A inteligência artificial tem o potencial de transformar completamente a função atuarial

Como atuários, ouvimos muito sobre big data, análise preditiva, machine learning e inteligência artificial (IA). 

Big data e análises preditivas já criaram percepções sobre o risco, especialmente para bens pessoais e seguros de automóveis. 

Análises avançadas e big data estão alimentando o desenvolvimento de IA, que nós ainda estamos apenas começando a entender. Neste momento, podemos estar no início de uma mudança revolucionária.

Mudanças revolucionárias são difíceis de entender. É mais fácil lidar com mudanças incrementais, como a mudança de uma máquina de escrever para um computador pessoal (PC) ou do correio tradicional para o e-mail. 

Embora essas mudanças possam parecer transformadoras, eram simplesmente novas maneiras de atingir um mesmo fim: criar e transmitir informações. 

Mas a IA e o machine learning não são apenas programas de computador melhores – eles prometem mudar a forma como o conhecimento é criado e disseminado. 

Como trabalhadores do conhecimento, os atuários podem ver uma tremenda interrupção em suas funções, incluindo o que fazemos e como fazemos. 

Se não agirmos para criar um novo papel adequado à era da IA, podemos nos tornar tão obsoletos quanto os ferreiros no final da Revolução Industrial.

• LIÇÕES DA REVOLUÇÃO INDUSTRIAL

Uma mudança momentânea já aconteceu antes, mas nenhum de nós estava vivo para vê-la. 

O conhecimento comum da Revolução Industrial (e das inovações científicas paralelas) estava centrado nas máquinas inventadas para economizar força braçal e melhorar nossa qualidade de vida: carros, aviões, máquinas de lavar, lâmpadas e assim por diante. 

Mas a Revolução Industrial não apenas criou dispositivos que economizam “trabalho” – ela mudou a forma como trabalhamos e organizamos nossas vidas. 

Modernizou a agricultura, transformando trabalhadores agrícolas em operários de fábrica. Os processos de fundição sob pressão substituíram os ferreiros na criação de parafusos, pregos e ferramentas. 

As crianças pararam de aprender um ofício com os pais, então abrimos escolas para educá-los.

A transferência dos meios de produção de casa para a fábrica criou uma economia mais complicada que acelerou o desenvolvimento das profissões. 

A fábrica de aço que empregava centenas de trabalhadores com vários clientes precisava de profissionais bem treinados para se manter no mercado. 

O contador tornou-se um profissional reconhecido por manter as finanças da fábrica em ordem. Um advogado foi contratado para lidar com contratos de fornecedores e clientes.

Os seguros (e a profissão atuarial) ganharam destaque em paralelo com essas mudanças:

• O seguro contra incêndio foi desenvolvido à medida que as cidades se tornaram mais populosas. O que começou como um serviço de brigada de incêndio acabou se tornando seguro de propriedade;
• Algumas das apólices de seguro contra acidentes surgiram em conjunto com as ferrovias para garantir indenizações em caso de lesões e fatalidades no sistema ferroviário em desenvolvimento;
• Nos Estados Unidos, as ferrovias também foram pioneiras em pensões, criando o primeiro sistema de previdência privada em 1874;
• Os sistemas de seguro privado foram complementados com sistemas de seguro social: o seguro-desemprego foi expandido e a Previdência Social foi criada em 1935, nos Estados Unidos, para facilitar o desenvolvimento econômico durante a Grande Depressão.

• INOVAÇÃO DE HOJE: IA E APRENDIZADO DE MÁQUINA

A transformação digital, impulsionada por IA e machine learning, não acontecerá exatamente como a Revolução Industrial, mas tem o potencial de transformar o trabalho e a sociedade de maneiras semelhantes e no mesmo grau. 

A Revolução Industrial mudou principalmente a vida dos trabalhadores braçais, que tiveram que se reciclar e desenvolver novas habilidades, enquanto uma classe totalmente nova de trabalho do conhecimento se expandia. 

Desta vez, a revolução da IA ​​provavelmente afetará principalmente aqueles de nós que trabalham com nossos cérebros: atuários, contadores, advogados e outros profissionais estão prestes a encontrar seu mundo profissional transformado por causa da Inteligência Artificial ​​- assim como os trabalhadores agrícolas e ferreiros dos séculos 18 e 19.

Algumas definições de IA e machine learning incluem:

“[ IA ] é normalmente definida como a capacidade de uma máquina de realizar funções cognitivas que associamos às mentes humanas, como percepção, raciocínio, aprendizagem e resolução de problemas. 

