Phần 2: Thách thức của AI tạo sinh (Gen AI) trong ngành bảo hiểm: Cân bằng tiềm năng và bất lợi - Chuỗi bài AI Tạo sinh đột phá ngành tài chính (ngân hàng, bảo hiểm): Cơ hội, Thách thức, Bước khởi đầu
 |
| Phần 2: Thách thức của AI tạo sinh trong ngành bảo hiểm: Cân bằng tiềm năng và bất lợi |
Mặc dù không nghi ngờ gì về tiềm năng to lớn của AI tạo sinh trong lĩnh vực bảo hiểm (tham khảo các cơ hội ứng dụng AI tạo sinh trong ngành bảo hiểm), nhưng ngành này sẽ cần vượt qua một số trở ngại để khai thác triệt để các lợi ích.
1. Sai sót của AI và nhu cầu tư duy phê phán
Như đã thảo luận trong bài đăng trước, các mô hình học máy có thể tạo ra nội dung không chính xác so với sự thật với mức độ tự tin cao, một hiện tượng được gọi là hoang tưởng (hallucination). Cho đến nay (tháng 4/2023), vẫn chưa có giải pháp toàn diện nào cho vấn đề này. Vì lý do đó, các mô hình này không thể hoạt động tự động, cũng như không nên thay thế đội ngũ hiện có của bạn. Thay vào đó, trọng tâm nên là nuôi dưỡng một môi trường làm việc cộng tác giữa các chuyên gia người thật và AI (trí tuệ nhân tạo, viết tắt của Artificial Intelligence). Điều này có thể dẫn đến sự chấp nhận rộng rãi hơn việc áp dụng các công nghệ AI và kết quả tối ưu cho quá trình chuyển đổi doanh nghiệp dựa trên AI của bạn. Ban lãnh đạo phải đảm bảo với nhân viên rằng AI nhằm mục đích hỗ trợ năng lực của họ, và thúc đẩy một nền văn hóa thử nghiệm - lý tưởng là cho các trường hợp sử dụng nội bộ ban đầu. Xét đến bản chất của những mô hình mới này, việc chấp nhận các đầu ra của chúng theo giá trị bề mặt là rất quan trọng. Vì vậy, các nhà lãnh đạo nên thúc đẩy tư duy phê phán trong các đội ngũ của họ để đảm bảo việc triển khai hiệu quả các giải pháp AI.
"Các mô hình AI/ học máy có thể tạo ra nội dung không chính xác so với sự thật với mức độ tự tin cao, một hiện tượng được gọi là hoang tưởng (hallucination). Do đó, các mô hình này không thể hoạt động tự động, cũng như không nên thay thế đội ngũ hiện có của bạn."
2. Thách thức về bảo mật của các ứng dụng bảo hiểm AI
Các vấn đề bảo mật là một mối quan ngại lớn khác. Vì các mô hình AI tạo sinh đầu cuối thường là tài sản riêng của các tổ chức như OpenAI hoặc Cohere, việc triển khai chúng trong môi trường đám mây (cloud) hoặc tại chỗ (on premise) chuyên dụng hiện đang không thực tế cho lắm. Ràng buộc này làm khó để điều chỉnh các mô hình và luồng dữ liệu liên quan của chúng.
Ngoài ra vẫn còn những quan ngại đang diễn ra về việc chia sẻ thông tin nhạy cảm, chẳng hạn như dữ liệu khách hàng hoặc kiến thức độc quyền của công ty, với các mô hình học máy, cũng như những bất định liên quan đến bản quyền. Các chính sách quy định vẫn đang phải tiếp tục phát triển để theo kịp những cải tiến mới nhất. Do đó, các thử nghiệm ban đầu nên ưu tiên sử dụng dữ liệu công khai hoặc dữ liệu nội bộ ít nhạy cảm hơn. Hơn nữa, thông tin nhận dạng cá nhân (PII, viết tắt của personally identifiable information) phải được làm sạch trước khi có thể được sử dụng trong giới hạn pháp lý của các luật bảo vệ dữ liệu khu vực.
