Использование машинного обучения для проверки среднего полиса киберстрахования

I. Проверка документов

Нарушен порядок рассмотрения документов. Пройдя юридический факультет и работая рецензентом документов в юридической фирме, я думал, что знаю, что влечет за собой анализ документов. Только когда я расширил свое представление о том, чем может быть рецензирование документов, я понял, насколько ошибочной была эта мысль.

Благодаря достижениям в области вычислительной техники документы можно разбить на множество различных частей. Затем эти части можно сравнить друг с другом, чтобы получить более глубокое представление о документе или серии документов, которое в противном случае было бы трудно получить. Приведенная выше электронная таблица на самом деле представляет собой один документ, разбитый примерно на 100 строк и 10 столбцов. Рецензирование документов теперь — это больше, чем просто чтение слов на странице.

Алгоритмы машинного обучения, встроенные в платформу RiskGenius, открыли мне глаза на возможности технологически продвинутых инструментов, дополняющих проверку документов, облегчающих процесс проверки документов и расширяющих возможности юристов, андеррайтеров и других специалистов, работающих с документами. В оставшейся части этого поста я пройдусь по упражнению, демонстрирующему ценность современного процесса рецензирования, который фактически превращает юридический текст в данные, которые можно сравнивать друг с другом.

II. Документы → Данные

Чтобы показать вам одну из замечательных вещей, которые на самом деле дает наш индекс киберответственности (приведенная выше таблица), я решил начать создавать картину средней политики киберответственности. Изучив 1994 определения, 1204 исключения, 915 условий, 378 разделов договора страхования, 95 лимитов ответственности и 71 вступительное заявление*, мы смогли определить, что средний полис киберответственности имеет в 1,5 раза больше вступительных заявлений, в 8 раз больше соглашений о страховании, в 2 раза больше ограничений ответственности. , 42xDefinitions, 19xConditions и 26xExclusions. Вот как это выглядит в виде круговой диаграммы:

Более того, мы можем просмотреть множество политик по одной дисциплине и понять, как они соотносятся с установленными нами базовыми уровнями. Например, средний полис страхования киберответственности содержит 99 пунктов (горизонтальная красная линия на графике ниже) со средней оценкой сходства 89,5 (вертикальная красная линия на графике ниже). Средняя оценка сходства показывает, насколько все пункты одной политики похожи на все пункты всех других политик. Чем выше балл, тем больше эта политика похожа на другие политики в отрасли. Политика, наиболее близкая к этим средним показателям, отмечена красным кружком. Политика безопасности и защиты конфиденциальности Цюриха. Поздравляю Цюрих!

Мы также можем предоставить уникальную информацию о функциях, которые могут помочь определить, где язык не работает. В качестве другого примера я могу сказать, что, основываясь на наших данных, большее количество пунктов автоматически не означает, что политика будет иметь более высокую оценку сходства. Однако, взяв обратное, я могу сказать, что самая низкая группировка политик с точки зрения количества пунктов — менее 50 пунктов — как правило, указывает на более низкую оценку сходства.

Важно иметь в виду, что это может быть по разным причинам. Возможно, в более коротких политиках, которые мы рассмотрели, отсутствуют дополнения или одобрения, которые в противном случае улучшили бы показатель сходства. Сам по себе этот тип инструмента не решает многих проблем с обзором, однако он более эффективно выявляет проблемы высокого уровня.

III. Будущее анализа документов

По мере того, как технологии продолжают совершенствоваться, вопрос о том, возможны ли улучшения или нет — технологии показали, что улучшения возможны всегда — сместился к вопросу о том, готовы ли люди перестроить рабочий процесс страховой отрасли, чтобы воспользоваться преимуществами. таких вещей, как искусственный интеллект или машинное обучение.

Добавляя простой пользовательский интерфейс к способу просмотра страховых документов, в котором аналитики классифицируют различные компоненты страхового полиса в структурированные наборы данных, наша команда может получить представление о том, какие стандарты существуют в областях с быстро развивающимися типами страховых случаев. риск. И если вы сведете это к минимуму, это ничем не отличается от того, что адвокаты делают ежедневно, но преимущество, которое мы имеем, заключается в том, что, поместив это в другой формат, мы теперь можем немедленно использовать это знание для сравнения с другие страховые полисы. Например, вы даже можете использовать средний состав пунктов (выше) и один из графиков за последнюю неделю, который показывает самые популярные пункты в отрасли, чтобы определить, какие части могут отсутствовать в небольших полисах.

Вот как машинное обучение и ИИ изменят отрасль и помогут всем, не заменив людей, а повысив эффективность, с которой люди могут просматривать документы и извлекать смысл из текста. В частности, эти достижения могут быть использованы для 1) сокращения объемов работы, 2) предоставления возможности страховым специалистам практиковать на пределе своих возможностей и 3) предоставления механизма для быстрого понимания того, какие части страхового полиса больше всего отличаются от отраслевого стандарта. . Несмотря на то, что при создании этого блога было задействовано большое количество обычных вещей, включая, вероятно, мои записи, вещи, которые можно выполнить с помощью новых технологий, далеко не средние.

*Примечание. Наше определение того, что считается вступительным заявлением, включает страницы объявлений, оглавления и вступительные заявления в виде отдельных предложений.