Biztosítási kár bejelentésének folyamatát automatizáltuk gépi tanulás- és gépi látás- megoldásokkal
A közelmúltban egy izgalmas és széles körben használatra kerülő megoldás keretében demonstrálhattuk, hogy nagy mennyiségben generálódó felhasználói fényképek terén hogyan lehet kiemelkedő hatékonyságnövelést elérni úgy, hogy képfelismerő rendszereket kapcsolunk össze felhasználói visszajelző (chatbot) felületekkel. Az ügyfél egy globális multi, a projekt eredményeként létrehozott szoftver pedig korszerűsítheti és végtelenül egyszerűvé teheti a kárbejelentés folyamatát az egész biztosítási szektorban - de bármilyen más üzleti területen is, ahol kép formátumban keletkeznek fontos adatok.
A Lexunitot felkereső biztosítótársaságnál beazonosították azt a problémát, hogy az ügyfelek által beküldött fényképeket, amelyeket a keletkezett kárról készítenek, ellenőrizni és előszűrni kell, és mivel ezt a feladatot a biztosító szakértői látták el, ezért jelentős mennyiségű nagyértékű munkaidőt tudnának felszabadítani, ha ezt az egyébként nem bonyolult feladatot valahogy automatizálni lehetne.
A folyamat akkor tud automatikussá válni, ha a szoftver magától képes megállapítani, hogy a fénykép nem megfelelő. A kárbejelentés folyamata során a károsult ügyfeleknek az alábbi képsorozatot kell elkészíteniük:
Jobb Első / Bal Első / Jobb Hátsó / Bal Hátsó / Sérült Terület / Alvázszám / Műszerfal (kilométeróra).
Ez a sorrend fix, tehát az egyik hibalehetőség az, hogy az ügyfél nem azt tölti fel, ami éppen következne. Ezen túlmenően a képeknek meg kell felelniük az alábbi paramétereknek is:
- a teljes autónak látszódnia kell a képen (nem lóghat ki semennyi sem a kép szélén túlra)
- azoknál a szögeknél, ahol látszik a rendszám, annak olvashatónak is kell lennie
- természetesen ugyanazt az autót kell minden fotón látnunk
Amennyiben a beküldött fotó nem felel meg ezeknek a paramétereknek, az alkalmazás közli ezt az ügyféllel, és a fotó ismételt feltöltésére kéri.
A rendszámot a rendszernek automatikusan le kell tudnia olvasni, és külön adatbázisban rögzíteni. Maga az autó is kap egy külön lajstromszámot a biztosító rendszerében.
A kihívások beazonosítása után arra a következtetésre jutottunk, hogy egy gépi tanulás segítségével előkészített képértelmező algoritmus ezeket a paramétereket hiánytalanul teljesíteni képes, tehát a feladat részünkről megoldható. Ezután ezt a rendszert egy megfelelő felhasználói felülettel és egy chatbot alkalmazással kiegészítve egy komplex kárbejelentő alkalmazást kapunk.
A biztosítótársaság jelezte, hogy hasznos “bónusz” lenne, ha a program megmondaná a fotók alapján az autók márkáját és modelljét, illetve a színét is. A típus azonosítására már vannak működő megoldások a piacon, és persze a színkódolás sem probléma, bár csak hétköznapi szintig (“világoskék”, “sötétzöld”). Ezért jeleztük, hogy várhatóan ezzel a funkcióval sem lesz probléma.
Ekkor nekiláttunk autókat fényképezni.
A képadatokat felcímkéztük a megfelelő gépi tanulási megoldás számára, vagyis az irány meghatározásához, a képeken szereplő autó egyezőségének meghatározásához és a rendszám felismeréséhez. Több, mint 850 autóról készített kép segítségével elértük a validációs képességet, nem sokkal 100% hatékonyság alatt.
A rendszámot térben forgatja és kivágja a szoftver, külön elmenti, a numerikus adatot pedig leolvassa és egy külön adatbázisban rögzíti a társaság számára. Ugyanezt megteszi a kilométeróra állásával is.
A márka / típus / szín felismerő algoritmusokat is integráltuk, és készítettünk egy megfelelő felhasználói felületet, egy chatbottal, amely lépésről lépésre vezeti végig a felhasználót az egész folyamaton.
Az ügyfél számára prezentált mobilapp demo az alábbiakra képes:
1. Megkeresi és beazonosítja az autót a fényképen
2. Ellenőrzi, hogy az egész autó látható -e, új képet kér, amennyiben nem
3. Beazonosítja az irányt, amelyből a fotó készült, és új képet kér, amennyiben nem ebből az irányból készített képre van szükség az aktuális lépésnél.
4. Megkeresi a fényképeken a rendszámot, kivágja, térben elforgatja a frontális nézethez, majd OCR megoldás segítségével leolvassa az adatot. Új képet kér, amennyiben a rendszám nem olvasható
5. Ugyanezt megteszi a kilométeróra állásával és az alvázszámmal is
6. Amennyiben nem a legelső fényképnél tart a folyamat, az alkalmazás ellenőrzi, hogy ugyanaz az autó látható -e a képen, mint az elsőn
7. Beazonosítja a márkát, a típust és a színt (egyszerű színmegnevezések szintjéig)
8. Egyedi azonosítóval látja el az autót
Az alkalmazás az összes előre meghatározott feladat ellátására képes, és további fejlődésnek is teret enged.
Ez a felhasználási eset jó példa arra, hogyan lehet mesterséges intelligenciát sikeresen alkalmazni a szűrésre, ellenőrzésre és adatok kitermelésére minden olyan esetben, ahol felhasználók által feltöltött fényképek a folyamat részét képezik.
A lehetőségek korlátlanok minden hasonló szolgáltató számára is, legyen szó bármilyen használt termék adás-vételéről, ingatlanokról, vagy bármiről, ahol fényképes igazolás szükséges, például autó vagy roller kölcsönzéséről. Ahogy a gépi látással bővebben foglalkozó cikkünkben már megírtuk, szinte bármilyen folyamatnál, ahol képek készülnek, amit emberek valamilyen szempont alapján ellenőriznek, hatásos segítséget tudnak jelenteni a mesterséges intelligencia-megoldások.
Szeretne többet tudni a témakörről? Adja meg elérhetőségét és értesítjük az új blogbejegyzésről.
Következő cikk:
Computer Vision / Machine Vision: mit jelent a Gépi Látás, és mire lehet felhasználni?