1. جناب مهندس لطفاً خودتان را معرفی نمایید و زمینه فعالیت و سوابق کاریتان را توضیح دهید؟

بنده محسن رحمانی دانش آموخته رشته مهندسی نرم افزار هستم و به صورت تخصصی در زمینه هوش مصنوعی (Artificial Intelligence) و علوم تحلیل داده ها (Data Science)  فعالیت دارم. البته شایان ذکر است که در زمینه فوق دوره های تخصصی مختلفی از جمله دوره آنلاین دانشگاه استنفورد (Stanford) را گذرانده ام.

زمینه فعالیت بنده عمدتا در حوزه هوش مصنوعی و توسعه نرم افزار های هوشمند بر پایه ماشین های یاد گیرنده (Machine learning)  در صنعت بیمه می باشد که با توجه به حدود ۱۵ سال سابقه کاری در صنعت بیمه، به ویژه بیمه های زندگی (عمر) و شناخت نقاط قوت، ضعف، مشکلات و راهکارهای این صنعت، طرحها و پروژه های متعددی نیز با کمک سایر متخصصین و همکاران پیاده سازی کرده ایم

۲. در ابتدا این سوال مطرح است که به طور کلی هوش مصنوعی چیست ؟

به زبان ساده هوش مصنوعی شاخه ای از علم کامپیوتر و بطور اخص نرم افزار است که در آن با شبیه سازی توانایی یادگیری در کامپیوترها و متعاقباً آموزش و تربیت (Training) سیستم های کامپیوتری به آنها قدرت تفکر، استدلال، استنتاج و نهایتا حل مسئله را می دهیم. به عبارت دیگر هوش مصنوعی تلاش دارد تا با آموزش سیستم های کامپیوتری شرایطی را شبیه سازی کند تا آنها به صورت انسانی عمل کنند و واکنش نشان دهند .

هوش مصنوعی عموما در سه زمینه زیر تعریف میشود

  1. آموزش ماشین های یاد گیرنده (Machine Learning) که در آن با ارائه و آموزش ( Training ) الگوهای آماری و داده های نمونه به ماشین به وسیله الگوریتمهای مختلف قدرت استنباط و استخراج نتایج مطلوب به ماشین داده میشود
  2. شبکه های عصبی مصنوعی هوشمند (Artificial neural networks) در این علم با شبیه سازی شبکه های عصبی موجودات زنده در ماشین با روشهای الگوریتمیک آموزش و یادگیری و نهایتا دریافت خروجی و نتیجه مطلوب از ماشین انجام میپذیرد
  3. علوم تحلیل داده ها (Data Science) : این علم رابطه بسیار نزدیکی با هوش مصنوعی و دو مورد فوق الذکر دارد و به طور خاص استخراج دانش و آگاهی از اطلاعات و داده ها می باشد و در آن سعی میشود روابط بین داده ها کشف و تحلیل شود.

باید توجه داشت که سامانه های هوش مصنوعی به طور مستمر از انباره های تشکیل شده با علم داده استفاده میکنند و متقابلا استخراج دانش و آگاهی از اطلاعات با روشهای هوش مصنوعی هم صورت میپذیرد

در دنیای امروز علوم کامپیوتر و در طراحی سامانه های نوین از هریک از موارد فوق یا همه موارد استفاده میشود

امروزه با توجه به حجم عظیم داده ها که توسط بخشهای مختلف سازمانها و حتی افراد جامعه تولید میشود و سرعت و دقت زیاد مورد نیاز، عملا تحلیل و اتخاذ تصمیم مناسب برای اشخاص، غیر ممکن بوده و یا با ضریب خطای بالا صورت می پذیرد. اینجاست که هوش مصنوعی با تحلیل سریع و دقیق داده ها و اطلاعات، قدرت تصمیم گیری و ضریب خطا را به مراتب کاهش داده و به صفر نزدیک میکند.

