La fel ca multe alte sectoare industriale, industria asigurărilor se îndreaptă spre transformarea digitală.În acest scenariu, inteligența artificială (IA) joacă un rol din ce în ce mai important în angajarea clienților, detectarea fraudei, evaluarea riscurilor și contractarea. Balaji Adusupalli, lider de tehnologie și inovator bazat pe IA, a depus un efort curajos pentru a aborda această problemă prin lucrarea sa de cercetare intitulată "Pipeline de inginerie a datelor sigure pentru IA de asigurări federalizate: echilibrarea confidențialității, vitezei și inteligenței". Prin munca sa, Adusupalli a oferit o foaie de parcurs pentru construirea de sisteme AI de înaltă performanță, care să păstreze confidențialitatea și să fie scalabile, capabile să conducă decizii mai inteligente, respectând în același timp suveranitatea datelor. Mediile de învățare federalizate în asigurări Mediile de învățare federalizate în asigurări Secure Data Engineering în asigurări AI Companiile de asigurări sunt obligate să se ocupe de volume uriașe de date financiare, personale și comportamentale. Aceste date au fost în mod tradițional agregate și analizate folosind arhitecturi de date centralizate. Potrivit lui Adusupalli, există o nevoie urgentă ca sectorul asigurărilor să treacă la sisteme federalizate AI. În aceste sisteme, modelele sunt instruite local pe date descentralizate și sunt împărtășite doar informații agregate. Această abordare sporește respectarea legilor privind protecția datelor, cum ar fi GDPR și HIPAA, protejând în același timp confidențialitatea persoanelor. Dezvoltarea de conducte de inginerie a datelor sigure este esențială pentru această transformare propusă de Adusupalli. Acestea sunt conducte prin care datele brute sunt transformate, criptate, anonimizate și, în cele din urmă, utilizate pentru instruirea și validarea modelelor AI. Fiecare fază a acestei conducte a fost descrisă de cadrul Adusupalli, de la ingestia inițială a datelor până la implementarea finală a modelului. The Federated Insurance Data Engineering Pipeline Prin cercetarea sa, Adusupalli a introdus , un concept care orchestrează fluxul de date prin sisteme disparate, protejând în același timp informațiile sensibile. Federated Insurance Data Engineering Pipeline (FIDEP) a fost înființată Federated Insurance Data Engineering Pipeline (FIDEP) a fost înființată 
 
 
 
 
 Niveluri de anonimizare și criptare: protejarea identificatorilor și a valorilor numerice prin implementarea metodelor avansate de criptare, cum ar fi criptarea semantică și criptarea aleatorie. Segmentarea și etichetarea datelor: Separarea datelor brute în etichete și caracteristici, aplicând în același timp măsurile necesare pentru protecția confidențialității. Mecanisme de control al accesului: gestionarea permisiunilor de date și asigurarea trasabilității utilizând straturi de nivelare și autorizare la nivelul magazinului de caracteristici Secure Multiparty Computation (SMC): Asigurarea formării colaborative a modelelor fără scurgeri de date prin intermediul protocoalelor criptografice. Toate etapele acestui proiect au fost concepute pentru a maximiza utilitatea datelor fără a compromite confidențialitatea, permițând companiilor de asigurări să dezvolte modele puternice, respectând în același timp standarde stricte de conformitate. Privacy-Preserving Techniques Deoarece încrederea este primordială în această industrie, Adusupalli subliniază că tehnicile de păstrare a confidențialității trebuie să fie încorporate în conducta de date în sine. El recomandă protejarea atributelor sensibile prin utilizarea tehnicilor cum ar fi dovezile de cunoaștere zero, confidențialitatea diferențială și k-anonimitatea. Pipeline-ul include, de asemenea, mecanisme de validare și audit continuu, care ajută la menținerea fiabilității și corectitudinii modelului.Arhitectura se aliniază cu principiile gestionării responsabile a datelor și sprijină dezvoltarea etică a AI prin decuplarea instruirii modelului de accesul la date brute. Case Studies in Insurance AI Adusupalli a furnizat studii de caz interesante din lumea reală pentru a-și susține cadrul teoretic. 
 
 
 
 Auto Insurance: anticiparea pretențiilor și optimizarea strategiilor de stabilire a prețurilor fără centralizarea informațiilor personale prin instruirea modelelor de învățare profundă pe datele distribuite ale clienților. Asigurarea de sănătate: învățarea federată a fost utilizată de un program de wellness bazat pe consorțiu pentru a corela stimulentele premium cu datele de activitate, păstrând în același timp confidențialitatea individuală. O platformă federalizată a fost utilizată de mai multe asigurători pentru evaluarea riscurilor pe baza datelor de proprietate, asigurând în același timp conformitatea și localizarea datelor. Aceste exemple demonstrează scalabilitatea și versatilitatea conductei, evidențiind aplicabilitatea acesteia în diferite produse de asigurare și geografii. Provocări de abordat În ciuda fundației sale robuste, Adusupalli recunoaște că cadrul propus poate prezenta mai multe provocări în curs de desfășurare. 
 
 
 
 Interoperabilitatea: Integrarea sistemelor de date eterogene între brokeri, asiguratori și terțe părți poate fi un proces complex. Scalabilitate: poate fi necesară o orchestrare semnificativă pentru a sprijini mii de surse de date și modele în timp real. Amenințări adversare: În setările federate, este necesară o cercetare continuă și continuă pentru a asigura rezistența la atacurile de otrăvire și inversarea modelului. Conform cercetării, aceste provocări pot fi abordate prin dezvoltarea de standarde universale de date și prin încorporarea tehnicilor avansate de calcul securizat. Gânduri finale Cercetarea lui Balaji Adusupalli oferă un plan tehnic solid pentru viitorul AI în sectorul asigurărilor.Într-un moment în care tot mai mulți asigurători se îndreaptă spre AI pentru un avantaj competitiv, astfel de arhitecturi pot juca un rol important în asigurarea faptului că inovația nu vine în detrimentul transparenței și încrederii. “Pentru a permite avansarea colaborativă a AI-ului bazat pe securitate de la modele analitice la date private, adaptate nevoilor de protecție ale fiecărui individ, munca noastră va permite satisfacerea nevoilor concurente din trecut”, notează Adusupalli în cercetarea sa.

This story contains new, firsthand information uncovered by the writer.

Acest audio este produs în limba originală a poveștii!

Construirea de conducte de date sigure pentru AI de asigurări: perspective din cercetarea lui Balaji Adusupalli

About Author

COMENTARII

Etichete suspendate

ACEST ARTICOL A FOST PREZENTAT IN

Related Stories

How Soon Can Google Investors Make Bank?

Round the year with the stars by Garrett Putman Serviss - Table of Links

The TechBeat: Apple Customers Return Vision Pro By The Droves (2/26/2024)

The Data Behind Colorado's First-ever Rural Venture Capital Pitch Event

How Soon Can Google Investors Make Bank?

Round the year with the stars by Garrett Putman Serviss - Table of Links

The TechBeat: Apple Customers Return Vision Pro By The Droves (2/26/2024)

The Data Behind Colorado's First-ever Rural Venture Capital Pitch Event

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps