BE1029657B1 - Computer geïmplementeerde werkwijze voor het verlenen van een verzekeringspolis - Google Patents

Abstract

Voorbeelden van uitvoeringsvormen beschrijven een op een computer geïmplementeerde werkwijze voor het verlenen van een verzekeringspolis. De werkwijze omvat, het ontvangen van een ongestructureerd elektronisch gegevensbericht dat een verzoek voor het verlenen van de verzekeringspolis omvat; het extraheren van gestructureerde verzekeringstechnische gegevens uit het ongestructureerde elektronische gegevensbericht door middel van natuurlijke taalverwerking; en het genereren van ten minste één query op basis van de gestructureerde verzekeringstechnische gegevens voor het bevragen van een kennisgrafiek. De werkwijze omvat verder het verkrijgen van een selectie van entiteiten uit de kennisgrafiek door het bevragen van de kennisgrafiek met de ten minste één query; het identificeren van één of meer gelijken van de verzekeringspolis uit een portefeuille van verzekeringspolissen op basis van de selectie van entiteiten, waarbij een gelijke wordt gekenmerkt door een reeks entiteiten die wezenlijk vergelijkbaar zijn met de selectie van entiteiten; en het bepalen van een verliesratio voor het verlenen van de verzekeringspolis op basis van de verliesratio's van de één of meer gelijken.

Description

' BE2022/5041

COMPUTER GEIMPLEMENTEERDE WERKWIJZE VOOR HET VERLENEN VAN

EEN VERZEKERINGSPOLIS

Domein van de uitvinding

[01] De onderhavige uitvinding heeft in het algemeen betrekking op, onder andere, het verlenen van een verzekeringspolis. In het bijzonder heeft de uitvinding betrekking op het geautomatiseerd verlenen van verzekeringspolissen op maat.

Achtergrond van de uitvinding

[02] Het verlenen van een verzekeringspolis heeft betrekking op het analyseren van een risico dat wordt overgedragen van een potentiële verzekeringnemer aan een verzekeraar en het bepalen van een passende premie om dat risico over te dragen.

Een geslaagde verlening berust op het verzamelen van relevante gegevens geassocieerd met het risico, zodat een acceptant een onderbouwd acceptatiebesluit kan nemen. De kwaliteit van het acceptatiebesluit hangt dus af van de volledigheid van de verzamelde gegevens, de relevantie van de gegevens en de risicoanalyse.

[03] In veel voorkomende gevallen, zoals woning- of autoverzekeringen, is het acceptatieproces rechttoe rechtaan omdat de relevante gegevens voor het beoordelen en analyseren van het risico in alle gevallen wezenlijk gelijk zijn. Het acceptatieproces voor veel voorkomende gevallen kan dan ook relatief eenvoudig worden geautomatiseerd. In specifieke gevallen, bijvoorbeeld verzekeringspolissen op maat voor kleine en middelgrote ondernemingen, KMO's, zijn specifieke gegevens vereist om het risico te analyseren. Dit maakt het verzamelen, beoordelen en selecteren van gegevens tijdrovend. Bovendien maken de enorme hoeveelheid beschikbare gegevens en de diversificatie van gegevensformaten het voor acceptanten steeds moeilijker om alle relevante gegevens te verzamelen, te interpreteren en te selecteren.

[04] Een probleem bij het automatiseren van het acceptatieproces van verzekeringspolissen op maat is het verwerken van de diversiteit van polis aanvragen, aangezien elk geval wezenlijk uniek is. Een ander probleem is de beperkte

© BE2022/5041 hoeveelheid beschikbare trainingsdata, aangezien het aantal specifieke gevallen dat verzekeringspolissen op maat behandelen wezenlijk beperkt kan zijn. Een ander probleem is het verzamelen van de relevante verzekeringstechnische gegevens, aangezien de risicobepalende factoren voor elk specifiek geval wezenlijk anders kunnen zijn. Nog een ander probleem is dat de risicoanalyse en de acceptatiebeslissing afhankelijk zijn van de ervaring en deskundigheid van de acceptant. Daarom is het eenvoudigweg automatiseren van een menselijke workflow en besluitvormingsproces niet mogelijk.