ما امروزه در بخشهای مختلفی از زندگی روزمره از هوش مصنوعی استفاده می کنیم به عنوان مثال نرم افزارهای مسیریاب که بر روی اکثر تلفن های همراه نصب هستند و یا بسیاری از شرکتهای اینترنتی مثل گوگل و شبکه های اجتماعی جهت دسته بندی، کنترل و ارائه بهترین اطلاعات برابر نیازمندی، علایق و سلایق کاربران خود از الگوریتمهای پیچیده هوش مصنوعی استفاده میکنند

۳. با توجه به توضیحات فوق هوش مصنوعی چه کاربردی در صنعت بیمه می تواند داشته باشد؟

هوش مصنوعی در بسیاری از زمینه ها از جمله بیمه گری، پزشکی، کشاورزی، بازاریابی، علوم پایه و … کاربرد های فراوانی دارد

کاربردهای هوش مصنوعی در صنعت بیمه بسیار گسترده و البته مفید و ضروری میباشند

به عنوان مثال در صنعت بیمه، مدیریت و پیش بینی ریسک بروز خسارت یکی از بحثهای پایه ای و اساسی است که با توجه به فاکتور های متفاوتی قابل بررسی و ارزیابی می باشد. سامانه های متکی بر هوش مصنوعی قابلیت و توانایی بالایی در مدیریت، پیش بینی و تعیین احتمال ریسک خسارت را دارند و به طور قطع در فرآیند صدور بیمه نامه، نرخ دهی، خسارت بسیار مفید و مؤثر خواهند بود.

البته هوش مصنوعی در بخشهای دیگر صنعت بیمه هم بسیار کاربردی و مفید است. از جمله فرآیندهای بازاریابی و فروش، محاسبه حق بیمه و ضرایب اضافه نرخ ، شناسایی موارد مشکوک به تقلب و کشف الگوهای خسارت و محاسبه ضریب خسارت را می توان نام برد

با توجه به کاربردهای فوق شرکتهای بیمه با به کارگیری هوش مصنوعی و فن آوری های نوین مرتبط با آن ارزش پیشنهادی عظیمی در فعالیتهای بیمه گری خود خواهند داشت. کاهش هزینه ها، قیمت گذاری مناسب و متعادل در بازار رقابتی و ایجاد محصولات بیمه ای مناسب و بهینه برای مشتریان و شناسایی سریع موارد تقلب و کلاهبرداری از این جمله میباشد

۴.آیا تا کنون مورد عملی از پیاده سازی هوش مصنوعی در صنعت بیمه وجود داشته است؟

بله، هم گام با شرکتهای بیمه ای خارجی مانند مونیخ ری و لویدز، در داخل کشور، ما با پیشنهاد طرح ارزیابی فاکتورهای سلامت افراد در بیمه های زندگی (Life Insurance Medical Risk Loading) اولین گام عملیاتی در خصوص ایجاد موتور هوش مصنوعی را برداشته ایم. طرح مذکور در مرحله مطالعاتی و ایجاد نمونه اولیه در قالب پروژه ای تعریف شد و با افتخار اولین موتور هوش مصنوعی با دانش بومی و اتکا به دانش جهانی به صورت آزمایشی پیاده سازی شده است. البته سامانه هنوز در مرحله آزمایشی و استفاده محدود است ولی ریسک سنجی و موارد مرتبط با آن به صورت صحیح و با تأیید کارشناسان امر در حال آموزش به سامانه هوشمند میباشد

۵.طرح فوق الذکر چگونه باعث افزایش بهره وری و ایجاد مزیت در صنعت بیمه خواهد داشت؟

ما بر این باوریم، پس از انجام مراحل آموزش ماشین هوشمند، نهایتا یک سرویس هوشمند و دانش محور خواهیم داشت که در موارد فراخوانی آن بهترین پاسخها و عکس العمل ها را در فرآیندهای بیمه گری داشته باشد، این امر باعث افزایش بهره وری و افزایش ضریب اطمینان در محاسبات آماری خواهد شد.

علاوه بر این، محاسبه سریع و دقیق  و وحدت رویه در فرآیند محاسبه ریسک سلامت افراد در زمان صدور بیمه نامه یکی دیگر از مزایای طرح میباشد

البته از مزایای دیگر این طرح می توان کوتاه و کم هزینه شدن فرآیند صدور، انجام مدیریت ریسک برای کل جامعه های آماری، ثبت و نگهداری الگوهای سلامت جهت ریسک سنجی های آینده و صدور تمام الکترونیک بیمه های زندگی نام برد.