Trong khi các cuộc trò chuyện được ghi lại, chuyển đổi thành văn bản và tóm tắt bởi một công cụ AI, thì việc triển khai các phương pháp không thể từ chối/ chống thoái thác (non-repudiation) là rất quan trọng để đảm bảo nguồn gốc và tính toàn vẹn của dữ liệu. Các bản tóm tắt được tạo ra không hoàn hảo và do đó cần được nhân viên tư vấn qua điện thoại kiểm tra và điều chỉnh.
Để tránh tranh chấp trong các khiếu nại giữa khách hàng và công ty bảo hiểm (trường hợp ứng dụng phổ biến thứ 3), mọi thay đổi đối với văn bản được tạo ra đều cần được ghi lại trong nhật ký kiểm toán để đạt được tính truy xuất nguồn gốc.
Điều quan trọng là phải thừa nhận rằng những thách thức từ các cách tiếp cận học máy truyền thống, chẳng hạn như những định kiến và bất công vẫn tồn tại. Việc tuân thủ các nguyên tắc AI có trách nhiệm (responsible AI) là điều cực kỳ quan trọng để triển khai thành công các mô hình mới này. Để đảm bảo sử dụng có đạo đức và hiệu quả, điều cần thiết là phải tuân theo các khung làm việc đã được thiết lập cho việc phát triển AI có trách nhiệm.
Bằng cách ưu tiên các thực hành AI có trách nhiệm, chúng ta có thể khai thác sức mạnh của AI tạo sinh đồng thời giảm thiểu các rủi ro tiềm ẩn và nuôi dưỡng niềm tin vào những công nghệ chuyển đổi này.
3. Dữ liệu cho AI tạo sinh trong bảo hiểm
Như đã đề cập, dữ liệu cho việc triển khai AI là vô cùng quan trọng và càng quan trọng hơn với AI tạo sinh. Trong bài viết vào ngày 9 tháng 4, 2024, các tác giả: Dan Klein và Neelesh Parekh của Zuhlke đã làm rõ thêm về tầm quan trọng của chất lượng dữ liệu đối với AI tạo sinh trong bảo hiểm.
Chất lượng dữ liệu là yếu tố quan trọng để triển khai thành công AI trong lĩnh vực bảo hiểm. Các mô hình được phát triển trên dữ liệu không phù hợp không chỉ lãng phí nguồn lực mà còn có thể cung cấp kết quả rất không chính xác và gây tổn hại cho doanh nghiệp. Sự thành công của bất kỳ việc triển khai AI nào đều phụ thuộc vào việc có dữ liệu gốc chất lượng cao giải quyết một trường hợp sử dụng cụ thể hay không.
Ngành bảo hiểm là một ví dụ tuyệt vời. Lĩnh vực này mang đến những thách thức đặc biệt, với các quy trình phức tạp trong các lĩnh vực như thẩm định bảo hiểm/ đánh giá rủi ro và xử lý khiếu nại. Việc sử dụng AI tạo sinh trong bảo hiểm không đơn giản chỉ là triển khai cùng một công nghệ từ bối cảnh này sang bối cảnh khác mà đòi hỏi một cách tiếp cận tùy chỉnh hơn (bespoke approach). Điều này đòi hỏi dữ liệu được cấu trúc tốt, phù hợp và chất lượng cao.
Nếu ngành bảo hiểm có thể cung cấp dữ liệu chất lượng cao và nhất quán, tác động và lợi ích sẽ rất lớn. Điều này sẽ đặt nền móng cho các công cụ hỗ trợ cả chuyên gia và khách hàng, tiết kiệm thời gian, nâng cao hiệu quả hoạt động và cải thiện sự hài lòng của khách hàng. Vậy làm thế nào điều đó có thể trở thành hiện thực?
3.1. Vai trò của các mô hình ngôn ngữ lớn trong AI tạo sinh
Trước khi đi sâu vào chủ đề chất lượng dữ liệu, điều quan trọng là phải đề cập rằng nằm ở trung tâm của công nghệ AI tạo sinh là các mô hình ngôn ngữ lớn (LLMs) tạo ra đầu ra mô phỏng ngôn ngữ tự nhiên của con người. Ở mức cơ bản nhất, LLM là các thuật toán học tập từ tập dữ liệu khổng lồ, xử lý và tạo ra văn bản dựa trên dữ liệu đầu vào đã được đào tạo.
