KASIKORN Business-Technology Group (KBTG) Labs, известная технологическая компания в Таиланде, заключила партнерское соглашение с Muang Thai Insurance PCL (MTI), чтобы использовать технологию машинного обучения (ML) для ускорения процесса оценки повреждений транспортных средств и оценки страхования. претензии. В текущем ручном процессе ремонтные мастерские оценивают ущерб и подают претензии в страховую компанию, которые затем проверяются и обрабатываются с участием нескольких партнеров и посредников.

Чтобы решить проблемы, связанные с этим ручным процессом, KBTG Labs совместно с Google Cloud разработали архитектуру решения. В существующем наборе данных, используемом для обработки претензий, были проблемы, связанные с качеством и количеством данных, такие как неверные описания и изображения, сделанные с неподходящего расстояния. Google Cloud предложила архитектуру решения, которая включает подход каскадной модели, включая оценку качества изображения.

Предлагаемая архитектура состоит из конвейера логического вывода, разработанного для обеспечения масштабируемости, высокой доступности и отказоустойчивости. Микросервис, обслуживаемый Google Kubernetes Engine, обрабатывает выполнение и выбор модели на основе входных и выходных данных промежуточных моделей. Изображения хранятся в облачном хранилище и отправляются для прогнозирования в корзину, чтобы помечаться для непрерывного обучения. Cloud SQL сохраняет результаты логического вывода для аналитики. Модель Image Qualifier, использующая Vertex AI, классифицирует входные изображения как хорошие или плохие, действуя как фильтр качества изображения и обеспечивая дальнейшую обработку только изображений, соответствующих стандартам качества.

Команда провела эксперименты, чтобы различать «хорошие» и «плохие» изображения с помощью модели Image Qualifier. Они обнаружили, что расстояние играет важную роль в качестве изображения, а использование изображений с соответствующими показателями расстояния улучшило точность и полноту модели ML примерно на 30%. Эксперименты показали, что разные метки расстояния, такие как «Расстояние 1», «Расстояние 2» и «Расстояние 3», по-разному влияют на производительность модели.

Ниже приведен пример истинного положительного дефекта поломки.

Чтобы повысить интерпретируемость классификации изображений, команда использовала объяснимый ИИ, функцию Вершинного ИИ. Объяснимый ИИ генерирует атрибуты функций или значения важности, которые иллюстрируют, насколько каждая входная функция способствует прогнозам модели и общей прогнозирующей способности. Используя объяснимый ИИ, команда смогла получить представление о поведении модели и оптимизировать ее производительность. Например, команда могла определить области, в которых модель фокусировалась на автомобильных фарах, для выявления дефектов поломки.

Изначально архитектура рассматривала классификацию повреждений и обнаружение объектов отдельно. Однако, основываясь на выводах объяснимого ИИ, было определено, что идентификация повреждений должна выполняться вместе с обнаружением объектов, чтобы свести к минимуму влияние фоновых объектов на процесс обнаружения.

Основные выводы из проекта включали важность фотографирования объектов с соответствующего расстояния для облегчения точного обнаружения повреждений транспортного средства и необходимость минимизировать влияние фоновых объектов. В качестве следующего шага команда планирует оценить результаты эксперимента, особенно в отношении процесса обнаружения объектов, с целью дальнейшего улучшения всей системы.