«Tellef» avdekker juks og slurv med knust bilglass. Blir trent opp med et råskinn av en spill-PC

OSLO SENTRUM (digi.no): Knust bilglass koster forsikringsbransjen dyrt. Det er den nest hyppigste kategorien saker hos Sparebank1 Forsikring, kun slått av skade på mobiltelefoner.

– Hele 9 av 10 frontruter går rett til utbetaling. Kostnadene stiger ytterligere fordi rutene i økende grad har innebygd teknologi og sensorer. Dermed blir det viktig å øke kontrollen, påpeker kommunikasjonssjef Simen B. Rudi.

Kunstig intelligens, nevrale nettverk og en av de heftigste spilldatamaskinene som er å oppdrive, inngår som del av en løsning for å redusere utbetalingene.

– Forsikring er et spleiselag. Går antall utbetalinger opp, er det noe som i prinsippet skal fordeles. Slurv eller svindel går utover alle, så dette er en vinn-vinn situasjon. Det blir færre utbetalinger for oss og mer rettferdig for kundene, mener Rudi.

Nybrottsarbeid

Hjernen er inspirasjonskilden til såkalte nevrale nettverk. Mer om det i sidesaken. Forsikringsselskapet har implementert slik teknologi i en taksthjelper døpt «Tellef».

– Tellef tar beslutninger basert på bilder av glasskader. Det er nybrottsarbeid for et forsikringsselskap, sier Lars Leganger. Han er teamleder for gruppa som jobber med kunstig intelligens i Sparebank1 Forsikring.

Utviklerne bak løsningen er IT-konsulent Jens Remi Karlsen, dataviterne Knut Aasen og Jan Helge Høyland, samt fagsjef maskinlæring Øyvind Indrebø i Sparebank1 Forsikring.

De forklarer at modellene er basert på Googles Tensorflow og pakket inn i Flask, et utbredt Python-basert rammeverk for å eksponere REST-baserte tjenester.

– Modellene er ganske ferdigtygd. Vi må bare scripte eller vri litt på dem. Det er for eksempel ikke hensiktsmessig å vite om det er ekorn eller ubåter i bildene. Vi tar slutten av en ferdigtrent nevralnettmodell Google tilbyr, legger til våre egne bilder og merkelapper og tar den siste delen av opptreningen på nytt. Det vi bruker av nettverkets egenskaper er for å kjenne igjen blant annet form, farger og teksturer, forklarer de.

Forsikringsselskapet har en bildedatabase på rundt 600.000 bilder av skader, men her inngår en god del annet enn knuste ruter.

Indrebø anslår at rundt 100.000 er bilder av knust glass. Et tusentalls av disse igjen har maskinlæringen fått tygge på.

Saken fortsetter under bildet.

Blodtrimma spill-PC

– Selve applikasjonen kjøres på vår lokale cloud-løsning, som er basert på Openshift fra Red Hat med Kubernetes-konteinere. Opptreningen er ressurskrevende og må gjøres på GPU-maskiner, sier fagsjef Indrebø.

Råskinnet som tar seg av denne oppgaven har de satt sammen selv. Maskinen beskriver de som noe av det heftigste som var å oppdrive. Den kjører Linux og skal ha kostet rundt 100.000 kroner.

– Det sitter to rå grafikkort i denne. Det er vesentlig når du trener opp modellene. Vi var litt heldige som bestilte før bitcoin-hypen kom for alvor, for det presset opp prisene på GPU-er ganske kraftig, gliser Lars Leganger.

Isbryter

Investeringene i Tellef og egen infrastruktur er del av en bredere satsing på kunstig intelligens. Det vil komme andre maskinlæring-prosjekter senere, røper Jens Remi Karlsen.

– Vi bygger på en måte infrastrukturen for å kunne skalere opp til flere intelligente tjenester. Da må vi ha en god utrullingsstrategi. Dette skal ut på en on premise (lokal) cloud-plattform, og for å gjøre det på en ordentlig måte er standarder viktig, sier han.

– Dette er på en måte en isbryter. Det er nå vi bygger veien eller infrastrukturen, rutinene rundt og et fullt opplegg for å kunne få enterprise Python-støtte på plattformen, påpeker Karlsen.

I dette inngår et samarbeid på tvers av ulike interne team, med alt fra utviklere til datavitere og tradisjonelle forsikringsanalytikere. Sammenfattet handler det seg om å ruste seg for framtiden.

– I aller høyeste grad. Vi føler vi er i ferd med å tegne opp framtidens forsikringsselskap, sier lederen for selskapets AI-ML-gruppe, Lars Leganger.

Jobben til «glass-Anders» er trygg

Så langt tyder ingenting på at de blir færre ansatte ved å ta i bruk kunstig intelligens. Tellef vil heller ikke erstatte Anders, internt kalt «glass-Anders» – selskapets eneste ansatte som manuelt har i oppgave å vurdere knuste frontruter, og altså om det er riktig eller falt å utbetale premie.

For et verksted er det mer lønnsomt å bytte ruta enn å reparere skaden. Forsikringsselskapet har motsatt interesse. For dem er det ønskelig å reparere skade, såfremt det er mulig.

Tellef klarer ikke å gjøre en vurdering av selve skaden, men kan se om han har fått et detaljert bilde av skaden eller ikke.

– Hvor på ruta skaden har skjedd, eller å gi en prediksjon på om ruta bør skiftes ut eller ikke, det er en naturlig videreutvikling til en senere versjon av Tellef, sier fagsjef maskinlæring Øyvind Indrebø.

Det blir som å ha en hund du lærer nye triks, supplerer Leganger.

Penger spart

Det ligger et potensial for kostnadsbesparelser på et par millioner kroner i året, anslår selskapet, som sikter til at løsningen kan avdekke slurv, mangel på dokumentasjon og andre feil knyttet til glasskader.

– Det er litt kult at de pengene sparer vi på å gjøre «glass-Anders» mer effektiv, ikke på å bytte ham ut. Anders har en trygg jobb. Jobben han gjør blir bare mer verdifull nå som han har Tellef til å hjelpe seg, sier Leganger.

– Hva er feilprosenten til Tellef?

– Det varierer fra oppgave til oppgave. Typisk treffer han rett i 80-90 prosent av tilfellene. Så han er ikke feilfri. Det er også årsaken til at vi ruller ham ut i en backend-løsning med et menneske som tar alle konsekvensielle avgjørelser. Det er et helt bevisst valg.

Les også: Tech-studenter lager unikt prognoseverktøy (Ekstra)