Exemplos de tecnologias que permitem que a IA resolva problemas de negócios são robótica e veículos autônomos, visão computacional, linguagem, agentes virtuais e aprendizado de máquina …

Os avanços mais recentes em IA foram alcançados aplicando o aprendizado de máquina a conjuntos de dados muito grandes. 

Algoritmos de aprendizado de máquina detectam padrões e aprendem como fazer previsões e recomendações processando dados e experiências, em vez de receber instruções de programação explícitas. Os algoritmos também se adaptam em resposta a novos dados e experiências para melhorar a eficiência ao longo do tempo.

• O QUE TORNA A IA E O MACHINE LEARNING DIFERENTES?

Primeiro, o aprendizado da máquina não é a mesma coisa que a programação tradicional “baseada em lógica”. 

A programação de computador baseada em lógica tradicional relaciona uma etapa muito específica de instruções a um computador, centrada em torno de operações matemáticas e loops lógicos – por exemplo, “faça enquanto” X for verdadeiro, “se” X “então” Y, caso contrário “faça” Z. 

Os loops lógicos criam ferramentas muito eficientes para cálculos complicados. 

Eles são limitados, porém, pela capacidade do programador humano de criar um conjunto de regras lógicas que a máquina poderia seguir. 

Algumas tarefas eram simplesmente muito difíceis de fazer, como identificar a imagem de um gato e de um cachorro. Não havia como escrever um código que pudesse explicar todas as permutações de cor, posição, cenário e raça, muito menos representações artísticas.

O aprendizado de máquina é um processo mais parecido com o aprendizado humano. Podemos argumentar que todo conhecimento é realmente uma previsão. 

Ensinamos as crianças a identificar um gato mostrando-lhes gatos ou imagens de gatos e dizendo “gato” até que a criança consiga identificar a imagem. É uma forma de aprendizagem reforçada. 

A maioria das crianças pode identificar rapidamente um gato (e distinguir um gato de outros animais comuns, por exemplo, um cachorro), mesmo que seja de uma cor diferente, em um ambiente diferente, em uma posição diferente ou em uma representação artística. 

No entanto, uma criança que vê um gambá pela primeira vez pode naturalmente “prever” que a pequena criatura de quatro patas, peluda e com cauda é um gato até que seja corrigido.

O aprendizado de máquina funciona da mesma maneira que a criança prevê e aprende: com base nas informações disponíveis, o algoritmo faz previsões, obtém dados sobre se sua previsão estava correta ou não e usa essas novas informações para melhorar suas previsões (o pequeno animal preto com pernas curtas e uma faixa branca é provavelmente um gambá, não um gato). 

Uma máquina que é muito boa em fazer previsões torna-se, de forma limitada, tão “inteligente” quanto um ser humano.

Em segundo lugar, o aprendizado de máquina é possível por meio de três desenvolvimentos:

1. Maior quantidade de dados digitais
2. Maior poder de computação (incluindo armazenamento)
3. Melhores algoritmos

A base para o aprendizado de máquina remonta ao século 19, quando Adrien-Marie Legendre publicou o método dos mínimos quadrados para regressão. 

Essa foi a primeira estrutura que permitiu a expressão de padrões. 

Os primeiros algoritmos de autoaprendizagem foram desenvolvidos nas décadas de 1950 e 1960, mas não se firmaram até mais recentemente, quando o aumento dos dados e do poder de computação se uniram.

Grandes quantidades de dados são essenciais: as máquinas aprenderam a identificar imagens de gatos, cães e gambás vendo milhões de imagens desses animais e desenvolvendo suas próprias “regras” para distingui-los. 

Um Guia do Executivo para IA, publicado em 2017, estimou no momento da publicação que 90% dos dados mundiais foram produzidos durante os dois anos anteriores.

Esse mesmo documento observou que os saltos do poder de computação tornaram o aprendizado de máquina prático para resolver problemas de negócios, reduzindo o tempo de treinamento de algoritmos para minutos ou horas em comparação com dias ou semanas há apenas 10 anos. 

Nada disso seria possível sem o armazenamento em nuvem, que permite que esses gigantescos conjuntos de dados sejam acessados ​​e compartilhados.

A IA é realmente melhor concebida como inteligência “aumentada”. A inteligência humana é ampla e os humanos não precisam de milhões de pontos de dados antes de poderem distinguir um gato de um cachorro. 

Os humanos também são capazes de lidar com o inesperado ou com mudanças de condições. 

O aprendizado de máquina, às vezes chamado de “aprendizado profundo (deep learning)”, é um processo iterativo que permite que a máquina aprimore seus próprios algoritmos para que possa melhorar suas previsões com dados futuros. 

