Pardeep Bassi, LV =: o vědě o nejlepší praxi…

Není špatné říkat, že každá práce se řídí daty, ale samozřejmě záleží na tom, co s ní děláte. Aby skutečně efektivní tým pro vědu o datech zasáhl všechna esa, musí být vaše organizace schopna představit více standardů hodnocením „perspektiv v perspektivě“.

Pojišťovnictví je proto odvětvím speciálně připraveným pro tuto misi. Loni v dubnu shrnul Raconteur tento vzestupný trend. „Novinkou je, že objem dat, kvalita a dostupnost roste. Nyní existuje možnost kombinovat a analyzovat více zdrojů dat, což dává pojistitelům hodně na přemýšlení,“ napsal Sooraj Shah. „Jak rychle se společnosti mohou přizpůsobit a zajistit, aby byla informační věda součástí jejich organizací, určí, jak konkurenceschopné budou v příštích letech.“

Pardeep bassi (Vlevo, odjet) Od června 2017 je vedoucím datové vědy na LV. Celou svou kariéru strávil v pojišťovnictví, nejprve ve společnosti AXA, poté jako domácí a obecný. Zajišťuje zajímavou analýzu pro srovnání, odkud vesmír za pár let přišel.

“V té době se tomu říkalo inovační tým – věda o datech nebyl běžně používaný termín,” říká Bassi, který na AXA začínal v roce 2012. “Byli jsme statisticky zaměřený tým, který hledal nové technologie a lepší způsoby předvídání výsledků.” open source technologie. Aktuální změna … [it] se stala mnohem populárnější. “

“Jsme ve fázi, kdy to výrazně rozšiřujeme, a v loňském roce čelíme mnohem větším obtížím, pokud jde o to, co jsme nevěděli.”

LV = Využijte tuto odbornost na všechny své obecné pojistné zbraně se zaměřením na pojištění automobilu, domu, domácího mazlíčka a cestovní pojištění. Každý z těchto případů použití má rozdíly, ale šablonu, která vytváří každý z těchto modelů, lze znovu použít. Specifickým příkladem je, že LV = General Insurance používá Microsoft k vytvoření škálovatelného řešení strojového učení, aby snáze vyřešila 20% nároků. to je případ, se kterým to funguje. Pojištění automobilů, kde odpovědnost představuje šedou zónu a nároky mohou být vyřešeny až 12 měsíců.

Bassi poznamenal, že po uvedení na trh se společnost Network Promoter Score (NPS) zvýšila a průměrná doba potřebná k vyřešení reklamace „výrazně“ poklesla. „Nejen zefektivňujeme naše procesy z provozního hlediska, ale také pomáháme našim zákaznickým zkušenostem,“ dodal.

To však neznamená, že všechno je jednoduchá navigace. Bassi vysvětluje, že stejně jako u mnoha společností je problémem generální oprava starých systémů. “Z technického hlediska můžeme nyní pomocí technologie open source vytvořit téměř jakýkoli požadovaný algoritmus – máme správnou výpočetní sílu, [and] Jsme v cloudu, protože můžeme zvýšit množství výpočetní techniky, které potřebujeme, “říká. [we’ve] Mám staré systémy [it’s] Nejen, jak vytvořit tyto modely pro začátek, ale také jak se integrují zpět do stávajících systémů, aby se ujistily, že jsou skutečně používány a mají dopad na podnikání?

“Vyřešili jsme to tím, že jsme v týmu měli nejen datové vědce, ale také datové inženýry,” dodává Bassi. “Toto je jejich role při vytváření a nasazování modelů, takže potřebují pochopit stávající systémy a to, kde se zaseknou.” Většina modelů, které vytváříme, vyžaduje připojení k systémům v reálném čase … takže je pochopitelné, že pokud je systém vhodný pro daný účel, může přijímat volání API, musí být zpoždění v určitém časovém rámci?

Bassi ale celkově říká, že jeho tým je „někde mezi“ na cestě od raného úsilí k strojovému učení. Bassi v loňském roce na AI a Big Data Expo uvedl, že implementoval LV = několik řešení – ale letos je zpět a má nejen zájem vysvětlit svou cestu, ale také prozkoumat publikum. .

„Jazyk je jen nástroj, pro vědce v oblasti dat je nejdůležitější mít základní teoretické znalosti o fungování modelu.“

“Při pohledu na naši vlastní cestu existuje několik různých fází implementace strojového učení,” říká Bassi. “První etapa – můžeš něco udělat živým?” Druhá fáze, Je to škálovatelné a kolik různých rozhodnutí může ovlivnit? A poslední fáze [where] je zcela zaměřen na strojové učení.

“Jsme ve fázi, kdy to významně rozšiřujeme, a oni čelí mnohem více výzvám, pokud jde o to, co jsme o minulém roce nevěděli,” dodává. “Myslím, že zbytek průmyslu udělá to samé, takže se najde pár lidí, kteří o tom přemýšleli loni, začali to dělat hned a doufám, že se mohu poučit ze zkušeností, které jsme měli.”

Stejně jako Ben Dias, vedoucí datové vědy v Royal Mail, má Bassi silné matematické zázemí a při hledání talentu upřednostňuje praxi před principy. “Jazyk je nástroj … Myslím, že nejdůležitější je mít základní teoretické znalosti o tom, jak model funguje,” říká Bassi. “Máte heuristické chápání toho, co model strojového učení dělá, hned od začátku?” Bez toho se budete opravdu snažit stát se skutečným datovým vědcem a znát omezení určitých algoritmů. “

Pardeep Bassi mluvení AI a veletrh velkých dat V Londýně od 25. do 26. dubna. Další informace o relaci naleznete na stránce tady.