Posta Biztosító döntéstámogatás
Az AI-GILE keretrendszer a gépi tanulás eszköztárát és a historikus adatokat felhasználva kimutatásokkal és javaslatokkal támogatja a döntéshozást a tarifakalkuláció, a lemorzsolódás és a kárrendezés területein.
Platformok
.Net Win WebTechnológiák
C# R WPF MSSQL Access SQLite Docker REST
A Magyar Posta Biztosító Zrt. számára fejlesztett keretrendszer a gépi tanulás eszköztárát használja fel olyan kimutatások előállítására, melyek az operatív - vagy akár stratégiai - döntések meghozatalának támogatását szolgálják. Az AI-GILE névre keresztelt rendszer az anonimizált, historikus adatokat felhasználva ad javaslatokat olyan területeken, mint a tarifakalkuláció, a lemorzsolódás vagy a kárrendezés. A releváns kérdésekre több, széles körben konfigurálható felügyelt és nem felügyelt gépi tanulási modell és azok kombinációi keresik a választ.
Komplex rendszer
Ez egy K+F jellegű projekt melynek ugyanúgy része az elemzési keret kidolgozása és az elemzések elvégzése, mint a kapcsolódó eszköz fejlesztése. A rendszer első változata 2019-ben készült el, azóta pedig egy több éves, agilis jellegű fejlesztési folyamat eredményeként folyamatosan javult a teljesítmény és számos új funkcióval is bővült a rendszer.
Az AI-GILE egy adatfeldolgozó és elemző asztali kliens alkalmazásból, valamint az eredmények lekérdezésére szolgáló szerverből áll. Az alkalmazások alapvetően .NET keretrendszerben, C# nyelven íródtak, a rendszer magját képező adatfeldolgozással és gépi tanulással kapcsolatos funkciók azonban R nyelven kerültek megvalósításra. A rendszer eredeti változatában egy saját fejlesztésű C# wrapper osztály segítségével történt az R kódok futtatása és az adatok átadása. A jelenlegi megoldás viszont már egy docker konténerbe telepített, a kliens alkalmazással együtt induló R szerver végpontjait hívja meg REST API-n keresztül.
Gépi tanulás
A projekt K+F jellegéből adódóan szükség van a gépi tanulási modellek számos különböző hiperparaméter konfigurációjának vizsgálatára. Az alkalmazás különböző grafikus felületek segítségével könnyíti meg ezeknek a konfigurációknak az előállítását. Az AI-GILE lehetővé teszi új változók generálását a meglévők alapján, a kategorikus változók elemeinek újra csoportosítását és a kiugró értékek (outlier) szűrését is. A megfelelő opciók kiválasztását a valós időben megjelenített leíró statisztikai mutatók, grafikonok és paraméterezhető algoritmusok támogatják (pl.: változószelekció, outlier határok megállapítása).
A rendszer elsősorban a károk bekövetkezésének és mértékének előrejelzését támogatja különböző gépi tanulási megoldások alkalmazásával. Az egyszerű lineáris regresszió mellett gradient boosting, random forest és mélytanuló neurális háló segítségével is tanítható a rendszer. A tapasztalatok szerint azonban általában az egyes modellek kimeneteiből súlyozott átlagolással előállított Voting modellek hozzák a legjobb eredményeket. A rendszer számos eszközzel támogatja az egyes modellek kiértékelését, és az üzleti érdekek szempontjából leghatékonyabb konfigurációk felkutatását.
Szakmai tudás
Az elemzési keret kidolgozása a Magyar Posta Biztosító Zrt. aktuáriusai és Bits Studio csapat közös munkájának érdeme. Utóbbi részéről egy okleveles biztosítási és pénzügyi matematikus-közgazdász és egy gazdaságinformatika doktor vett részt az elemzések megvalósításában. Az együttműködésből egy közös, a kötelező gépjármű felelősségbiztosítások káreseményeivel kapcsolatos tudományos publikáció is született.