Beeldherkenning voor verzekeringsdoeleinden

Hiervoor zijn specifieke machine-learningtechnieken nodig. In dit artikel wordt hier verder op ingegaan door middel van een concreet voorbeeld.

1. Achtergrond

Machine-learningmodellen zijn aan een opmars bezig binnen het werkveld van verzekeraars. De meeste verzekeraars onderzoeken de mogelijkheden voor de toepassing van deze modellen voor onder andere pricing, fraudedetectie en reservering. Veelal zijn dit echter doeleinden waarvoor ook meer traditionele actuariële modellen (zoals lineaire of logistische regressie) kunnen worden gebruikt. In de nabije toekomst zou beeldherkenning ook een plaats kunnen
krijgen in de processen van verzekeraars, bijvoorbeeld voor het inschatten van autoschades op basis van foto’s. Daarvoor zijn traditionele actuariële modellen niet toereikend, en zijn specifieke machine-learningtechnieken nodig.

2. Structuur van de data

Om te begrijpen hoe machine-learningmodellen beelden kunnen herkennen, is het van belang om de structuur van de data (lees: afbeeldingen) te kennen. Een afbeelding is opgebouwd uit een heleboel pixels. Elke pixel heeft een specifieke kleur. Deze kleur is opgebouwd uit een bepaalde hoeveelheid rood, groen en blauw. De hoeveelheid van ieder van deze kleuren in een pixel wordt weergegeven met een getal tussen 0 en 255. Dit is geïllustreerd in figuur 1. (Zie in de Download) De linkerzijde van de figuur toont een hoe een foto van een gezicht is opgebouwd, aan de rechterzijde wordt ingezoomd op het linkeroog. Bovenstaande betekent dat een afbeelding in zijn geheel kan worden uitgedrukt als een reeks getallen, en deze reeks getallen dient derhalve
als input voor het model.

Lees het hele artikel verder onder Download.