AI rješenja za osiguranje
Damage assessment iz fotografija i underwriting automatizacija koji skraćuju ciklus likvidacije sa sedmica na sate, sa anti-fraud signalima ugrađenim u pipeline.
Operativni izazovi u industriji
- ● Procjena štete iz 4-12 fotografija po vozilu sa varijabilnim uvjetima (osvjetljenje, ugao, kvalitet kamere) - ručni adjuster ima prosjek odstupanja 18% od stvarnog troška popravke.
- ● Anti-fraud detekcija manipulisanih slika i prijavljenih ranijih šteta - 7-9% prijava u P&C sektoru ima fraud indikatore koji se manuelno propuštaju.
- ● Underwriting commercial property sa multi-source risk podacima (satelit, flood zone, seizmika, požar) gdje se podaci ažuriraju različitom dinamikom i u različitim CRS-ovima.
- ● Integracija sa core insurance sistemima (Guidewire ClaimCenter, Sapiens) gdje custom polje proširenja i workflow trigger-i nisu trivijalni za vanjske AI servise.
- ● Reinsurance treaty/facultative routing koji u realnom vremenu odlučuje retenciju i cesiju, sa direktnim utjecajem na quote koji broker vidi u portalu.
Demo case studies
Damage assessment iz fotografija sa procjenom troška popravke i anti-fraud signalima
Osiguravajuće društvo sa portfeljom od 240.000 KASKO polisa procesuiralo je oko 18.000 šteta godišnje. Prosječni TAT (turnaround time) od prijave do isplate bio je 14 dana, sa adjusterom koji fizički dolazi na lokaciju za 95% slučajeva. Mali zahtjevi (do 1.500 EUR) činili su 61% volumena ali su trošili nesrazmjerno mnogo adjuster vremena.
Sistem je morao prihvatiti 4-12 fotografija vozila iz korisničke aplikacije, detektovati svaki damage region (instance segmentation), klasifikovati tip štete (deformacija, ogrebotina, lom stakla, spaljeno), procijeniti dubinu i veličinu i mapirati na konkretne dijelove vozila prema VIN-u. Sve to sa anti-fraud slojem koji detektuje EXIF manipulacije, splice artifacts i stare štete prijavljene kao nove. Adjusteri na terenu trebali su offline-capable aplikaciju za područja sa slabim signalom.
Izgradili smo dvostepeni vision pipeline. Prvi sloj je YOLOv8-based detector treniran na 84.000 anotiranih fotografija (interni dataset plus pojačanje sa CrashD i custom synthetic data iz Blender pipeline-a) koji lokalizuje vozilo i isključuje pozadinu. Drugi sloj je Mask R-CNN sa custom backbone-om koji za svaku detektovanu damage instance daje masku, klasu (12 kategorija) i severity score. Depth estimation (MiDaS finetune) procjenjuje dubinu deformacije iz monokularnih slika, što feeduje u cost model. VIN se čita preko OCR-a iz saobraćajne i koristi za dohvat strukture vozila preko AudaPad/DAT API-ja - mapiranje detektovanih maski na konkretne dijelove (haube, blatobran, vrata) radi se preko 3D template projekcije. Cost model je gradient boosting koji uzima part cost (iz vendor API-ja), labor hours (iz tabela po marki/modelu), severity i regionalne cijene rada. Anti-fraud sloj radi: (1) EXIF i C2PA verifikaciju, (2) error level analysis za splice detekciju, (3) reverse image search nad internim history fotografijama (CLIP embeddings + FAISS), (4) cross-check sa prijavama na drugim polisama istog vlasnika. Adjuster app je Flutter sa ONNX modelima quantizovanim na int8 za on-device inference, sa lokalnim SQLite cache-om i sync queue za upload kada se signal vrati. Total loss decision support koristi pravilo 70% (procijenjeni trošak vs. tržišna vrijednost) plus salvage value estimation.
PyTorch, Mask R-CNN, YOLOv8, MiDaS, Kornia, ONNX, Flutter, SQLite, FAISS, CLIP, FastAPI, Guidewire ClaimCenter integracija, AudaPad, DAT, Eurotax API
Demo primjer baziran na stvarnoj inženjerskoj praksi. Identitet klijenta povjerljiv prema NDA.
