Evaluering af forsikringsskader på biler, omkostninger og skadedetektering

Evaluering af forsikringsskader på biler, omkostninger og skadedetektering

Udfrodring

Eurapco er en alliance af store uafhængige, gensidige, europæiske forsikringsselskaber, der består af otte partnere, som opererer i 16 lande i hele Europa. Over 43 millioner EU-borgere har tillid til Eurapco-partnerne.
Omkostningsevaluering af anmeldelse af forsikringsskader på biler er en meget krævende og dyr proces.

Højt uddannede eksperter behandler billederne fra skadesanmeldelserne med visuel analyse og udarbejder en sammenfattende rapport. Det tager lang tid at evaluere anmeldelsen, og ofte er de estimerede omkostninger ikke tilpas nøjagtige.

    • Lokalisering af bilskader (semantisk segmentering)
    • Reparation af omkostningsestimering (regression)
    • Registrering af bildele – definer bildele på et foto (multi-label-klassificering)
    • Arbejde med inputfotos i alle størrelser
    • Udtræk af semantiske oplysninger på højt niveau
    • Håndtering af genstande i flere forstørrelsesgrader
      (nærbilleder og hele biler på fotos)
    • Modellen skal være letvægt (GCP med
      1 GPU tilgængelig på grund af budgetbegrænsning)
    • Tensorflow-modellen skal pakkes ind i
      TF-estimator-API og være klar til maskinlæringsmotoren
  1. ok_iconCreated with Sketch.
    Byg en prototype ved hjælp af Deep Learning, der nøjagtigt estimerer reparationsomkostninger til bilskadesanmeldelser
  2. ok_iconCreated with Sketch.
    Prototypen sparer tid ved omkostningsvurderingen af bilskadesanmeldelser
  3. ok_iconCreated with Sketch.
    GPU-acceleration hjalp med at skalere processen ved kraftigt at styrke ydeevnen for modeller for deep learning
Løsning

Målet var at bygge et system ved brug af Deep Learning, der vil estimere reparationsomkostninger præcist ved skadesanmeldelser. Dette eliminerer fejl i manuelle evalueringer fra eksperterne, der ikke har adgang til de faktiske data med reparationsomkostninger
eller hvis viden er forældet.

Metode

Bearbejdning af data

Normalisering af hver billedpixelværdi til at være indenfor [0, 1]

Valideringsteknik

Stratificeret KFold baserer sig på skadeområde

Forøgelse af træningstid

  • Tilfældige udvælgelser
  • Tilfældige vandrette vendinger af billeder
  • Gør billedet skarpere
  • Gaussisk sløring
  • Konvertering af billeder til HSV, forøgelse af hver pixels H-værdi med 10 til 50
Løsning
GPU-acceleration

I begyndelsen af projektet blev der brugt GCP med NVIDIA K80. På grund af budgetbegrænsninger var det ikke muligt at skalere modellen til flere GPU’er. Under projektet blev det besluttet at flytte til en NVIDIA P100 GPU.

Dette øgede modellens gentagelseshastighed med op til 1,67x på det samme budget (5x hastighedsforøgelse i GPU-hastighed i forhold til 3x i pris).

Modelarkitektur

For at løse semantiske segmenteringsopgaver blev der brugt en UNet-baseret arkitektur med en InceptionResNetV2-kode.

Motivation

  • CKombination af semantiske funktioner på lavt niveau med høj opløsning og semantiske funktioner på højt niveau med lav opløsning til opløsningsgendannelse (for at opnå mere detaljerede objektgrænser).
  • U-Net blev oprindeligt brugt til medicinske datasæt, som normalt er små
  • Begrænsede computerressourcer

 

UNet-modelarkitektur
UNet-modelarkitektur

Tabsfunktion

CE-tab

Tager højde for præcision i en forudsigelse, straffer klassifikatoren hårdt for at være 100% sikker, uden at fange topologiens karakteristika

Terningstab

Egnet til ubalancerede data (harmonisk gennemsnit i præcision og genkaldelse)

Konklusioner

Anvendelse af Deep Learning-metoden hjælper med at spare tid i omkostningsvurderingen af bilanmeldelser og foretage mere nøjagtige omkostningsestimater.

GPU-acceleration hjælper med at skalere processen ved kraftig styrkelse af ydeevnen for modeller til deep learning.

Kom tættere på ægte AI med eksperter i Deep Learning fra Ciklum

Tjek vores AI-tjenester
Næste historie

Fejlfri lancering af 31 mobile applikationer med manuel QA

Læs mere
Hvad er din udfordring? Lad os levere talent og ekspertise for at hjælpe dig med at løse det.
Upload fil

(Fil krav: pdf, doc, docx, rtf, ppt, pptx)

Ved at indsende den udfyldte formular "Kontakt os", behandles dine personlige data af Ciklum Group og dets datterselskaber over hele verden. Læs vores Privacy Notice for mere information. Hvis du har spørgsmål angående dine rettigheder eller senere vil beslutte at trække dit samtykke tilbage, bedes du sende din anmodning til os.

Vil du med på holdet?
Passioneret programmør og teknisk flair? Vi er på udkig efter folk som dig
Vil du med på holdet?