En samtale med Alexandra Diem, leder for AI og MLOps i Gjensidige.
AI eller KI? I Norge presses det på for å bruke den norske forkortelsen KI fremfor den mer internasjonale AI. I denne samtalen bruker vi AI.
Gjensidige er et norsk skadeforsikringsselskap som tilbyr forsikringsprodukter i Norge, Danmark, Sverige og i Baltikum. I Norge tilbyr selskapet også pensjon og sparing. Gjensidige.no
Alexandra Diem leder arbeidet med AI på konsernnivå i Gjensidige. Hennes ansvar, sammen med sitt team på 9 personer, er å sikre best practice innenfor bruk av maskinlæring og generativ AI i analyseteamene som sitter i forretningsenhetene.
Kunstig intelligens er på alles lepper om dagen, men noe helt nytt er det jo ikke. Hvilken bakgrunn har du, og hvor lenge tenker du at du har jobbet med kunstig intelligens?
Jeg har bakgrunn som anvendt matematiker innenfor medisin. Jeg begynte å jobbe med en doktorgrad i England med å utvikle matematiske modeller på biologiske prosesser som foregår i hjernen. For å finne ut hva som skjer i hjernen når man blir eldre og utvikler Alzheimer. Gjennom den tiden som forsker kom jeg i kontakt med kunstig intelligens i form av maskinlæring, og jeg har brukt maskinlæring aktivt siden 2012.
Hvordan definerer du maskinlæring?
Maskinlæring er en metode innen kunstig intelligens som baserer seg på statistikk, som vil si å bruke tall for å bygge en modell om hvordan prosesser fungerer for å kunne predikere prosesser som ikke er observert ennå.
Hvordan merker organisasjonen og kundene i Gjensidige at AI er under aktiv implementering akkurat nå?
For kundene bidrar dette arbeidet til mer effektiv og kjappere behandlingstid. Vi automatiserer det som automatiseres kan der det gir mening, slik at de kundene som har mer krevende saker får mer tid og støtte fra saksbehandler.
Organisasjonen merker at vi jobber mye med metodikk innenfor softwareutvikling. Både klassisk maskinlæring og bruk av generativ AI støtter seg mye på kodeutvikling. Utviklerne som jobber med kunstig intelligens må forholde seg til hvordan man skriver god kode. Det er viktig at utvikling av kode innenfor utviklingsmiljøene våre er såpass likt at det enkelt kan gjenbrukes av en annen person.
Innenfor hvilke forretningsområder og kundesegmenter har dere størst AI-fokus og nytte nå?
I denne fasen er vår oppmerksomhet først og fremst rettet mot å effektivisere vår egen backoffice. For eksempel har vi utviklet en virtuell analytiker som bruker GPT slik at medarbeidere i Gjensidige enkelt kan etterspørre de dataene de trenger uten å kunne skrive kode. På den måten kan for eksempel forretningsutviklere hente ut data selv når de trenger det uten å måtte beslaglegge tiden til avanserte analytikere. Den virtuelle analytikeren lager kode som trengs for å besvare forespørselen, og denne koden kan også brukes til å lære seg å skrive bedre kode for den som trenger det.
Vi har også stor nytte av generativ AI når det gjelder å oppsummere dokumentasjon i skadeforsikringssaker, og ikke minst å avdekke forsøk på svindel. Hvis en kunde for eksempel skriver i et dokument at hun ønsker å bli oppringt blir saken automatisk lagt i en telefonkø.
Formålet er hele tiden å kunne ekspedere enkle kundesaker raskt slik at vi kan frigjøre tid til de mer komplekse sakene. Maskinlæring med dette formålet er ikke noe nytt i Gjensidige. Vi har uoffisiell verdensrekord i raskt skadeoppgjør med utbetaling av erstatning 1,6 sekunder etter at skaden var meldt!
Å være verdensmester i raskt erstatningsoppgjør innebærer vel også en vis fare for feil og urettmessig oppgjør?
Ja, en sak må gjennom bestemte modeller og regelmotorer. For eksempel både interne og eksterne scoringmodeller og data. Et selskap på Gjensidiges størrelse har en stor intern database til slikt bruk. Samtidig er Norge et lite land der sanntidsdata gir kanskje mindre presisjon enn i et større marked som f eks USA. Vi må derfor vurdere hvilke teknologier som gir mest nytte for oss.
Hvordan kan utvikling innenfor AI skaffe aktører et konkurransefortrinn gitt at alle nå jobber med å utnytte dette best mulig?
Det viktigste er å ligge i forkant av utviklingen, og vi var en av de første finansinstitusjonene i Norden til å prioritere dette. Det er viktig for å kunne tiltrekke og beholde gode medarbeidere. Hovedfokuset er alltid å levere de beste kundeopplevelsene, og å ha de gode ideene til hvordan det kan gjøres.
