el caso más efectivo y más barato resuelto?
  • ¿Cuál de estos casos previos luego tuvo siniestros?
  • ¿Cuánta intervención humana existió en este proceso y para qué?

 Queremos hacer de la suscripción un sistema que con una serie de datos de entrada (por ejemplo solicitud de seguro de vida) tenga la mayor autonomía posible. Esto se refleja en una suscripción más inteligente, rápida y económica, dejando el análisis de casos no conocidos a personas (en este caso suscriptores) que le puedan “mostrar el camino” a nuestros procesos para que los mismos aprendan. ¿Cómo lo logramos?

En búsqueda de la solución: Un poco de teoría

Para poder inferir cual es el mejor “plan” de suscripción, dentro de un entorno como el que planteaba anteriormente deberíamos recordar y memorizar cómo se fueron comportando todos los casos que se trataron y qué clase de resultados se obtuvieron, dentro del entorno de IA el método para hacer esto se denomina CBR. El estudio de este método fue estimulado para comprender cómo los humanos recuerdan la información, la retienen/clasifican para luego resolver problemas recordando escenarios similares que ocurrieron en el pasado.

Entonces podemos definir que un autómata o razonador basado en casos resuelve problemas utilizando o adaptando soluciones de casos que ocurrieron en el pasado. Vamos bien….

CBR es descripto por cuatro actividades:

  • Recuperar una colección de casos similares al problema que estoy enfrentando.
  • Reusar una solución sugerida por un caso idéntico o similar.
  • Revisar o adaptar esa solución para que se adapte mejor al nuevo problema si es necesario.
  • Conservar la nueva solución una vez que haya sido confirmada o validada.

En conclusión, podemos decir que el ciclo CBR encaja muy bien con la definición de “conjunto de principios que guían la acción”.

¿Cuáles son entonces el conjunto de principios que guían la acción?

El primero de ellos es el deseo (Ver BDI – Desire) del solucionador de problemas en resolver un problema al intentar explícitamente reutilizar una solución de un problema anterior o similar, por lo tanto, se debe recuperar los casos de una biblioteca de casos (Ver BDI – Belief), en segundo lugar, un sistema CBR debe intentar reutilizar la solución sugerida por un caso recuperado con o sin revisión (Ver BDI – Intentions). Finalmente un sistema CBR debe buscar aumentar su conocimiento reteniendo nuevos casos.

Llevando la teoría a la acción

Habiendo recorrido la forma más básica de razonamiento y aprendizaje que usan todas las plataformas de AI en la parte teórica, nos pusimos a la búsqueda de un framework que nos permita expresar reglas, conocimiento previo y hacer el pattern matching para levantar los escenarios similares tal cual como lo describimos.

A nosotros nos llamó mucho la atención un tipo de algoritmo llamado Rete, sobre todo por su simplicidad a la hora de configuración y generación de reglas. También tiene ventajas muy positivas en la forma de razonar (backguard and forward chaining).

El algoritmo Rete construye una red de nodos, donde cada uno de ellos (excepto el nodo raíz) representa un patrón que aparece en la parte izquierda (el condicional) de una regla. Por lo tanto, el camino desde el nodo raíz a una hoja define la parte condicional entera de una regla. Cada nodo tiene una memoria de hechos que satisfacen su patrón. Esta estructura es, básicamente, un árbol.

A medida que se añaden o modifican hechos, se propagan los cambios por la red, haciendo que los nodos que se activan con el patrón se activen. Cuando un hecho o un conjunto de ellos hacen que todos los patrones de una regla se satisfagan, se llega a un nodo hoja y la regla es activada.

Hoy, basados en este algoritmo, tenemos un conjunto de microservicios que nos permiten implementar estos modelos de razonamiento, proveyendo información (knowledge) a nuestros procesos para dotarlos de inteligencia. La implementación que utilizamos es evrete dado que se encuentra muy bien documentada y la pudimos embeber de manera simple en microservicios.

Resultados

Conseguimos, tener una base de conocimientos para procesos de suscripción y siniestros donde podemos optimizar de forma incremental la operación, reduciendo los costos operativos de ambos procesos de hasta el 20%.

Algunos datos interesantes:

  • Logramos tener una base de conocimientos de suscripción de vida en una implementación con 3023 casos diferentes dentro de nuestro knowledge base.
  • De los 3023 casos hay 95 que son frecuentes, tomando como frecuencia a que el mismo ocurre al menos 1 vez cada 30 días.
  • Sostener esta base de conocimiento de forma persistente nos obliga a serializar el knowledge base para poder persistir y que no sea volátil.
  • Cada vez que arriba una nueva suscripción se toma sólo 278ms analizar si la nueva solicitud ya se encuentra dentro de los 3023 casos. Obviamente este algoritmo sacrifica memoria por velocidad, algo en lo cual estamos trabajando para disminuir el footprint.

Si está interesado en conocer más sobre las soluciones que están cambiando la industria aseguradora, lo esperamos en SysOne.

Print Friendly, PDF & Email