Страховые компании все чаще используют компьютерное зрение для автоматизации анализа фотоматериалов осмотра автомобилей. Технологии машинного обучения помогают проверять качество съемки, полноту охвата ракурсов и выявлять повреждения. Это ускоряет обработку заявок и снижает количество ошибок.
Крупные страховые компании ежегодно обрабатывают десятки тысяч фотоотчетов по осмотру автомобилей. Эта процедура выполняется в двух точках страхового цикла: при предварительном осмотре перед оформлением полиса и при осмотре после наступления страхового случая.
Фото- и видеоматериалы собираются клиентами или выездными агентами, а окончательное решение принимают сотрудники офиса – андеррайтеры. Таким образом, по каждому случаю формируется пакет документов и медиаматериалов, для разбора которого требуется значительный штат квалифицированных специалистов.
Технологии машинного обучения меняют подход к обработке таких данных в рамках страховых продуктов КАСКО и ОСАГО, помогая экспертам работать быстрее и точнее.
Бизнес-задача: оптимизация процессов и снижение количества ошибок
Обработка заявлений на оформление полиса или урегулирование убытков требует значительных временных и кадровых ресурсов. Специалистам приходится вручную просматривать десятки фотографий, анализировать видеозаписи, проверять полноту материалов и сопоставлять заявленные повреждения с изображениями. Это занимает много времени и повышает риск человеческой ошибки.
При анализе фотографий перед андеррайтером стоят три основные задачи:
- Выявить возможный факт мошенничества.
- Определить, что набор фотографий качественный и полный для формирования выводов по осмотру.
- Убедиться, что описание повреждений соответствует тому, что видно на снимках.
Как искусственный интеллект (ИИ) помогает в обработке заявок
Современные технологии помогают специалистам на нескольких ключевых этапах.
1) Поступление и структуризация данных. В систему загружаются материалы осмотра. Информация автоматически структурируется, а заявление дополняется данными из внутренних систем по нескольким категориям:
- Полис: дата, условия, стоимость, лимиты.
- Автомобиль: марка, модель, год выпуска, цвет, состояние, мощность.
- Страхователь: пол, возраст, род занятий, образование, женат/замужем.
- Связи страхователя с другими страхователями
- Финансовая информация: общая сумма доходов, выплат, лимитов.
Чем полнее анализ, тем точнее система может оценить риски и выявить возможное мошенничество.
2) Оценка рисков. На основе собранных данных система рассчитывает вероятность мошенничества и профилирует клиента. Это позволяет либо направить заявление по особому маршруту проверки, либо предоставить андеррайтеру справочную информацию. Далее сосредоточимся на автоматической проверке фотоматериалов.
После того как все материалы попадают в базу данных и становятся доступны специалистам, запускаются автоматизированные помощники для анализа фото и видео.
Алгоритм автоматизированного анализа фотоматериалов
Этап 1. Проверка качества съемки
Система оценивает полноту и качество фотографий по ряду критериев:
- Общее качество съемки: свет, контраст, искажения
- Резкость кадра и отсутствие размытия
- Статистические параметры: шум, артефакты сжатия, грязь
- Средняя яркость по кадру и наличие пересвеченных участков
Проверка реализована с помощью каскада ML-моделей, которые переводят параметры изображения в числовые метрики. Если материал не соответствует стандартам, система рекомендует переснять осмотр. На этом этапе автоматически отсеиваются непригодные для анализа фотографии.
Примеры «плохих» фотографий:
Этап 2. Проверка полноты фото- и видеоматериалов
Если пакет медиа-файлов прошел проверку качества, система оценивает его полноту. Для корректного анализа автомобиль должен быть сфотографирован со всех необходимых ракурсов.
Для этого используются две нейросети:
- Мобильная версия работает на устройстве съемки, определяет положение машины по 24 секторам и подсказывает оптимальные ракурсы в реальном времени.
- Серверная версия анализирует уже загруженные материалы, определяя 8 ключевых ракурсов (кратных 45 градусам).
Система проверяет, что в пакете присутствуют снимки со всех базовых ракурсов, и только после этого переходит к детальному анализу.
Этап 3. Анализ повреждений
Процесс состоит из трех шагов:
1) Сегментация деталей. Нейросеть, обученная на десятках тысяч размеченных изображений, выделяет на фото основные элементы автомобиля: дверь, капот, стекло, колесо.
2) Определение повреждений. Вторая модель, специально обученная для выявления дефектов, находит поврежденные области. Обе нейросети возвращают полигоны – маски, которые обводят детали и повреждения.
3) Сопоставление масок. Система анализирует пересечение масок деталей и повреждений. Элементы, которые пересекаются с зонами повреждений, заносятся в список. Также сохраняются контуры всех найденных дефектов.
В результате андеррайтер видит на портале не только исходные фотографии, но и подсказки системы: какие детали повреждены, согласно анализу нейросетей, и как это соотносится с заявлением. Дополнительно на снимках можно вывести подсветку найденных повреждений.
Это позволяет специалисту по урегулированию убытков сразу получить результаты предварительного анализа и дает инструмент для анализа фотографий.
Результаты внедрения
Использование базовых ML-инструментов позволяет компании:
- Сократить объем рутины за счет автоматического отсева некачественных материалов.
- Снизить процент человеческой ошибки, повышая концентрацию специалистов.
- Увеличить общую скорость обработки заявлений.
Заключение
Внедрение ИИ-технологий для анализа повреждений автомобилей – это практический инструмент повышения эффективности. Нейросети не заменяют специалистов-андеррайтеров, но становятся их надежными помощниками, беря на себя рутинную работу. Это освобождает время экспертов для решения задач, требующих настоящего человеческого опыта и сложных суждений.
Решение остается за человеком, и окончательный контроль сохраняется за специалистом, однако значительную часть предварительной работы уже можно делегировать искусственному интеллекту.