Samenvatting van de uitvinding

[05] De uitvinding heeft onder meer tot doel de hierboven genoemde uitdagingen en problemen op te lossen of te verlichten door het verlenen van verzekeringspolissen, in het bijzonder van verzekeringspolissen op maat, ten minste gedeeltelijk te automatiseren.

[06] Volgens een eerste aspect wordt dit doel bereikt door een op een computer geïmplementeerde werkwijze voor het verlenen van een verzekeringspolis. De werkwijze omvat het ontvangen van een ongestructureerd elektronisch gegevensbericht dat een verzoek om de verzekeringspolis te verlenen omvat; het extraheren van gestructureerde verzekeringstechnische gegevens uit het ongestructureerd elektronisch gegevensbericht door middel van natuurlijke taalverwerking die ten minste een identificatie van een verzekeringnemer, een verzekerd voorwerp en een gewenste dekking omvat; en het genereren van ten minste één query op basis van de gestructureerde verzekeringstechnische gegevens voor het bevragen van een kennisgrafiek, waarbij de kennisgrafiek een netwerk van entiteiten is dat één of meer labels en hun respectieve relaties omvat. De werkwijze omvat verder het verkrijgen van een selectie van entiteiten uit de kennisgrafiek door het bevragen van de kennisgrafiek met de ten minste één query, waarbij een entiteit van de selectie een relatie heeft met de gestructureerde verzekeringstechnische gegevens en één of meer vooraf bepaalde labels omvat; het identificeren van één of meer gelijken van de verzekeringspolis uit een portefeuille van verzekeringspolissen op basis van de selectie van entiteiten, waarbij een gelijke wordt gekenmerkt door een reeks entiteiten die wezenlijk gelijk zijn aan de selectie van entiteiten; en het bepalen van een verliesratio voor het verlenen van de verzekeringspolis op basis van de verliesratio's van één of meer gelijken.

[07] Het verlenen van een verzekeringspolis kan betrekking hebben op het 5 accepteren van een nieuwe verzekeringspolis of het beheren van een bestaande verzekeringspolis, bijvoorbeeld het verlengen of aanpassen van een bestaande verzekeringspolis. De verliesratio kan worden uitgedrukt als de verhouding tussen betaalde schadeclaims en geïnde premies voor een verzekeringspolis over een bepaalde tijdsperiode, bijvoorbeeld één jaar. De bepaalde verliesratio kan derhalve toelaten om een geschikte premie voor de verzekeringspolis te bepalen en laat toe om te bepalen of het risico aanvaardbaar is, zelfs wanneer de verzekeringspolis betrekking heeft op een wezenlijk uniek geval.

[08] Hiertoe worden gestructureerde verzekeringstechnische gegevens door natuurlijke taalverwerking geëxtraheerd uit een ongestructureerd elektronisch gegevensbericht, bijvoorbeeld een e-mail, een tekstbericht of een instant message, dat een verzoek om verzekeringstechnische gegevens omvat. De gestructureerde verzekeringstechnische gegevens kunnen trefwoorden, tokens of waarden zijn die geassocieerd zijn met een identificatie van een verzekeringnemer, een verzekerd voorwerp of een gewenste dekking. Als dusdanig kan de interpretatie van een wezenlijk uniek verzoek voor het verlenen van een verzekeringspolis worden geautomatiseerd. Het is een voordeel dat het interpreteren van het verzoek kan worden geautomatiseerd zonder gebruik te maken van gestandaardiseerde formulieren, aangezien de geschikte verzekeringstechnische gegevens in elk verzoek wezenlijk kunnen variëren in verzekeringspolissen op maat.

