El deep learning desempeñará sin duda un papel clave en la automatización y la mejora de las operaciones diarias de las aseguradoras que implican el procesamiento de imágenes, texto y audio. A medio plazo, sin embargo, no se espera que tenga un impacto profundo en su negocio principal: la gestión de riesgos.
Este breve artículo comparte nuestro punto de vista sobre el uso de las tecnologías de deep learning en el sector asegurador.
Qué es el deep learning, y un poco de historia
El deep learning (aprendizaje profundo) es una familia de técnicas de aprendizaje automático inspiradas en las redes neuronales, que implican múltiples capas de modelos. El término tiene algo de palabra de moda (un nuevo nombre para las redes neuronales, ahora con más capas) y abarca una gran variedad de algoritmos, entre ellos las redes neuronales convolucionales, las redes neuronales recurrentes y las redes de memoria a corto y largo plazo.
Sus raíces se remontan a mediados del siglo XX. La primera red neuronal algorítmica, inspirada en la biología, fue el perceptrón de Rosenblatt, en 1957.
El primer gran paso llegó en la década de 1980, cuando por fin se aplicó a las redes neuronales un marco adecuado de optimización de parámetros, los métodos de gradiente. En aquel momento, la eficacia de estos nuevos métodos distaba mucho de estar demostrada.
Hubo que esperar a la década de 2010 para una doble revolución: la del volumen de datos (con la publicación de la base de datos ImageNet) y la de la potencia de cálculo (las GPU CUDA de Nvidia alcanzaron el billón de operaciones por segundo). El deep learning empezó entonces a superar a todos los demás métodos en el procesamiento de imágenes y, progresivamente, también en el procesamiento del lenguaje natural.
Siguió una revolución que se extendió a una velocidad increíble, en aproximadamente año y medio.
¿Cómo funciona?
Para resumir, entender el deep learning se reduce a dos aspectos: la arquitectura y la retropropagación.
La arquitectura de una red neuronal implica muchas neuronas que interactúan entre sí en capas sucesivas. Representan otros tantos parámetros (número de capas, tipos de interacción, pesos de cada célula) que la máquina aprenderá al confrontar esa arquitectura con datos reales.
Después viene la retropropagación. La idea es muy sencilla: cada vez que entra un nuevo dato en la red, la salida produce un error (medido por una función de pérdida). Ese error se propaga hacia atrás para asignar a cada neurona su contribución. Estas contribuciones se utilizan para optimizar los pesos mediante el descenso del gradiente, lo que acaba minimizando la función de pérdida.
La verdadera magia es que, en el deep learning, todo se optimiza a la vez.
Estos son los principios generales; no se trata aquí de entrar en los detalles técnicos, sino de centrarse en los elementos clave que explican el éxito del deep learning.
En la práctica, ¿qué hace falta para que funcione?
- Un gran volumen de datos: con cientos de miles de parámetros que calibrar, el número de observaciones debe ser mucho mayor.
- El tipo adecuado de datos de entrada, para el que el valor añadido esté demostrado. Se trata normalmente de datos no estructurados: imágenes, texto y audio. La intuición es que las redes neuronales complejas y profundas aportan más valor cuando las variables subyacentes son difíciles de deducir, que es lo que suele ocurrir con las imágenes, el texto y el audio.
- En otras aplicaciones con datos estructurados, el deep learning ha mostrado menos avances significativos frente a los algoritmos clásicos de aprendizaje automático.
Dos ejemplos clásicos lo ilustran: las imágenes y el texto.
Una de las grandes familias de arquitecturas de deep learning para el procesamiento de imágenes es la de las redes neuronales convolucionales. Identifican distintas partes de una imagen, se centran en cada una y después las ensamblan para clasificarla. Estos métodos aprenden contornos, formas, posiciones, niveles de contraste, etc. Esa es la parte de alto valor; la decisión final se basa después en reglas relativamente sencillas.
Siempre que los datos tienen una dimensión histórica o temporal, se utilizan redes neuronales recurrentes, entre las que una de las más populares es la LSTM (long short-term memory).
