Mind Foundry، یک استارت‌آپ هوش مصنوعی است که برای کمک به بیمه‌گران در تصمیم‌گیری در مورد رانندگانی که باید تحت پوشش قرار بگیرند، رقابت می‌کند. و برای پیش‌برد این هدف، 22 میلیون دلار بودجه جمع‌آوری کرده است. غول بیمه آسیایی Aioi Nissay Dowa، در پیش‌بینی و پیشگیری از حوادث از ابزارهای هوش مصنوعی این استارت‌آپ برای تشخیص زوال شناختی رانندگان مسن در ژاپن استفاده می‌کند.
از دیرباز، بیمه‌گران برای پیش‌بینی اینکه چه کسانی بیشتر دچار تصادفات جدی می‌شوند و تعیین حق بیمه، به جزئیاتی مانند نوع خودرو و سن راننده اتکا می‌کردند. در سال‌های اخیر، برخی از شرکت‌های بیمه به هوش مصنوعی تکیه کرده‌اند تا هم تسویه خسارت را تسریع کنند و هم داده‌های رانندگی را برای ارزیابی‌های دقیق‌تر ریسک مشتریان آنالیز نمایند. نفوذ بیش از پیش هوش مصنوعی بر تصمیمات پوششی بیمه ممکن است برخی را نگران کند، اما مدیر اجرایی این استارت‌آپ می‌گوید که در مورد افراد مسن این یک راهکار مثبت به شمار می‌آید.
برایان مولینز[1] می‌گوید: «اگر فردی بالای یک سن خاص باشد، بیمه‌نامه او از دست می‌رود و این یعنی از بین رفتن استقلال او.» در حالی که همه‌ی افراد از نظر زوال عقلی به یک اندازه پیر نمی‌شوند. اکنون داده‌های هوش مصنوعی می‌توانند به ما بگویند که فرد مذکور با خیال راحت می‌تواند رانندگی کند یا نه.
Mind Foundry در سال 2016 توسط دو نفر از دانشمندان کامپیوتر دانشگاه آکسفورد با هدف طراحی «هوش مصنوعی برای اپلیکیشن‌های سرنوشت‌ساز» از جمله مسائل محافظتی و زیرساخت‌های عمومی تاسیس شد. این شرکت در اوایل سال جاری کار بر روی محصول هوش مصنوعی در حوزه‌ی زوال شناختی را آغاز کرد و اکنون قصد دارد پیشنهاد بیمه‌ای خود را به مناطق دیگر ببرد.
دانشمندان علوم داده این استارت‌آپ با کارشناسان بیمه همکاری کردند تا یک سیستم هوش مصنوعی بسازند که ارتباط مستقیمی بین زوال شناختی و تصادفات جاده‌ای پیدا کند. این گروه برای کمک به درک و پذیرش ریسک توانست با مجموعه داده‌های عظیمی از جمله 9 میلیارد مایل داده سفر که از طریق تله‌ماتیک به دست آمده و همچنین اندازه‌گیری حسگرها و فیلم‌های تصادف ضبط شده توسط دوربین داشبورد برنامه‌ی خود را توسعه دهد. سیستم هوش مصنوعی، الگوهای رفتاری مانند ترمز شدید، انحراف نامنظم و شتاب‌گیری ناگهانی را در بین رانندگانی که درگیر شدیدترین تصادفات با تلفات فاجعه‌بار بودند، مورد مطالعه قرار داد. سپس الگوهای مشابهی را در بین رانندگان مسن‌تر آنالیز کرد تا زوال شناختی را قبل از اینکه خطرناک شود شناسایی کند.
مولینز می‌گوید: خسارت‌های بزرگ نه تنها بزرگ‌ترین ریسک در یک پرتفوی بیمه هستند، بلکه دارای پیچیده‌ترین مدل‌سازی و پیش‌بینی نیز هستند.
Aioi در حال حاضر در حال اجرای آزمایشی سیستم Mind Foundry با 2 میلیون راننده مسن‌تر در ژاپن است که به بیمه‌گر اجازه داده‌اند داده‌های تله‌ماتیک و فیلم‌های دوربین داشبورد ایشان را آنالیز کند. مولینز گفت که این تکنولوژی می‌تواند منجر به طرح‌های بیمه‌ای شخصی‌تر با حق بیمه کمتر برای کسانی شود که رفتار رانندگی آن‌ها الگوهای خطرناکی را نشان نمی‌دهد.
جون ایکِگامی[2]، سرپرست آزمایشگاه تحقیق و توسعه Aioi، می‌گوید: «ما معتقدیم خروجی این طرح آزمایشی به طور بالقوه منجر به افزایش ایمنی و افزایش طول عمر رانندگی در سالمندان می‌شود.» او ادامه می‌دهد: «ما باید با چالش‌های ناشی از پیری جمعیت مقابله کنیم تا برابری اجتماعی را به ارمغان بیاوریم.» در ژاپن، بیش از 10 درصد جمعیت 80 ساله یا مسن‌تر هستند.
به گفته Mind Foundry، انسان‌ها نیز در این فرآیند مشارکت دارند، از جمله با ارائه بازخورد در مورد داده‌های مورد استفاده برای توسعه سیستم‌های هوش مصنوعی. این شرکت گفت هوش مصنوعی تصمیم‌گیری نمی‌کند، بلکه کارشناسان بیمه را قبل از تعیین پوشش و قیمت‌گذاری، در مورد خطرات بالقوه مشتری مطلع می‌کند.
Mind Foundry همچنین ابزارهای هوش مصنوعی را برای ارزیابی سایر مسائل رانندگی به کار گرفته است. در 30 روز اول استقرار، یکی از مدل‌های هوش مصنوعی به واحد اروپایی Aioi کمک کرد تا بیش از ۴۰٬۰۰۰ سفر خارج از پوشش بیمه‌نامه را شناسایی کند و 100 دارنده بیمه‌نامه را شناسایی کرد که از وسایل نقلیه شخصی برای نقل‌وانتقالات تجاری استفاده می‌کردند در این راستا به بیمه‌گران کمک کرد تا مورد به مورد چنین ادعاهایی را بررسی کنند.
این شرکت از هوش مصنوعی در بخش‌های دیگر نیز استفاده می‌کند و برای کمک به ارزیابی ریسک‌ها در زیرساخت‌های عمومی مانند راه‌آهن یا پل‌ها تلاش می‌کند تا دولت‌ها یا شهرها بتوانند تخصیص بودجه تعمیر و نگهداری را در اولویت قرار دهند. همچنین سیستم‌های هوش مصنوعی را برای مطالعه خطرات ناشی از تغییرات اقلیمی و بهینه‌سازی زیرساخت‌های شارژ خودروهای الکتریکی در شبکه‌های پیچیده جاده‌ای نیز به کار گرفته است.
[1] Brian Mullins
[2] Jun Ikegami