[09] Op basis van deze gestructureerde verzekeringstechnische gegevens wordt een kennisgrafiek bevraagd die een netwerk omvat van entiteiten in de werkelijkheid, bijvoorbeeld een verzekeringnemer, een onderneming of een activum, en de relaties daartussen. Een entiteit wordt verder gekenmerkt door één of meer labels, bijvoorbeeld een categorie, een entiteittype of een risiconiveau. Door de kennisgrafiek te bevragen worden entiteiten verkregen die een relatie hebben met de gestructureerde verzekeringstechnische gegevens en die worden gekenmerkt door één of meer vooraf bepaalde labels. Met andere woorden, entiteiten die relevant zijn voor het risico van een verzekeringspolis worden verkregen, d.w.z. de selectie van entiteiten. Het is een voordeel dat de kennisgrafiek het verzamelen en selecteren van relevante gegevens geassocieerd met het risico van een verzekeringspolis efficiënter en vollediger maakt. Een verder voordeel is dat onbekende relevante entiteiten kunnen worden ontdekt door de relaties tussen entiteiten in de kennisgrafiek te verkennen, wat kan resulteren in een betere beoordeling van het acceptatierisico en aldus het acceptatieproces kan verbeteren.

[10] Door de selectie van entiteiten worden één of meer gelijken van de verzekeringspolis geïdentificeerd uit een portefeuille van verzekeringspolissen, d.w.z. een verzameling van eerdere en huidige verzekeringspolissen die door de verzekeraar werden verleend. Een gelijke van de verzekeringspolis is een verzekeringspolis in de portefeuille die wordt gekenmerkt door één of meer soortgelijke entiteiten. Op die manier kunnen gelijke van een verzekeringspolis worden geïdentificeerd, zelfs indien de verzekeringspolissen wezenlijk uniek zijn. De verliesratio voor het verlenen van de verzekeringspolis wordt dan bepaald op basis van de verliesratio's van de respectieve gelijken.

[11] De bovengenoemde werkwijze verschilt dus wezenlijk van een eenvoudige automatisering van het manuele acceptatieproces zoals dat door een acceptant wordt uitgevoerd, in die zin dat een machine-architectuur verschaft wordt die toe laat om het acceptatieproces op een andere en verbeterde wijze uit te voeren.

[12] Volgens een uitvoeringsvorm kan het extraheren van de gestructureerde verzekeringstechnische gegevens worden uitgevoerd door een classifier die getraind is om gestructureerde verzekeringstechnische gegevens te extraheren uit een ongestructureerd elektronisch gegevensbericht.

[13] Een algoritme voor natuurlijke taalverwerking, d.w.z. de classifier, kan aldus door machinaal leren worden getraind om gestructureerde trefwoorden uit het ongestructureerd elektronisch gegevensbericht te extraheren. De classifier kan bijvoorbeeld, onder andere, een neuraal netwerk, een support vector machine, een probabilistisch netwerk, een conditional random field of een maximum entropie model zijn. Een dergelijke classifier kan worden getraind door gecontroleerd leren, waarbij

° BE2022/5041 een veelheid van ongestructureerde elektronische gegevensberichten met geannoteerde informatie over gestructureerde verzekeringstechnische gegevens aan de classifier worden voorgelegd. Als alternatief of aanvullend kan de classifier vooraf worden getraind op een benchmark dataset, worden getraind door ongecontroleerd leren, of worden getraind door ondersteund leren.

[14] Volgens een =— uitvoeringsvorm kan het extraheren van de verzekeringstechnische gegevens verder het corrigeren van fouten in de geëxtraheerde gestructureerde verzekeringstechnische gegevens omvatten door foutieve gestructureerde verzekeringstechnische gegevens te vergelijken met andere gestructureerde verzekeringstechnische gegevens.