Các giai đoạn phát triển ban đầu của LLM thường liên quan đến việc sử dụng các tập dữ liệu lớn, có thể khác nhau về chất lượng. Tuy nhiên, giai đoạn đào tạo rộng rãi này là cần thiết vì nó giúp mô hình thiết lập sự hiểu biết về ngôn ngữ và các biểu mẫu.
Tuy nhiên, tiềm năng thực sự của các giải pháp AI tạo sinh và tầm quan trọng của chất lượng dữ liệu được thể hiện trong quá trình hiệu chỉnh sau này. Bạn thấy đấy, để tinh chỉnh mô hình, trọng tâm nên chuyển sang sử dụng các tập dữ liệu nhỏ hơn nhưng rất cụ thể và lựa chọn các nguồn dữ liệu phù hợp để đảm bảo hệ thống có thể thực hiện nhiệm vụ của mình một cách chính xác và đáng tin cậy.
=> Xem thêm: Các phương án triển khai AI tạo sinh (GenAI)
Sử dụng LLM, AI tạo sinh có tiềm năng đơn giản hóa các hoạt động trên toàn chuỗi giá trị bảo hiểm bằng cách tự động hóa các tác vụ thường xuyên và nâng cao khả năng ra quyết định. Hãy xem lại các ví dụ 3 trường hợp sử dụng phổ biến nhất trong bài viết trước.
Tất nhiên, việc sử dụng AI tạo sinh trong bảo hiểm không phải là không có thách thức. Các rào cản về văn hóa và kỹ thuật - chủ yếu là các mối quan ngại về tính minh bạch và sự tin tưởng - phải được cân nhắc cẩn thận. Hơn nữa, tốt nhất nên bắt đầu từng bước nhỏ trước khi thực hiện triển khai LLM quy mô lớn vì trước tiên bạn cần làm đúng công việc dạy cho "máy học".
Cuối cùng, chất lượng của dữ liệu được sử dụng trong các hệ thống này ảnh hưởng trực tiếp đến giá trị mà chúng mang lại, nhấn mạnh tầm quan trọng của việc các công ty bảo hiểm phải ưu tiên vấn đề chất lượng dữ liệu ngay từ bây giờ.
3.2. Tại sao chất lượng dữ liệu lại quan trọng đối với các hệ thống AI tạo sinh trong bảo hiểm?
Câu nói phương ngôn kinh điển "đầu vào là rác, thì đầu ra cũng là rác" (garbage in, garbage out) mô tả nhu cầu về dữ liệu chất lượng cao khi xây dựng các hệ thống AI. Nếu bạn đào tạo một mô hình trên dữ liệu kém chất lượng hoặc không liên quan, kết quả rất có thể sẽ thất vọng. Tuy nhiên, việc gán nhãn dữ liệu là "tốt" hoặc "xấu" theo cách này có thể quá đơn giản. Để thực sự hiểu được chất lượng dữ liệu, cần có nhiều sự tinh tế hơn.
Sự thật là một tập dữ liệu không phải lúc nào cũng tốt hoặc xấu - thay vào đó, tất cả đều phụ thuộc vào vấn đề cụ thể mà bạn đang cố gắng giải quyết. Một nguồn dữ liệu có thể rất phù hợp cho một mô hình AI và hoàn toàn vô giá trị đối với mô hình khác. Đó là lý do tại sao việc lựa chọn dữ liệu tốt nhất cho từng tác vụ lại rất quan trọng.
