Il deep learning avrà certamente un ruolo cruciale nell’automazione e nel miglioramento delle attività quotidiane delle assicurazioni che comportano l’elaborazione di immagini, testi e audio. Nel medio periodo, tuttavia, non dovrebbe avere un impatto profondo sul loro core business: la gestione dei rischi.
Questo breve articolo condivide il nostro punto di vista sull’uso delle tecnologie di deep learning nel settore assicurativo.
Cos’è il deep learning, e un po’ di storia
Il deep learning (apprendimento profondo) è una famiglia di tecniche di apprendimento automatico ispirate alle reti neurali, che coinvolgono più strati di modelli. Il termine è in parte una parola di moda (un nuovo nome per le reti neurali, ora con più strati) e copre un’ampia gamma di algoritmi, tra cui le reti neurali convoluzionali, le reti neurali ricorrenti e le reti a memoria a lungo e breve termine.
Le sue radici risalgono alla metà del XX secolo. La prima rete neurale algoritmica, ispirata alla biologia, fu il percettrone di Rosenblatt, nel 1957.
Il primo grande passo arrivò negli anni Ottanta, quando un quadro adeguato per l’ottimizzazione dei parametri, i metodi del gradiente, fu finalmente applicato alle reti neurali. A quel punto l’efficacia di questi nuovi metodi era tutt’altro che dimostrata.
Bisognò attendere gli anni Dieci del Duemila per una doppia rivoluzione: quella del volume dei dati (con la pubblicazione del dataset ImageNet) e quella della potenza di calcolo (le GPU CUDA di Nvidia raggiunsero mille miliardi di operazioni al secondo). Il deep learning iniziò allora a superare tutti gli altri metodi nell’elaborazione delle immagini e, progressivamente, anche nell’elaborazione del linguaggio naturale.
Ne seguì una rivoluzione, che si diffuse a una velocità incredibile, in circa un anno e mezzo.
Come funziona?
Per farla breve, comprendere il deep learning si riduce a due aspetti: l’architettura e la retropropagazione.
L’architettura di una rete neurale prevede molti neuroni che interagiscono tra loro in strati successivi. Rappresentano altrettanti parametri (numero di strati, tipi di interazione, pesi di ogni cella) che la macchina imparerà confrontando questa architettura con dati reali.
Poi viene la retropropagazione. L’idea è molto semplice: ogni volta che un nuovo dato entra nella rete, l’output produce un errore (misurato da una funzione di perdita). Questo errore viene propagato all’indietro per attribuire a ogni neurone il suo contributo. Questi contributi servono a ottimizzare i pesi con la discesa del gradiente, minimizzando infine la funzione di perdita.
La vera magia è che nel deep learning tutto viene ottimizzato contemporaneamente.
Questi sono i principi generali; lo scopo qui non è entrare nei dettagli tecnici, ma concentrarsi sugli elementi chiave del successo del deep learning.
In pratica, cosa serve perché funzioni?
- Un grande volume di dati: con centinaia di migliaia di parametri da calibrare, il numero di osservazioni deve essere molto più grande.
- Il giusto tipo di dati in input, per cui il valore aggiunto è dimostrato. Si tratta tipicamente di dati non strutturati: immagini, testi e audio. L’intuizione è che le reti neurali complesse e profonde aggiungono più valore quando le variabili sottostanti sono difficili da dedurre, come accade tipicamente per immagini, testi e audio.
- In altre applicazioni con dati strutturati, il deep learning ha mostrato progressi meno significativi rispetto agli algoritmi classici di apprendimento automatico.
Due esempi classici lo illustrano: le immagini e i testi.
Una delle grandi famiglie di architetture di deep learning per l’elaborazione delle immagini è quella delle reti neurali convoluzionali. Individuano diverse parti di un’immagine, si concentrano su ciascuna e poi le assemblano per classificarla. Questi metodi apprendono contorni, forme, posizioni, livelli di contrasto e così via. È questa la parte ad alto valore; la decisione finale si basa poi su regole relativamente semplici.