[15] Een fout in gestructureerde verzekeringstechnische gegevens kan worden gecorrigeerd door de foutieve verzekeringstechnische gegevens te vergelijken met correcte verzekeringstechnische gegevens die hetzelfde kenmerk van een entiteit beschrijven, bijvoorbeeld de naam van een verzekeringnemer. Als alternatief kan een fout in gestructureerde verzekeringstechnische gegevens worden gecorrigeerd door de betekenis van de foutieve verzekeringstechnische gegevens te vergelijken met de betekenis van correcte verzekeringstechnische gegevens die dezelfde entiteit beschrijven, bijvoorbeeld door de naam en het nationale registratienummer van een verzekeringnemer te vergelijken. Als alternatief of aanvullend kunnen gestructureerde verzekeringstechnische gegevens op juistheid worden gecontroleerd door databanken te doorzoeken en/of door 'approximate string matching’ toe te passen. Deze correctie kan wezenlijk na of tijdens het extraheren van gestructureerde verzekeringstechnische gegevens worden uitgevoerd. Dit heeft als bijkomend voordeel dat de extractie van verzekeringstechnische gegevens betrouwbaarder kan zijn.

[16] Volgens een uitvoeringsvorm kunnen één of meer labels van de respectieve entiteiten in de kennisgrafiek worden bepaald op basis van een waargenomen actiegeschiedenis van acceptanten.

[17] Een actiegeschiedenis van een acceptant verwijst naar de handelingen die een acceptant uitvoert bij het verzamelen en/of selecteren van gegevens geassocieerd met het risico van een verzekeringspolis. Deze handelingen kunnen worden geobserveerd door de handelingen van acceptanten in een computerapplicatie te monitoren en te loggen. Dit laat toe om entiteiten in de kennisgrafiek te labelen op basis van deze waargenomen actiegeschiedenis, bijvoorbeeld door labels toe te voegen met betrekking tot het risico van een entiteit zoals ingeschat door een acceptant. Op die manier kan het bevragen van de kennisgrafiek resulteren in een selectie van entiteiten die wezenlijk overeenkomt met de selectie die door de acceptanten wordt gemaakt.

Het is dus een voordeel dat de ervaring en deskundigheid van de acceptanten in de kennisgrafiek kan worden ingebed.

[18] Volgens een uitvoeringsvorm kan de werkwijze verder het verkrijgen van feedback van een acceptant over één of meer entiteiten in de selectie van entiteiten, en het aanpassen van de labels van de respectieve entiteiten in de kennisgrafiek volgens de feedback omvatten.

[19] De selectie van entiteiten kan aan een acceptant worden getoond na het bevragen van de kennisgrafiek, bijvoorbeeld in een computerapplicatie, om de selectie te verbeteren en/of te bewerken. De handelingen die de acceptant uitvoert, bijvoorbeeld het weglaten van entiteiten uit de selectie of het opnieuw bevragen van de kennisgrafiek voor aanvullende informatie, kunnen worden gemonitord en gelogd.

De labels van de entiteiten in de kennisgrafiek kunnen vervolgens worden aangepast volgens de geregistreerde handelingen van de acceptant, d.w.z. de feedback van de acceptant. Het is dus een voordeel dat de kennisgrafiek voortdurend kan worden verbeterd door de feedback van de acceptant in te bedden.

[20] Volgens een uitvoeringsvorm kan het bepalen van de verliesratio voor het verlenen van de verzekeringspolis worden gebaseerd op een waarschijnlijkheidsverdeling van de verliesratio's van één of meer gelijken.

[21] Aan de hand van de waarschijnlijkheidsverdeling kan de meest waarschijnlijke verliesratio voor de verzekeringspolis worden bepaald. Het is dus een voordeel dat de verliesratio voor het verlenen van een verzekeringspolis kan worden bepaald, zelfs indien de toekomstige verzekeringnemer onbekend is bij de verzekeraar, d.w.z. niet eerder een verzekeringspolis bij de verzekeraar heeft afgesloten.

/ BE2022/5041

[22] Volgens een uitvoeringsvorm kan de werkwijze verder het bepalen van een premie voor de verzekeringspolis op basis van de bepaalde verliesratio voor het verlenen van de verzekeringspolis omvatten.

[23] De premie kan rechtstreeks worden bepaald op basis van de bepaalde verliesratio, d.w.z. de verliesratio voor het verlenen van de verzekeringspolis dat wordt bepaald op basis van de verliesratio's van één of meer gelijken. De bepaalde premie kan verder worden uitgebreid met een correctiefactor, d.w.z. een veiligheidsmarge om voorspellingsfouten in de bepaalde verliesratio te corrigeren.