باید توجه داشت که در حال حاضر شرکت های بیمه اطلاعات سلامت افراد را به صورت ناقص و ناپیوسته نگهداری میکنند که این طرح با ذخیره سازی و ثبت این اطلاعات در ایجاد الگوهای آمار و متعاقبا بهره برداری از آن ها جهت تشخیص الگوهای خسارتی مزیت بالایی ایجاد خواهد کرد

۶. در مزایای طرح به وحدت رویه در محاسبه ریسک سلامت اشاره کردید لطفا توضیح بیشتری بدهید؟

بله، در حال حاضر در فرآیند صدور بیمه نامه ها و به طور اخص بیمه نامه های زندگی، تعیین وضعیت سلامت بیمه شده و میزان ریسک بروز بیماری در حال و آینده توسط پزشکان معتمد صورت می پذیرد که گاها در خصوص یک فرد نظریه ها و درصدهای مختلفی از ریسک اعلام میشود. در این طرح با کمک هوش مصنوعی تلاش شده است ریسک سنجی دقیق و سریع با ضریب اطمینان و بر مبنای الگوههای خسارتی و قوانین و بخشنامه های داخلی و بین المللی صورت پذیرد و وحدت رویه مناسبی جهت تعیین درصد ریسک وجود داشته باشد. 

۷. لطفا درخصوص مزیت رقابتی این طرح در بهبود کسب کار بیمه ای و بازاریابی توضیحات بیشتری ارائه فرمایید؟

یکی از مزایای این طرح بهبود بازار و فضای کسب و کار در بیمه های زندگی می باشد، باید توجه داشت که در فرآیند صدور بیمه نامه پس از انجام مذاکره و نرخ دهی در جهت مشتری مداری و تکریم ارباب رجوع باید صدور به سرعت و با دقت و محاسبه سریع ریسک بروز خطر و فاکتورهای سلامت صورت پذیرد. در حال حاضر در صدور بیمه نامه زندگی (عمر) پس از مذاکره و در حین فرآیند صدور به علت بررسی وضعیت سلامت و تعیین ریسک اضافه نرخ پزشکی عملیات صدور تا تعیین اضافه نرخ توسط پزشک مسکوت می ماند به همین علت در موارد زیادی مشتری به علت طولانی شدن فرآیند صدور و یا حتی حراس از معاینات پزشکی از ادامه کار منصرف میشود و عملا صدور هیچگاه کامل نمیشود. این طرح با تعیین ضریب ریسک سلامت افراد به صورت هوشمند این مشکل را مرتفع کرده و با کوتاه کردن فرآیند صدور باعث کاهش هزینه ها نیز می شود

از طرفی با قابلیتهای طرح فوق الذکر صدور اینترنتی (تمام الکترونیکی) بیمه های زندگی نیز امکان پذیر خواهد شد

۸.در حال حاضر در چه مرحله ای از پیشرفت کار هستید؟

همانطور که خدمتتان عرض کردم نمونه اولیه موتور هوش مصنوعی با کاربری محدود در حال حاضر مستقر شده است و البته شایان ذکر است که با توجه به عدم وجود نمونه مشابه و جدید بودن تکنولوژی، ما بر آن شدیم که بستر نرم افزاری (frame-work) مناسب جهت استفاده از این موتور هوشمند را به صورت جداگانه طراحی و تولید کنیم.

در حال حاضر در تلاش برای آموزش ماشین هوشمند(Training) هستیم و سامانه هر روز به بلوغ اطلاعاتی نزدیکتر می شود و به موازات این تلاش، بستر نرم افزاری هم در حال تکامل می باشد که با حمایت و یاری همکاران و مدیران انشاالله به زودی رونمایی از سامانه در دستور کار قرار خواهد گرفت.

در فاز عملیاتی سامانه، در قدم اول به صورت پایلوت سرویس دهی را آغاز میکنیم و به تدریج کاربران شعب و نمایندگی ها اضافه خواهند شد و البته در طول فعالیت سامانه آموزش آنلاین ماشین یادگیرنده برابر داده های ورودی به صورت خود آموز ادامه خواهد داشت

۹.لطفا چگونگی عملکرد سامانه هوشمند را توضیح دهید؟

عملکرد بدین صورت است که ماشین یادگیرنده در حال حاضرتحت آموزش تجمیعی قرارگرفته است بدین مفهوم که اصول، قوانین، آیین نامه ها و بخش نامه ها در سه سطح بین المللی، کشوری و سازمانی به سامانه هوشمند آموزش داده میشود.