Underwriting automatizacija za commercial property sa multi-source risk scoringom
Osiguravač sa 6.200 commercial property polisa u portfelju (manufacturing, retail, warehouse, hospitality) radio je underwriting na svaku obnovu i novi rizik manuelno - prosjek 9 dana po riziku. Brokeri su gubili tendere zbog sporih kvota. Risk profil je rastao sa klimatskim eventima (poplave, oluje) bez sistematske geospatial procjene.
Trebali smo automatski underwriting flow gdje broker submituje polisu kroz portal i u manje od 60 sekundi dobija indikativnu kvotu, a u manje od 24h obavezujuću kvotu nakon document review-a. Sistem je morao raditi multi-source risk scoring (satelit, flood zone, seizmika, fire stations proximity, crime indeks), parsirati LDU/LPP dokumente i tehničke planove zgrada, klasifikovati industriju i odlučiti reinsurance retenciju vs. cesiju u realnom vremenu.
Risk scoring engine je hibrid: pravila (hard limiti po sumi osiguranja, isključenja po djelatnosti) plus XGBoost model treniran na 11 godina internih claims podataka spojenih sa katastrofalnim event registrima. Geospatial sloj koristi PostGIS bazu sa flood zone poligonima (lokalni hidrometeorološki institut), seizmičkim mapama (federalni geozavod), satelitskim NDVI i NDWI iz Sentinel-2 za vegetation/water proximity i custom layer-om za udaljenost od vatrogasnih jedinica. Document AI pipeline koristi LayoutLMv3 finetuneovan na 4.200 anotiranih LDU/LPP dokumenata, sa post-processing pravilima za izvlačenje korisne površine, godina izgradnje, materijala konstrukcije i broja spratova. Industry classification iz NACE koda mapira se na interne risk klase preko learnable embeddinga. Reinsurance routing je pravilima pokriven (treaty pragovi po sumi i klasi rizika), ali za rubne slučajeve facultative model predlaže reinsurere iz panela na osnovu apetita (history accept/decline patterni). Quote engine vraća indikativnu cijenu u manje od 800ms preko FastAPI gateway-ja koji broker portal poziva direktno; obavezujuća kvota traži document upload i prolazi kroz LayoutLM pipeline plus underwriter sign-off na composite slučajevima. Integracija sa Guidewire PolicyCenter ide preko Kafka event bridge-a sa idempotentnim upsert pattern-om.
Python, XGBoost, CatBoost, LayoutLMv3, PostGIS, GDAL, Sentinel Hub API, Maxar, FastAPI, Apache Kafka, Guidewire PolicyCenter, REST broker portal API, ONNX runtime
Demo primjer baziran na stvarnoj inženjerskoj praksi. Identitet klijenta povjerljiv prema NDA.
Tehnologije koje koristimo
Kako radimo
Discovery
Audit postojećeg claims i underwriting workflow-a, mapiranje integracija sa core sistemom (Guidewire/Sapiens), procjena dostupnosti istorijskih podataka i snimaka za training, regulatorni okvir (Solvency II, lokalni regulator).
Pilot
Pilot na ograničenom segmentu (npr. KASKO bez složenih šteta, ili commercial property do određene sume) sa shadow mode-om gdje AI predlaže ali underwriter/adjuster donosi finalnu odluku. Mjerenje agreement rate i kalibracija modela.
Implementacija
Integracija sa core insurance sistemom, broker portalom i mobilnim aplikacijama. Postavljanje document AI pipeline-a, anti-fraud servisa, geospatial baze i reinsurance routing logike. Training adjuster i underwriter timova.
Operacija
Kontinuirano monitoring loss ratio, fraud detection precision/recall, model drift na novim šablonima šteta, kvartalni retraining i rad sa reosiguravačima na rafiniranju treaty pragova.
Razgovarajmo o pilotu za vašu firmu
Discovery sesija je 60 minuta - razumijemo vaš problem i predlažemo konkretan pilot pristup.
Kontaktirajte nas