A solicitud de VVP, destacado en la última edición de VVP, la plataforma líder para asesores financieros en los Países Bajos, nuestro CTO y estratega de IA, Dennie van den Biggelaar, explica cómo aplicar IA y aprendizaje automático específicos al ‘asesoramiento en la práctica’. En varias ediciones, se destacarán los siguientes temas:

• Comenzando con IA y AA específicos
• Operacionalizando en procesos empresariales
• Integrando en paisajes IT existentes
• Medir es aprender: KPIs para AA
• Ética, regulaciones y sociedad
• IA y AA: una visión del futuro cercano

Naturalmente, comenzamos en esta primera edición con lo básico: ¿qué es y cómo empezar? Si tienes alguna pregunta después de este artículo, no dudes en contactar a Dennie (dennie@onesurance.nl).

IA vs. Aprendizaje Automático (AA) La IA es una máquina o software que realiza tareas que tradicionalmente requieren inteligencia humana. El aprendizaje automático (AA) es un subconjunto específico de la IA, que permite a una máquina o software aprender de predicciones o acciones históricas. El ejemplo más conocido y discutido de software de AA es ChatGPT, diseñado para generar texto significativo para los usuarios. Sin embargo, hay innumerables otros problemas en los que el aprendizaje automático puede ayudarnos. A menudo (todavía) no hay una solución lista para usar como ChatGPT que puedas usar directamente. Para construir una solución de IA utilizable, debes reunir las competencias adecuadas en el momento adecuado. Es tarea del estratega de IA trabajar con un equipo multidisciplinario de expertos en negocios, ingenieros de AA, ingenieros de datos y científicos de datos para determinar qué deseas predecir, cómo (con qué precisión) debe hacerse, qué técnicas usar y, finalmente, cómo se operacionaliza y asegura todo para lograr los resultados deseados.

Ejemplo: Predicción de Cancelaciones Como empresa, deseas asegurarte de que los clientes correctos reciban la atención adecuada de tus asesores en el momento adecuado, minimizando las cancelaciones. Idealmente, sabrías qué clientes tienen más probabilidades de cancelar. Pero, ¿cómo se traduce esto al equipo? A menudo, un cliente cancela una sola póliza, que usualmente es solo un cambio y algo que no quieres contaminar tu modelo de AA. Supongamos que un cliente cancela todas las pólizas dentro de la rama principal de responsabilidad civil pero no las otras (todavía). ¿Es este un cliente a punto de irse? ¿Y qué pasa si cancela todo dentro de la rama principal de incendios pero aún tiene asistencia legal y seguro de vida temporal? ¿Se han transferido pólizas internamente? ¿Cuál es la tasa real de cancelación? Estas son todas cosas que deseas determinar antes de poner a trabajar a un equipo de ingeniería de AA. Además, debes considerar tu horizonte de previsión: ¿cuánto tiempo por adelantado deseas predecir? ¿Quieres saber qué clientes cancelarán en los próximos 1, 3, 6 o 12 meses? Esto puede parecer un detalle, pero en el fondo, significa que entrenarás un modelo de AA completamente diferente.

Encontrando Patrones Una vez que has definido claramente lo que deseas predecir, es hora de ver si tus datos son suficientemente Precisos, Disponibles y Consistentes (el ‘ABC de los datos’). La razón principal por la que los clientes cancelan a menudo se reduce a recibir muy poca atención. La pregunta es, por supuesto, de quién, cuándo y por qué hubo ‘muy poca atención’. Esta información no está en tu almacén de datos y debe construirse a través de la ingeniería de características. ¿Qué características (atributos) afectan significativamente la probabilidad de cancelación? Este es un proceso analítico y creativo donde el conocimiento y la experiencia de expertos en seguros y científicos de datos se unen. Una vez que se forma una tabla inicial sólida con características, finalmente puedes comenzar con el aprendizaje automático. La experiencia muestra que la predicción de cancelaciones se modela mejor con análisis de clasificación o supervivencia. Hay cientos de técnicas de AA teóricamente adecuadas para esto. En tu elección, es importante considerar: ¿en qué medida necesita ser explicable el algoritmo, cuán complejos pueden ser los patrones y cuántos datos del ABC hay?

Validando Patrones Después de que la ‘máquina’ se pone a trabajar para encontrar patrones y hacer predicciones, siempre hay un momento emocionante… ¿cuán precisos son los diferentes modelos? El ingeniero de AA tiene una amplia caja de herramientas para esto. Primero, mantiene parte de los datos separados para probar y validar un modelo entrenado. Esto asegura la robustez de los patrones descubiertos y previene que un modelo haga predicciones inexactas en el ‘mundo real’. Luego, observan los falsos positivos y falsos negativos y sus costos. Por ejemplo, una predicción falsa positiva de que alguien cancelará el próximo mes no es tan mala. El asesor llama al cliente y concluye que no pasa nada: solo cuesta 15 minutos de su tiempo. Si el algoritmo predice incorrectamente que alguien seguirá siendo leal (falso negativo), esto es mucho más costoso: pierdes un cliente. Basado en, entre otras cosas, precisión, recall y puntajes AUC, se determina el mejor modelo de AA. Además, es posible ajustar los algoritmos para que sean más estrictos o indulgentes, de modo que se adapten mejor al proceso empresarial previsto. Esto se llama ajuste de parámetros, y un ingeniero de AA experimentado sabe cómo hacerlo de manera responsable.

Haciéndolo Usable A continuación, integras el algoritmo en los procesos operativos. ¿Cómo se pueden transferir los datos de manera segura y eficiente? ¿Cómo puede el asesor usar fácilmente la predicción? Esto es trabajo de ingenieros de datos y software. Finalmente, también quieres que el asesor proporcione retroalimentación sobre la calidad del algoritmo para que aprenda del usuario. El algoritmo se vuelve más inteligente y efectivo cuanto más se usa. Ese es el verdadero componente de ‘IA’, pero más sobre esto en la próxima edición.

La IA no siempre es AA. Por ejemplo, el algoritmo Deep Blue (que derrotó al gran maestro de ajedrez Garry Kasparov) en 1997 es IA pero no AA. El AA siempre es IA.

Tres Frases Sobre Dennie Mismo Dennie es un econometrista con 12 años de experiencia en el diseño, construcción e implementación de soluciones de aprendizaje automático en la práctica. Como cofundador y CTO de Onesurance, es responsable del desarrollo de soluciones de IA y de su implementación exitosa para clientes en el sector de seguros.