سامانه در جهت پاسخ به درخواستها، با تحلیل آماری و استفاده از الگوهای آماری و داده ایی که آموزش پذیرفته است نتیجه ای بازیابی کرده و سپس به داده های سه سطح فوق الذکر مراجعه و پاسخ مناسب را به درخواست کننده که ممکن است هر یک از بخشهای فرآیند بیمه گری باشد ارسال میکند

البته منظور از پاسخ مناسب این است که استنتاج ماشین باید با اصول، قوانین، آیین نامه ها و بخشنامه ها در سه سطح فوق الذکر همخوانی داشته باشد در این مرحله ماشین نتیجه استنتاج خالص خود و نتیجه بدست آمده پس از همخوان سازی با قوانین را به اضافه عنوان دقیق مورد قانونی به درخواست کننده اعلام میکند و بنا به دسترسی واحد درخواست کننده و تصمیم سازمان، سیستم قابلیت انتخاب هریک از این نتایج برای ادامه روند بیمه گری در سامانه را به وجود می آورد.

در موارد خاص اگر دو یا چند بخش نامه قانونی در تضاد باشند سامانه برابر آموزشهای خود مورد را به واحد بالا دستی ارجاع میدهد تا تصمیم گیری نهایی صورت پذیرد.

البته این نکته قابل ذکر است که بخش قوانین و بخشنامه ها یکی از بخشهای بسیار مهم موتور هوش مصنوعی میباشد که در زمان آموزشهای تجمیعی و طول حیات سامانه و با صدور بخشنامه ها و تصویب قوانین جدید مکررا مورد آموزش و بروزرسانی قرارخواهد گرفت و در این فرآیند تناقضات آیین نامه ای یا قانونی به طور اتوماتیک به واحدهای بالا دستی ارجاع داده خواهد شد.

۱۰. شما در خصوص ماشین های یادگیرنده صحبت کردید در این خصوص برای مخاطبین توضیحات بیشتری ارائه کنید؟

آموزش ماشین های یادگیرنده یا یادگیری ماشینی ( Machine Learning )که به اختصار آن را ML می خوانند در حقیقت تلاش دارد با الگوریتم ها، مدلهای آماری و الگوها به ماشین قدرت استنباط و استخراج مقادیر صحیح را بدهد در این علم ماشین با استفاده از داده های نمونه روابط بین اطلاعات را استنباط کرده و برای داده های ورودی جدید عملیات تصمیم گیری و حتی پیش بینی انجام میدهد.

به طور مثال جهت تشخیص وجود بیماری قلبی در یک فرد اگر تعداد محدودی نوار قلب افراد بیمار و سالم را قبلا به ماشین آموزش داده باشیم، ماشین با مشاهده نوار قلب فرد جدید با احتمال بسیار مناسب و سریعی تشخیص وجود بیماری و حتی درصد ریسک بروز بیماری قلبی در آینده فرد مورد نظر را خواهد داد.

البته در مثال بالا فقط یک فاکتور نوار قلب را در نظر گرفتیم و بدیهی است که فاکتورهای بیماری و یا ریسک بروز بیماری های مختلف و متنوع در افراد بسیار بیشتر هستند و ماشین آموزش پذیر با ترکیب تمامی فاکتورهای ریسک پذیری یک فرد، عملیات تعیین ریسک سلامت فرد را در کسری از ثانیه با سرعت و دقت بسیار بالا انجام می دهد که برای هوش انسانی معمولا این نوع ترکیب احتمالات و حصول نتایج ممکن، غیر قابل انجام است و یا ساعتها و گاها روزها وقت می برد.

جالب است گفته شود در آموزش ماشین یادگیرنده، روشهای تربیتی معمول برای موجودات زنده به صورت الگوریتمیک شبیه سازی می شوند. به طور مثال نظام تنبیه و تشویق یکی از این روشها می باشد. همچنین نظام یادگیری نظارت محور و یادگیری خود آموز با استفاده از الگو و سرمشق و سایر روشها که در این مبحث نمی گنجد. البته با توجه به گسترش روز افزون این علم هر روزه روشها و الگوریتمهای جدیدی در مقالات و بخشهای عملیاتی پیشنهاد و به کارگرفته می شود.

