Machine Learning

Wat is machine learning?

Machine learning algoritmes zijn het brein achter elk Artificial Intelligence system. Dankzij machine learning kan een systeem leren op basis van voorbeelden en daarna handelen op basis van nieuwe informatie. Een bekend voorbeeld van een machine learning algoritme is de app op uw telefoon die automatisch foto’s kan categoriseren op basis van het object dat er op staat. Daar waar het herkennen van een hond of een kat voor een mens een peulenschil is, zijn computers hier lange tijd notoir slecht in geweest. De modellen om dit soort taken met succes uit te voeren bestaan al vele decennia, maar de laatste tien jaar beschikken we over de data en de computerkracht om dit soort toepassingen op grote schaal in de praktijk te brengen (Data Analytics).

Voorspelkracht vs. black box

Machine learning modellen danken hun populariteit aan de kracht waarmee ze vaak (maar zeker niet altijd) voorspellingen kunnen doen. Hun grote honger naar data blijkt in de praktijk steeds gemakkelijker te stillen. Als nadeel van machine learning gold lange tijd hun “black box” karakter: het was moeilijk uit te leggen hoe het algoritme tot bepaalde besluiten was gekomen. Gelukkig is er ook op dit vlak sprake van voortschrijdend inzicht: er komen steeds betere methoden voorhanden om de black box te openen en er in te kijken. Dat is vooral in de financiële sector van groot belang waar aan externe partijen, zoals de toezichthouder, inzichtelijk gemaakt moet kunnen worden hoe en waarom er tot bepaalde uitkomsten is gekomen.

Machine learning binnen de waardeketen van een verzekeraar

Machine learning levert een waardevolle bijdrage aan nagenoeg elke fase binnen de waardeketen. Zie onderstaande figuur als voorbeeld voor een verzekeraar:

• Marketing & Targeting: machine learning om klantsegmenten te creëren en diepgaander inzicht in klantgedrag te verkrijgen en zo commerciële activiteiten effectiever te maken;
• Pricing & Reserving: machine learning om tarieven beter te differentiëren, inzicht te krijgen in performance en commerciële benchmarking uit te voeren;
• Acceptatie: machine learning om inzicht te krijgen in extreme risico’s in de portefeuille en hier tijdig actie op te ondernemen;
• Claims handling & Fraude detectie: machine learning om claimprocessen te vereenvoudigen, klantvriendelijker te maken, te optimaliseren en schadelast te reduceren;
• Royement: machine learning om vroegtijdig risico op opzegging van polissen te detecteren en hier proactief op te reageren.

Waarom Triple A voor machine learning?

De belangrijkste opdrachtgevers van Triple A – Risk Finance zijn verzekeraars, banken, pensioenfondsen en werkgevers. Hier hebben we een diepgaande domeinkennis. Onze data scientists echter zijn niet branchegebonden. Feitelijk kunnen we op basis van vrijwel alle data zinnige en vaak verrassende inzichten verschaffen. Daarbij zijn wij ook in staat om te duiden wat de oplossing in financiële zin voor ú oplevert.