3.3. 5 cân nhắc dữ liệu để xây dựng các giải pháp AI tạo sinh chất lượng cao
Để đổi mới trong lĩnh vực bảo hiểm có hiệu quả, các mô hình AI phải được đào tạo trên các nguồn liên quan cao. Việc sử dụng dữ liệu không phù hợp có thể đem lại nhiều rủi ro tiềm ẩn. Do đó, khi bắt đầu hành trình AI tạo sinh của bạn, hãy lưu ý các cân nhắc chính sau về chất lượng dữ liệu.
 |
| Ảnh: 5 cân nhắc dữ liệu để xây dựng các giải pháp AI tạo sinh chất lượng cao |
i. Toàn vẹn dữ liệu
Trước tiên, đảm bảo tính toàn vẹn dữ liệu là điều tuyệt đối quan trọng. Bạn cần sử dụng đúng dữ liệu cho tác vụ và triển khai các khung làm việc kỹ thuật nghiêm ngặt để kết nối và đảm bảo chất lượng của dữ liệu đó. Nếu không, nếu bạn sử dụng thông tin kỹ thuật số không phù hợp, thiên vị hoặc không đại diện, có thể xảy ra hiện tượng hoang tưởng. Đó là hiện tượng mà các mô hình AI tạo ra các mẫu giả trong đầu ra của chúng - có thể gây ra nhiều tác hại hơn là lợi ích.
ii. Tính thời sự
Thứ hai, dữ liệu được sử dụng để đào tạo và hiệu chỉnh các hệ thống vẫn phải còn liên quan. Rốt cuộc, tính thời sự của dữ liệu có thể giảm dần khi các chuẩn mực xã hội, quy định và hoàn cảnh thay đổi.
Ví dụ, đại dịch COVID-19 đã thay đổi hồ sơ đánh giá rủi ro khi hành vi của mọi người khác biệt hoàn toàn trong thời kỳ đó. Mọi người đều ở nhà, lái xe ít hơn, phải tiêm phòng Covid, v.v... Do đó, dựa trên dữ liệu đó có thể dẫn đến kết quả không chính xác cho hệ thống AI của bạn.
iii. Độ chính xác của phản hồi
Các thực hành quản lý dữ liệu truyền thống trong lĩnh vực bảo hiểm thường hạn chế phạm vi cho học máy và phân tích toàn diện. Bằng cách chấp nhận quản lý chu trình vòng đời dữ liệu từ đầu đến cuối, các công ty bảo hiểm có thể cải thiện độ chính xác và khả năng áp dụng của các hệ thống AI tạo sinh của họ.
iv. Tuân thủ bảo vệ dữ liệu cá nhân
Không cần phải nói, các công ty bảo hiểm phải tuân thủ các quy định về dữ liệu vào mọi lúc mọi nơi. Tuy nhiên, việc đảm bảo tuân thủ đồng thời duy trì chất lượng dữ liệu là một cuộc cân bằng khó khăn.
Các ứng dụng AI có trách nhiệm phải được thiết kế để thích ứng với những thay đổi liên tục về quy định, bảo vệ cả quyền riêng tư dữ liệu và tính toàn vẹn.
v. Tính sẵn có của dữ liệu
Khi đào tạo các hệ thống AI tạo sinh, dữ liệu vượt ra ngoài cơ sở dữ liệu nội bộ đến các nguồn bên ngoài. Thách thức ở đây không chỉ là truy cập vào các tập dữ liệu bên ngoài đó. Điều cũng rất quan trọng là phải đảm bảo tính đáng tin cậy và liên quan của chúng.
Dữ liệu công khai rất có giá trị, đặc biệt trong giai đoạn đầu của việc đào tạo. Nhưng nó có thể mang định kiến bẩm sinh. Tương tự, dữ liệu nội bộ có thể bị khiếm khuyết hoặc lỗi thời. Việc thừa nhận và quản lý những rủi ro tiềm ẩn này là một bước đi quan trọng hướng tới việc có được dữ liệu chất lượng cao.
3.4. Chất lượng dữ liệu bảo hiểm và tầm quan trọng của sự giám sát của con người
Vậy, "tốt" có nghĩa là gì? Để giảm thiểu rủi ro và thực sự trở thành một doanh nghiệp được trao quyền bởi AI, các công ty bảo hiểm phải tập trung vào việc thu thập dữ liệu không chỉ chính xác và kịp thời mà còn liên quan trực tiếp đến thách thức cần giải quyết.
