No es incorrecto decir que cada negocio se está convirtiendo en impulsado por datos, pero, por supuesto, lo que cuenta es lo que hace con eso. Para que un equipo de ciencia de datos verdaderamente efectivo se dispare a todos los ases, su organización debe poder ofrecer varias comparaciones, evaluando las "perspectivas dentro de las perspectivas".

Por lo tanto, el sector de seguros es el que está hecho a medida para esta misión. En abril pasado, Raconteur resumió esta tendencia al alza. "Lo que es nuevo es que los datos han aumentado en volumen, calidad y accesibilidad, y ahora existe la capacidad de combinar y analizar múltiples fuentes de datos, lo que le da a las aseguradoras mucho en qué pensar", escribió Sooraj Shah. "La rapidez con que las empresas pueden adaptarse y garantizar que la ciencia de la información sea parte de su organización determinará qué tan competitivas serán en los próximos años".

Pardeep bassi (izquierda) ha sido jefe de ciencia de datos en LV = desde junio de 2017, habiendo pasado toda su carrera en seguros de alguna manera, primero en AXA y luego en Doméstica y General. Hace un análisis interesante para comparar dónde ha llegado el espacio en tan solo unos pocos años.

"En ese entonces, se llamaba el equipo de innovación – ciencia de datos
no era un término ampliamente utilizado ", dice Bassi de comenzar en AXA en 2012." Fuimos un
Equipo centrado estadísticamente en busca de nuevas tecnologías y mejores formas de predecir
resultados, prediciendo modelos utilizando tecnología de código abierto. El cambio que tiene
pasó ahora … [it] se ha vuelto mucho más popular ".

"Estamos en una etapa en la que lo estamos ampliando significativamente y nos encontramos con muchas más dificultades en términos de cosas que no sabíamos el año pasado".

LV = utiliza esta experiencia en todo su seguro general
Brazos, centrados en seguros de coche, hogar, mascota y viaje. Cada uno de estos casos de uso.
tiene diferencias, pero la plantilla subyacente para construir cada uno de estos modelos es
reutilizable Un ejemplo particular fue donde LV = General Insurance trabajó con
Microsoft a
crear una solución de aprendizaje automático escalable
para resolver más fácilmente el 20% de
Las reclamaciones de seguro de automóvil donde la responsabilidad es un área gris y las reclamaciones pueden tomar hasta
12 meses para resolver.

Bassi señala que tras el lanzamiento, la Red de la compañía
La puntuación del promotor (NPS) aumentó mientras que el tiempo promedio para resolver una reclamación
cayó "significativamente". “No solo estamos haciendo nuestros procesos más eficientes
desde una perspectiva operativa, estamos ayudando a nuestra experiencia de cliente ", agregó.
dice.

Esto no quiere decir que todo es simple navegación,
sin embargo. Como con muchas compañías, explica Bassi, el desafío es uno de
reacondicionamiento de sistemas heredados. “Desde un punto de vista técnico, podemos construir
prácticamente cualquier algoritmo que queramos en este momento usando tecnología de código abierto
– Tenemos el poder de cómputo correcto, [and] porque estamos en la nube somos capaces
para aumentar la cantidad de cómputo que necesitamos ", dice. "Dónde [we’ve] tengo legado
sistemas, [it’s] no solo cómo construir estos modelos para comenzar, sino también
¿cómo se integran de nuevo en los sistemas existentes para asegurarse
¿Se utilizan realmente y tienen una influencia en el negocio?

"Hemos superado esto al tener no solo científicos de datos en
El equipo, pero los ingenieros de datos ", añade Bassi. "Es su papel en la producción y
implementar modelos, por lo que tienen que entender los sistemas existentes y dónde
enchufados. Muchos de los modelos que construimos requieren un enlace en tiempo real a los sistemas … así que
es comprensible que el sistema sea adecuado para su propósito, puede aceptar llamadas a la API,
¿La latencia tiene que estar dentro de una ventana de tiempo determinada?

Sin embargo, en general, Bassi dice que en el viaje desde los primeros esfuerzos hasta que todo se convirtió en un aprendizaje automático, su equipo se encuentra "en algún punto intermedio". Bassi habló en la Exposición de AI y Big Data del año pasado donde dijo que LV = estaba implementando un par de soluciones '- pero está de vuelta este año y está interesado no solo en explicar su viaje, sino también en explorar el de la audiencia.

"Un lenguaje es solo una herramienta, lo que es más importante para un científico de datos es tener la comprensión teórica básica de cómo funciona un modelo"

"Teniendo en cuenta nuestro propio viaje, hay varios diferentes
etapas de la aplicación del aprendizaje automático ", dice Bassi. "La primera etapa es – puedes
obtener algo en vivo? La segunda etapa es ¿Se puede ampliar y cuántos
diferentes decisiones pueden afectar? Y la etapa final es [where] todo
es el aprendizaje automático dirigido.

"Estamos en una etapa en la que lo estamos ampliando
significativamente y están encontrando muchas más dificultades en términos de cosas
algo que no conocíamos el año pasado ", añade. "Creo que el resto de la
la industria seguirá ese mismo palo, por lo que habrá un número de personas
quienes lo pensaron el año pasado, quienes ahora comenzaron a hacerlo, y
espero poder aprender de las experiencias que hemos tenido ".

Al igual que Ben Dias, jefe de ciencia de datos en Royal Mail, Bassi, que también tiene una sólida formación matemática, prioriza los principios sobre la práctica en sí misma cuando busca talento. "Un lenguaje es una herramienta … Creo que lo más importante es tener la comprensión teórica básica de cómo funciona un modelo", dice Bassi. “¿Tiene esa comprensión intuitiva desde los primeros principios de lo que hace un modelo de aprendizaje automático? Sin eso, realmente luchará por ser un verdadero científico de datos y conocer las limitaciones de ciertos algoritmos ".

Pardeep Bassi está hablando en AI y Big Data Expo en Londres del 25 al 26 de abril. Descubre más sobre su sesión visitando aquí.






Dejar respuesta

Please enter your comment!
Please enter your name here