Deep learning y evaluación de riesgos: el caso del sector asegurador

Noticia

Comentario

Las estimaciones sobre el impacto económico de la inteligencia artificial suelen moverse en un terreno de alta incertidumbre. Según Minsait, empresa derivada de Indra, el sector de la IA podría llegar a representar el 25% del PIB mundial en las próximas décadas, una proyección basada en su experiencia en el sector asegurador. Más allá del dato macroeconómico —cuya precisión es, por naturaleza, especulativa— lo relevante en esta noticia es el contexto sectorial que la sustenta y la tecnología que lo hace posible: el Deep-learning. Se llega a afirmar que "Hoy en día, seis de cada diez entidades aseguradoras ya tienen implementados proyectos de inteligencia artificial, la mayoría utilizando plataformas de Deep-Learning". Esta cifra, a diferencia de la proyección del PIB, tiene un carácter verificable y refleja un proceso de adopción real. El sector asegurador, tradicionalmente basado en la agregación de datos históricos y en modelos estadísticos consolidados, está siendo transformado por la capacidad del Deep-learning para procesar grandes volúmenes de información no estructurada y detectar patrones que escapan a los métodos tradicionales.

¿Qué es el Deep learning?

El "Deep-Learning" o "Aprendizaje Profundo" es una rama del aprendizaje automático (machine learning) que se enfoca en la capacitación de algoritmos conocidos como redes neuronales artificiales para realizar tareas específicas sin requerir una programación detallada. Utiliza estructuras de redes neuronales con múltiples capas (de ahí el término "profundo") para aprender y representar datos de manera jerárquica. A través de estas capas, las redes neuronales pueden aprender automáticamente características y patrones complejos a partir de grandes conjuntos de datos.

A diferencia de los enfoques clásicos de machine learning, que requerían que los expertos humanos definieran manualmente las variables relevantes (ingeniería de características), el Deep-learning extrae esas características de forma autónoma durante el entrenamiento. Esta capacidad lo ha hecho especialmente eficaz en dominios como el reconocimiento de voz, la visión por computadora y el procesamiento del lenguaje natural —todas ellas áreas con aplicaciones directas en el ámbito asegurador.

En lugar de depender de la ingeniería de características manuales, como en algunos métodos de aprendizaje automático tradicionales, el Deep-Learning permite que el modelo aprenda automáticamente las características más relevantes durante el entrenamiento. Esto ha llevado a avances significativos en áreas como reconocimiento de voz, visión por computadora, procesamiento de lenguaje natural y otras tareas complejas donde la detección de patrones y la representación de características son fundamentales.

Aplicaciones en el sector asegurador

Por ejemplo, en el sector asegurador, la Inteligencia Artificial junto al Deep Learning, ayudan en el proceso de evaluación de riesgos para pólizas de seguros de automóviles. Esto es posible mediante el análisis de datos como historiales de conducción, ubicaciones geográficas, condiciones del tráfico, y más. Estos modelos pueden aprender automáticamente patrones que indican un mayor o menor riesgo, ayudando a las aseguradoras a ajustar las tarifas de manera más precisa. La evaluación de riesgos es una de las funciones centrales de las aseguradoras. Tradicionalmente, se basaba en modelos lineales construidos sobre variables predefinidas (edad, tipo de vehículo, código postal, etc.). El Deep learning permite incorporar un número mucho mayor de variables —incluyendo datos no estructurados como imágenes de accidentes o textos de reclamaciones— y capturar interacciones complejas entre ellas que los modelos tradicionales no pueden representar. En la detección de fraudes, el Deep-Learning puede analizar patrones sutiles en los reclamos y comportamientos de los asegurados, para identificar posibles actividades fraudulentas. Por ejemplo, al analizar grandes conjuntos de datos, un modelo de Deep-Learning puede detectar anomalías en las declaraciones y textos que escribe el asegurado, que podrían indicar un reclamo falso.

El fraude en el sector asegurador representa un coste significativo que, en última instancia, repercute en las primas de todos los asegurados. Los sistemas basados en Deep-learning pueden analizar el lenguaje de las reclamaciones, la consistencia temporal de los eventos declarados o la coincidencia con patrones conocidos de fraude con una sensibilidad que supera a los sistemas basados en reglas explícitas.

Beneficios y riesgos

Estas aplicaciones de Deep-Learning permiten a las compañías de seguros tomar decisiones más informadas y mejorar la precisión en la evaluación de riesgos, lo que beneficiaría, tanto a las aseguradoras como a los asegurados, al contribuir a una asignación más justa y eficiente de las tarifas y al reducir el riesgo de fraude. Sin embargo, entraña otros problemas y asuntos pendientes de resolución, como el acceso a los datos personales y el derecho a la intimidad de las personas, así como la legislación referente a la protección de datos.

El análisis de riesgos basado en Deep-learning requiere, precisamente, el acceso a grandes volúmenes de datos personales —historiales de conducción, geolocalización, comportamiento— cuya recopilación y tratamiento están sujetos a regulaciones como el Reglamento General de Protección de Datos (GDPR) en Europa. La tensión entre la precisión predictiva y el respeto a la privacidad es aquí particularmente acusada. A ello se añade el riesgo de que los modelos perpetúen o amplifiquen sesgos existentes si los datos de entrenamiento reflejan discriminaciones históricas.