Contienen bucles que les permiten tener en cuenta el pasado, a corto y a largo plazo: la información se vuelve persistente. El ejemplo más conocido es la predicción de una palabra en una frase. Hace falta un efecto de memoria para deducir la última palabra de la frase «Llevo cinco años viviendo en Alemania… hablo alemán con fluidez». Un modelo estándar podría aprender que la palabra que sigue a «hablo» es el nombre de un idioma; para predecir que es el alemán, el modelo necesita memoria, porque «Alemania» aparece antes en la frase.
Las LSTM también pueden verse como el equivalente, en deep learning, de los modelos econométricos de series temporales. Estamos convencidos de que estos enfoques todavía ofrecen grandes oportunidades de innovación, tanto en finanzas, donde las series temporales están en todas partes, como en los seguros, donde las series temporales y espaciotemporales son cada vez más omnipresentes (volveremos sobre ello más adelante).
¿Un El Dorado para los seguros?
El deep learning ha dado, y sigue dando, un nuevo impulso a la inteligencia artificial. Pero no resolverá todos los problemas de las aseguradoras. Un análisis más detenido muestra dónde cabe esperar que el deep learning aporte poco o mucho valor en los seguros.
A día de hoy, nadie sabe explicar del todo por qué el deep learning funciona tan bien en tantos casos de uso, por lo que no se presta de forma natural a la interpretación.
Sin embargo, una de las principales tareas de una aseguradora es comprender el riesgo y sus factores, para prevenirlo y gestionarlo lo mejor posible.
La interpretabilidad es necesaria desde varios puntos de vista: regulación, auditoría, toma de decisiones y estabilidad. Es un campo de investigación activo en los seguros, tanto en los grandes grupos como en las start-ups insurtech. La idea es tomar el resultado del deep learning y explicarlo con un modelo interpretable… pero esto es solo el principio de la historia.
Esto explica brevemente por qué el deep learning no tiene un uso evidente en las aplicaciones de riesgo puro a las que se enfrentan las aseguradoras.
Sin embargo, hay muchas otras aplicaciones en los seguros, y es un campo muy activo. ¿Por qué?
El seguro es un negocio de información, basado en flujos de información y de datos, y una gran parte de esos datos son hoy imágenes, texto y audio. Como se ha dicho, el valor añadido del deep learning es evidente para este tipo de datos no estructurados. Los principales ámbitos en los que el deep learning está transformando el negocio asegurador son probablemente:
A corto plazo:
- los siniestros, por ejemplo la valoración del coste de un siniestro a partir de imágenes;
- el fraude, detectado en imágenes, voz y texto;
- la experiencia de cliente y los nuevos servicios: satisfacción, presupuestos instantáneos;
- la inteligencia aumentada en la automatización robótica de procesos (que puede desplazar el riesgo operacional);
- el seguro paramétrico para la agricultura, la ganadería y cualquier actividad sensible a la meteorología.
Y todavía más a largo plazo:
- todos los datos generados por el IoT, por ejemplo las series espaciotemporales de la salud conectada o la telemática.
Estas aplicaciones son numerosas. Están pensadas para mejorar el servicio y, por tanto, la satisfacción de los clientes, así como la eficiencia.
En conclusión, el deep learning no cubrirá a corto plazo todas las necesidades de análisis de datos de las aseguradoras, cuyo trabajo consiste sobre todo en comprender los riesgos e interpretar los modelos y algoritmos correspondientes. Hoy, el deep learning todavía no se comprende bien y, por tanto, no produce aún los modelos que necesitan.
Sin embargo, el deep learning se utilizará de forma masiva en los seguros, a corto y a largo plazo, allí donde haya imágenes, texto, audio y datos IoT.
Esto plantea un gran debate de fondo sobre el futuro y el papel de los profesionales. ¿Cuál será el impacto real en los empleos del sector asegurador? ¿Serán sustituidos masivamente los profesionales, o cambiará el papel que desempeñan las personas?