Quando i dati hanno una dimensione storica o temporale, si utilizzano le reti neurali ricorrenti, tra cui una delle più diffuse è la LSTM (long short-term memory).
Contengono cicli che permettono loro di tenere conto del passato, a breve e a lungo termine: l’informazione diventa persistente. L’esempio più noto è la previsione di una parola in una frase. Serve un effetto memoria per dedurre l’ultima parola della frase «Vivo in Germania da cinque anni… parlo correntemente il tedesco». Un modello standard potrebbe imparare che la parola dopo «parlo correntemente il» è il nome di una lingua; per prevedere che si tratta del tedesco, il modello ha bisogno di memoria, perché «Germania» compare prima nella frase.
Le LSTM possono anche essere viste come l’equivalente, nel deep learning, dei modelli econometrici di serie storiche. Siamo convinti che questi approcci offrano ancora grandi possibilità di innovazione, sia nella finanza, dove le serie storiche sono ovunque, sia nelle assicurazioni, dove le serie storiche e spazio-temporali stanno diventando onnipresenti (ne parliamo più avanti).
Un Eldorado per le assicurazioni?
Il deep learning ha dato, e continua a dare, un nuovo slancio all’intelligenza artificiale. Ma non risolverà tutti i problemi delle assicurazioni. Uno sguardo più attento mostra dove ci si può aspettare che il deep learning porti poco o molto valore nelle assicurazioni.
Ad oggi nessuno sa spiegare del tutto perché il deep learning funzioni così bene su così tanti casi d’uso: per questo non si presta naturalmente all’interpretazione.
Eppure uno dei compiti principali di un’assicurazione è comprendere il rischio e i suoi fattori, per prevenirlo e gestirlo al meglio.
L’interpretabilità è necessaria da diversi punti di vista: regolamentazione, audit, processo decisionale e stabilità. È un campo di ricerca attivo nelle assicurazioni, sia nei grandi gruppi sia nelle start-up insurtech. L’idea è prendere il risultato del deep learning e spiegarlo con un modello interpretabile… ma questo è solo l’inizio della storia.
Questo spiega in breve perché il deep learning non ha un uso evidente nelle applicazioni di rischio puro che le assicurazioni affrontano.
Ci sono però molte altre applicazioni nelle assicurazioni, ed è un campo molto attivo. Perché?
L’assicurazione è un business dell’informazione, fondato su flussi di informazioni e di dati, e una grande parte di questi dati oggi è costituita da immagini, testi e audio. Come detto, il valore aggiunto del deep learning è evidente per questi tipi di dati non strutturati. I principali ambiti in cui il deep learning sta trasformando il business assicurativo sono probabilmente:
Nel breve periodo:
- i sinistri, per esempio la valutazione del costo di un sinistro a partire dalle immagini;
- le frodi, individuate in immagini, voce e testi;
- la customer experience e i nuovi servizi: soddisfazione, preventivi istantanei;
- l’intelligenza aumentata nella robotic process automation (che può spostare il rischio operativo);
- l’assicurazione parametrica per l’agricoltura, l’allevamento e qualsiasi attività sensibile al meteo.
E ancora di più nel lungo periodo:
- tutti i dati generati dall’IoT, per esempio le serie spazio-temporali della salute connessa o della telematica.
Queste applicazioni sono numerose. Sono pensate per migliorare il servizio, e quindi la soddisfazione dei clienti, oltre che l’efficienza.
In conclusione, il deep learning non risponderà nel breve periodo a tutte le esigenze di analisi dei dati delle assicurazioni, il cui lavoro consiste soprattutto nel comprendere i rischi e interpretare i relativi modelli e algoritmi. Oggi il deep learning non è ancora ben compreso e quindi non produce ancora i modelli di cui hanno bisogno.
Tuttavia, il deep learning sarà utilizzato in modo massiccio nelle assicurazioni, nel breve e nel lungo periodo, ovunque ci siano immagini, testi, audio e dati IoT.
Questo solleva un grande dibattito di fondo sul futuro e sul ruolo delle persone. Quale sarà l’impatto reale sui mestieri assicurativi? Le persone saranno sostituite in massa, o cambierà il ruolo che svolgono?