Hvordan jobber din avdeling sammen med dem i Gjensidige som monitorerer kundetilfredshet og kundeopplevelser?
Mitt team jobber utelukkende med de ulike analyseteamene, som igjen jobber tett på forretningsområdene der dataene oppstår. Når det trengs danner vi virtuelle team på tvers for å løse konkrete problemer eller å få ideer. Hvis noen har løst samme problem tidligere blir det tilgjengelig for det virtuelle teamet. Vår oppgave er å støtte teamene til å hjelpe seg selv.
Hva er den viktigste overordnede oppgaven til ditt team? Å skaffe fornøyde kunder eller å spare penger?
Det er nok først og fremst å skape de mest fornøyde kundene. Det er jo det alle i Gjensidige jobber mest med. Tett etterfulgt av at det ikke må koste for mye penger, for det må være lønnsomt.
Ser du på bruken av AI som en kostnadsreduserende faktor?
Joda, det er nok det. Men så er det jo ikke det i starten. Man bruker jo litt poenger på å utforske hvordan det skal gjøres. Det er en investering. Som skal gi oss en effektivisering slik at vi kan få til mer med alle de flinke ansatte vi har i Gjensidige.
Er AI en hype? Noen begynner jo nå å stille spørsmål ved aksjeverdiene til de store AI-selskapene i verden.
Vi har jo for en stund siden vært ett eller annet sted i en slags hype og deretter i «AI-vinteren». Forventningen var definitivt større enn det som kunne leveres. Nå er vi i en litt mer «realistisk hype» fordi vi ser at f eks Open AI nå leverer resultater fra generativ AI. Spørsmålet nå er hvordan vi kommer oss bort fra de store modellene som sluker energi og ikke er bærekraftige, og over på mindre modeller som er mer spisset mot bestemte formål.
Hva tror du vil skje på dette området de neste 5-10 årene?
Jeg tror demokratisering av tilgang på data blir viktig. Slik vi har gjort med den virtuelle analytikeren jeg nevnte. At flere kan utnytte tilgjengelige data direkte. Og når vi snakker om at et selskap er «datadrevet» snakker vi fremdeles om tall, men fremover vil «datadrevet» i tillegg bety lyd, bilde og video. Ettersom dataingeniørene våre blir stadig flinkere vil de finne stadig nye problemer som kan løses.
Etiske problemstillinger dukker stadig oftere opp i omtalen av AI. Hva tenker du om det?
Nå er jo nettopp AI Act trådt i kraft, så dette temaet er veldig aktuelt. Selskapene har under tre år på seg til å implementere dette regelverket. Hos oss begynte vi med dette allerede for ett år siden, siden vi allerede da visste mye om hva som ville komme. Regulatoriske krav som skal beskytte sårbare grupper i befolkningen er ikke noe nytt i våre bransjer. Det AI Act tilfører er endra større oppmerksomhet omkring risiko i modellene. Reguleringene er egentlig et godt rammeverk som gjør det enklere for analytikerne å gjøre det de uansett sikter etter å gjøre, nemlig å sikre at AI-modellene ikke diskriminerer.
Hvordan håndterer dere datakvalitet og dataintegrasjon i prosjektene?
I klassisk maskinlæring var det viktigste å få rådataene på plass i et rammeverk som sørget for god kvalitet på rådataene. Med generativ AI er det i enda større grad kvalitetene på metadata som gjelder. For eksempel vet en analytiker hva en kolonne i en bestemt tabell inneholder, men en generativ AI-modell må ha en helt eksplisitt beskrivelse å forholde seg til.
Hvordan må virksomheten toppledelse forholde seg til AI?
Det er veldig viktig at de både vil prioritere og forstår dette området. Det er en forutsetning for å lykkes. Vi får sendetid hos toppledelsen, og vi sørger for at også dem uten teknisk bakgrunn får den nødvendige opplæringen om hva AI er og kan brukes til. Det gjelder alle i organisasjonen. For eksempel er det viktig å vite hvordan man effektivt skriver en promt i ChatGPT eller Microsoft Copilot. Man må glemme alt man kan om hvordan Google fungerer. I Google sier vi gjerne at «less is more» mens i generativ AI er det «more is more».
Er det noen deler av organisasjonen som ikke trenger kunnskaper om AI?
Nei! Jeg får ofte spørsmål om det er en fare for at noen kan miste jobben sin i konkurransen fra AI. Da svarer jeg at det tror jeg ikke, men at det er mer realistisk at noen kan kan gå glipp av en mulighet i konkurranse med noen som bruker generativ AI effektivt.
Hvordan klarer dere å holde dere oppdatert på utviklingen innen AI?
Vi eksperimenterer mye med vå løse problemer. Vi går også på konferanser og kurs i inn- og utland. Vi har også programmer for interns og graduates for å få inn både god kunnskap og driv og motivasjon.