AI não é uma superinteligência que sabe tudo. Não é nem mesmo uma inteligência geral. 

A IA é uma inteligência estreita que, com base nos dados fornecidos e nos algoritmos à sua disposição, pode se tornar melhor do que os humanos para fazer previsões específicas. 

No entanto, a IA é limitada ao que sabe. Uma IA que pode distinguir fotos de animais não será boa em encontrar rotas para evitar o tráfego.

A IA hoje pode replicar as funções cognitivas humanas básicas. O que distinguia os humanos das máquinas no passado era que um humano tinha que alimentar dados especificamente em uma máquina em um formato legível para a máquina. 

Novas tecnologias de IA agora permitem uma visão computacional, processamento de linguagem natural (leitura e escrita), agentes cognitivos (bots) que podem interpretar perguntas e robôs e veículos autônomos. 

Isso permite que os computadores façam tudo de uma forma mais natural, e isso irá acelerar a adoção de máquinas em muitas funções.

• COMO A IA ESTÁ MUDANDO NOSSO MUNDO?

A maioria das pessoas usa IA de alguma forma todos os dias:

• Os resultados da pesquisa na Internet são orientados pela IA. Cada vez que alguém clica em um determinado resultado, o AI aprende como melhorar sua pesquisa para a próxima vez;
• Assistentes de voz como Siri da Apple, Alexa da Amazon e o Google Assistant, são aplicativos de processamento de linguagem natural que podem interpretar e responder perguntas;
• Os drones podem tirar fotos e as máquinas podem interpretar automaticamente os dados para avaliar os danos das tempestades.

Um bom exemplo do poder da IA ​​para transformar a criação e distribuição de conhecimento é o Google Translate. 

Antes de 2016, o Google Translate usava programação baseada em lógica que dependia de regras gramaticais e de sintaxe. 

Ele era traduzido por frases, e as frases e parágrafos resultantes frequentemente eram confundidos. Então, o Google criou uma tradução de linguagem de máquina, que cria frases que são quase indistinguíveis da linguagem natural. 

O Google Translate pode agora substituir, em um futuro bem próximo, tradutores profissionais.

O seguro também está mudando rapidamente com base na disponibilidade de big data. As seguradoras reconheceram a capacidade preditiva das pontuações na definição do seguro automóvel. 

Hoje, muitas seguradoras oferecem descontos aos motoristas se eles usarem dispositivos telemáticos ou se estiverem dispostos a rastrear e registrar seus hábitos de direção para encorajar (e provar) uma direção segura. 

Em 2018, John Hancock anunciou que iria vender apólices de seguro de vida em conjunto com seu Programa de Vitalidade, que permite aos consumidores acumularem pontos por praticar atividades saudáveis, que por sua vez podem ganhar descontos em seguros de vida. 

Nesse ínterim, a empresa obtém dados valiosos que pode usar para entender melhor as experiências e hábitos de seus clientes.

• O FUTURO ESTÁ AQUI: COMO NOS ADAPTAREMOS?

Os computadores e a digitalização já proporcionaram muitas melhorias no trabalho dos atuários. 

Os dados que foram transmitidos em papel e pelo correio agora são enviados “por meio da nuvem”. 

Programas que demoravam horas para serem executados agora levam segundos. 

Os atuários se acostumaram a se adaptar às mudanças, incluindo melhorias no sistema, automação e melhores formas de enviar informações. 

Em face da transformação contínua, é difícil reconhecer que a próxima mudança poderia inaugurar uma revolução do conhecimento capaz de mudar completamente a natureza da função atuarial.

A Revolução Industrial não foi uma transformação da noite para o dia. A ferraria, como comércio, sobreviveu até o início do século XX. 

Os ferreiros deixaram de criar ferramentas para consertar ferramentas e, finalmente, se concentraram em uma parte de seu comércio histórico: ferrar cavalos. 

Mesmo a introdução do automóvel não tornou imediatamente obsoleta a carroça puxada por cavalos.

É fácil encontrar fotos do início do século 20 com o cavalo e a carroça lado a lado com o automóvel e o bonde.

O seguro é um setor regulamentado e os atuários têm funções regulamentadas – e essas funções provavelmente não mudarão da noite para o dia. 

Os insights impulsionados pela IA podem dar aos atuários oportunidades de revolucionar o mundo dos seguros. 

Como profissão, procuramos nos adaptar às mudanças. Devemos inovar e aproveitar essas novas oportunidades.

Emily Kessler, FSA, FCA, MAAA - membro sênior da equipe de Estratégia da Society of Actuaries (SOA).