قابل ذکر است که در عملیات آموزش ماشین یادگیرنده علاوه بر علم نرم افزار، علم آمار و احتمال و ریاضی هم کاربرد موثری دارند و بسته به ورودی های سیستم، شناخت نوع داده ها بسیار مهم و حیاتی میباشد

۱۱.چه چالشهایی در مورد پیاده سازی سیستم های مبتنی بر هوش مصنوعی می بینید و راه کارهایتان در این خصوص چیست؟

خوب همانطور که در مطالب فوق بحث شد هوش مصنوعی و علوم مرتبط با آن تکنولوژی های نوین و پیشرفته ای هستند که به مانند هر چیز جدیدی، درک و فرهنگ مناسب سازمانی را طلب میکند. در بخشهای مختلف سازمان و جلسات سازمانی گاها برداشتهای متفاوتی از قابلیتهای و موارد استفاده هوش مصنوعی وجود دارد که در قدم اول شرح توانایی ها و توضیح کاربردها توسط رسانه های سازمان بسیار مفید فایده میباشد.

از طرفی پیاده سازی سامانه های هوشمند نیازمند حمایت و همکاری همه بخشها و به ویژه مدیران می باشد که این مهم اگر چه در بسیاری از موارد محقق شده است ولی هرچه بیشتر شدن آن علاوه بر دلگرمی ما باعث ایجاد خلاقیت و سرعت هرچه بیشتر پیشرفت کار می شود.

ایجاد زیر ساختهای مناسب سخت افزاری و ارتباطی هم از موارد بسیار مهم در اینگونه پروژه ها میباشد. باید به این امر توجه داشت که اگرچه در حال حاضر موتور هوش مصنوعی پیاده سازی شده است ولی در مراحل عملیاتی کردن آن باید جهت بهینه کردن سرویس دهی و گرفتن بازدهی مناسب از آن زیرساخت و پیکر بندی مناسب انجام پذیرد

باید به این مهم هم توجه داشت که سامانه های هوش مصنوعی بر پایه اطلاعات و داده ها عمل و تصمیم گیری میکنند و فرآیند آموزش سامانه و به بلوغ رساندن آن با توجه به حجم آموزشهای که داده میشود ممکن است از چند ماه تا چند سال به طول بیانجامد و در طول حیات سامانه هم آموزشها دائما ادامه دارد و هرچه سامانه بیشتر مورد استفاده قرار بگیرد آزموده تر و با بالغتر میشود این فرآیندها مستلزم صرف وقت، هزینه و سرمایه گذاری میباشد.

همچنین، اگرچه کشور عزیزمان در شرایط خاص تحریم های ناعادلانه به سر میبرد ولی با تلاش همکاران و دوچندان کردن تلاش و فعالیت میتوان بر مشکلات فائق آمد و به هر حال در مسیر پیشرفت بود

۱۲.لطفا به عنوان کلام آخر اگر مطبی دارید بفرمایید؟

در پایان میخواهم عرض کنم که توجه به طرحها و ایدهای نوین و چالشی همیشه باعث بروز تحولات مثبت و افزایش بهره وری در سازمان میگردد اگرچه در آغاز راه ممکن است سختیها و مرارتها و هزینه هایی هرچند ناچیز برای سازمان ایجاد کند. طرحها و پروژه هایی از این دست جهت پیشرفت و بلوغ هرچه بیشتر و سریعتر نیازمند حمایت و همراهی همکاران و مدیران سازمان میباشد تا با دلگرمی و انگیزه هرچه بیشتر اجرایی شوند

 ضمن تشکر از شما بخاطر اینکه این فرصت را در اختیار بنده قرار دادید، از تمامی همکارانی که در این زمینه به ما یاری رساندند به ویژه جناب آقای حضرتی و همکاران فن آوری اطلاعات و آمار، سرکار خانم محمودی و دکتر شهرابی همکاران واحد مدیریت اشخاص،  جناب دکتر کاظمی که همیشه پشتیبان و راهنمای ما بوده اند، سرکار خانم اجاقی و جناب آقای جباری و جناب آقای پرهیزکاری تشکر کنم.

همچنین از جناب آقای بختیاری مدیرعامل محترم بیمه ایران کمال تشکر را دارم