Theo cách đó, dữ liệu tốt nên là:
- An toàn
- Có thể truy cập khi cần thiết
- Được xác minh một cách tỉ mỉ để đảm bảo tính chính xác và liên quan
- Được lựa chọn với một mục đích rõ ràng
Điều cũng quan trọng là cần nhớ rằng vai trò của công nghệ không phải là thay thế chuyên môn của con người. Nó ở đó để hỗ trợ và nâng cao chuyên môn đó.
Do đó, trong bất kỳ dự án AI nào, sự giám sát của con người là không thể thiếu - từ các giai đoạn ban đầu của thu thập dữ liệu và đào tạo cho đến quá trình tinh chỉnh liên tục các mô hình. Nó giúp đảm bảo rằng kết quả là chính xác, đáng tin cậy và phù hợp với nhu cầu tinh tế của ngành bảo hiểm.
(....còn nữa)
Nguồn tham khảo:
- AI in insurance: GenAI use cases and considerations: https://www.zuehlke.com/en/insights/ai-in-insurance
- How data and AI can solve insurance’s strategic dilemma: https://www.zuehlke.com/en/insights/how-data-and-ai-can-solve-insurances-strategic-dilemma
- The importance of data quality for generative AI in insurance: https://www.zuehlke.com/en/insights/the-importance-of-data-quality-for-generative-ai-in-insurance
Hi vọng bài viết đã giúp bạn nắm được 3 trường hợp sử dụng điển hình của AI tạo sinh trong ngành bảo hiểm. Vậy các lãnh đạo hay phòng ban trong ngành cần lường trước những rủi ro và khó khăn gì? Đón đọc bài viết tiếp theo nhé?
Có thể bạn quan tâm?
Các ví dụ chuyển đổi số trong ngành tài chính, ngân hàng và bảo hiểm
- Hành trình chuyển đổi số mạnh mẽ từ thị trường bảo hiểm Trung Quốc
- Ping An Insurance (Bảo hiểm Bình An) và Hành trình số hóa tiên phong ở Trung Quốc
- Zhong An (bảo hiểm Trung An): nền tảng sinh ra cho chuyển đổi số ngành bảo hiểm Trung Quốc
- Insurtech (Công nghệ bảo hiểm): Định nghĩa, phân loại, xu hướng, và tác động tới các đơn vị bảo hiểm trong ngành
- Một số ví dụ về các công ty bảo hiểm chuyển đổi số và insurtech khác trên toàn cầu
Chuỗi bài AI Tạo sinh đột phá ngành tài chính (ngân hàng, bảo hiểm): Cơ hội, Thách thức, Bước khởi đầu
A - Ngành ngân hàng (banking)
1 - Giá trị, các cơ hội chính và ứng dụng chủ đạo
3 - Mở rộng quy mô ứng dụng AI Tạo sinh (GenAI)
B - Ngành bảo hiểm
Chuỗi bài viết Sẵn sàng cho Trí tuệ Nhân tạo (AI): Điều Lãnh đạo CNTT CIO Cần Biết và Làm.
- Phần 1: Xác định tham vọng AI | Sẵn sàng cho Trí tuệ Nhân tạo: Điều Lãnh đạo CNTT CIO Cần Biết và Làm
- Phần 2: Các phương án triển khai AI | Sẵn sàng cho Trí tuệ Nhân tạo: Điều Lãnh đạo CNTT CIO Cần Biết và Làm
- Phần 3: Xác định các rủi ro của AI | Sẵn sàng cho Trí tuệ Nhân tạo: Điều Lãnh đạo CNTT CIO Cần Biết và Làm
- Có cần bổ nhiệm CAIO (Giám đốc Cấp cao về AI)?
- Giải thích về Các Mô hình Ngôn ngữ Lớn (LLMs) & AI Tạo sinh (GenAI)
- Gartner Dự báo 10 Công nghệ chiến lược hàng đầu năm 2024 và xa hơn
- Xu hướng 6: AI (Artificial Intelligence): Trí tuệ nhân tạo
Nhận xét