Datos Sintéticos para Seguros
Las compañías de seguros siempre han estado entre los innovadores más expertos en datos, básicamente porque la capacidad de calcular riesgos con precisión puede hacer o deshacer su negocio. Hoy en día, las compañías de seguros de todo el mundo se están involucrando con la inteligencia artificial para construir nuevas capacidades basadas en datos y productos de seguros de próxima generación.
Según Gartner, a partir de 2022, los analistas predicen que el 85% de los algoritmos utilizados en la industria de seguros serán incorrectos debido al sesgo. Esto se debe a que en la mayoría de los casos, los conjuntos de datos utilizados para entrenar modelos de IA carecen de suficiente representación de mujeres, personas de color y otros grupos minoritarios. Esta subrepresentación no solo afecta las decisiones comerciales de los aseguradores sino también las vidas de los consumidores, como cuando se cobra primas más altas a clientes en ciertos vecindarios sin una base lógica de riesgo individual.
Desafíos para la IA en Seguros
El sesgo es solo uno de los muchos desafíos que los aseguradores encuentran respecto al uso de Inteligencia Artificial:
1. Explicabilidad del Modelo
Los modelos de IA son complejos. A veces, incluso los científicos de datos que los desarrollaron no saben exactamente cómo o por qué funcionan. Esta falta de explicabilidad puede impedir la aceptación por parte de líderes de negocio, reguladores y clientes. A medida que crece la presión regulatoria, la IA explicable se convierte en un elemento indispensable.
2. Cumplimiento
Los aseguradores deben adherirse a múltiples regulaciones, incluyendo reglas de privacidad de datos como GDPR y CCPA. Asegurar y mantener el cumplimiento regulatorio mientras se usa información personal para análisis es una lucha constante para la industria.
3. Lograr Valor de Negocio
Muchos modelos de IA nunca llegan a producción debido a la sensibilidad de los datos. O bien los equipos no pueden acceder a los datos, o los datos han sido despojados de tanta información (para proteger la privacidad) que ya no son útiles para un entrenamiento preciso.
La Solución de Datos Sintéticos
Los datos sintéticos están emergiendo como una solución a todos estos desafíos. Estos conjuntos de datos contienen el mismo nivel de detalle que los datos originales del cliente pero sin los detalles personales originales.
Los datos sintéticos están reemplazando rápidamente enfoques tradicionales como el enmascaramiento de datos, la aleatorización o la generalización. Este nuevo enfoque es mucho más seguro, ahorrando dinero y acelerando el desarrollo de modelos de IA ya que los conjuntos de datos pueden crearse en una fracción del tiempo. Además, la validación de modelos puede realizarse utilizando datos sintéticos de alta calidad generados por IA, ayudando con métodos de interpretabilidad como SHAP.
Casos de Uso para Aseguradores
Los datos sintéticos pueden generarse en muchas formas y formatos. Según Gartner, para 2024, el 60% de los datos utilizados para el desarrollo de proyectos de IA y análisis serán generados sintéticamente. Aquí están los casos de uso con mayor ROI:
- 1. Entrenamiento / reentrenamiento de modelos: Crear conjuntos de datos sintéticos optimizados permite máxima precisión. Con el tiempo, los modelos de IA se degradan; los datos sintéticos permiten un reentrenamiento constante y estabilidad.
- 2. Evaluación de riesgos: La precisión en la suscripción puede mejorarse proporcionando perspectivas estadísticas precisas o anonimizando metadatos para modelar riesgos sin exponer PII.
- 3. Detección de fraude: Los sistemas de detección de fraude pueden fortalecerse aumentando la incidencia de fraude en los datos sintéticos, ayudando a los algoritmos a detectar patrones raros más fácilmente.
- 4. Eliminación de sesgo: La asimetría hacia el sesgo racial o de género puede corregirse generando registros adicionales para compensar los datos de entrenamiento sesgados.
- 5. Optimización de precios: Los aseguradores pueden aprovechar datos de geolocalización y direcciones sintéticas para hacer que los modelos de precios sean tan precisos como si estuvieran entrenados con datos reales, mientras cumplen con HIPAA y CCPA.
- 6. Personalización de la experiencia: Desarrollar y probar nuevos productos que respondan a necesidades específicas del cliente utilizando datos que cumplen con los marcos legales más estrictos.
La plataforma de Dedomena permite a las compañías de seguros acelerar su tiempo-datos y tiempo-perspectiva. Al combinar la generación de datos sintéticos con el enriquecimiento de datos, desbloqueamos acceso a datos de calidad ilimitada para todo el ciclo de vida de desarrollo de IA. Con características avanzadas como computación en el borde on-premise y síntesis de estructuras de datos complejas, Dedomena asegura mejor rendimiento y despliegue más rápido para el sector asegurador.