[24] Volgens een uitvoeringsvorm kan de werkwijze verder het voorspellen van een toestand van de portefeuille van verzekeringspolissen bij het verlenen van de verzekeringspolis op basis van de verliesratio voor het verlenen van de verzekeringspolis, voorgaande toestanden van de portefeuille, en voorgaande verleende verzekeringspolissen van de portefeuille.

[25] Met andere woorden, het effect van het verlenen van de verzekeringspolis op de totale verzekeringsportefeuille van een verzekeraar kan worden voorspeld. De toestand van de portefeuille kan worden gekarakteriseerd door één of meer prestatiemaatstaven zoals, bijvoorbeeld, kostenratio, retentiegraad, gemiddelde schadeclaim kosten, schadeclaim frequentie, globale verliesratio van de portefeuille, een bruto som van verzekerde schadevergoedingen, marktaandeel, diversificatie en winstmarges. Dit kan toelaten om de portefeuille te optimaliseren door de verzekeringspolis aan te passen aan de voorspelde toestand van de portefeuille. Een bijkomend voordeel is dat de globale portefeuille van verzekeringspolissen in rekening wordt overwogen tijdens het acceptatieproces van een individuele verzekeringspolis.

[26] Volgens een uitvoeringsvorm kan de werkwijze verder het extraheren van gestructureerde kostengegevens uit voorgaande ongestructureerde schadeclaims natuurlijke taalverwerking, en het associëren van de gestructureerde kostengegevens aan de voorwaarden van de verzekeringspolis waarvoor een ongestructureerde schadeclaim werd ingediend omvatten.

© BE2022/5041

[27] Gestructureerde kostengegevens kunnen aldus worden geëxtraheerd uit een geschiedenis van schadeclaims, d.w.z. voorgaande ongestructureerde schadeclaims.

Gestructureerde kostengegevens kunnen claimelementen en de aan de respectieve claimelementen verbonden kosten omvatten. Met andere woorden, de gestructureerde kostengegevens laten toe om elementen in ingediende schadeclaims te koppelen aan hun respectieve kosten. Door de elementen van de schadeclaim te vergelijken met de voorwaarden van de respectieve verzekeringspolissen waarvoor de schadeclaim werd ingediend, kan een kostprijs worden geassocieerd met de elementen van de voorwaarden.

[28] Volgens een uitvoeringsvorm kan de werkwijze verder het bepalen van de voorwaarden van de verzekeringspolis op basis van de gestructureerde kostengegevens en de bepaalde verliesratio voor het verlenen van de verzekeringspolis omvatten.

[29] Door de geassocieerde kosten aan elementen van de voorwaarden, kunnen de voorwaarden worden aangepast om de verliesratio van de verzekeringspolis te optimaliseren, d.w.z. de verliesratio te verlagen. Het is een voordeel dat de blootstelling van een verzekeraar kan worden gecontroleerd door in de voorwaarden van een verzekeringspolis gebeurtenissen met hoge kosten uit te sluiten.

[30] Volgens een uitvoeringsvorm kan de werkwijze verder het parsen van gestructureerde gegevens en/of het scrapen van ongestructureerde gegevens geassocieerd met de verzekeringspolis uit ten minste één gegevensbron omvatten om deze in de kennisgrafiek te coderen.

[31] De ten minste één gegevensbron kan een interne gegevensbron zijn, bv. gegevens die zijn opgeslagen op privé servers, of een externe gegevensbron, bv. gegevens die publiekelijk beschikbaar zijn op het internet. Er kan een webcrawler worden geïmplementeerd om het World Wide Web systematisch te doorzoeken en gestructureerde en/of ongestructureerde gegevens te verzamelen. De verzamelde gegevens kunnen in de kennisgrafiek worden gecodeerd om de selectie van entiteiten en dus het acceptatieproces te verbeteren. Dit heeft als bijkomend voordeel dat het verzamelen en interpreteren van gegevens uit een veelheid van gegevensbronnen efficiënter is.

[32] Volgens een uitvoeringsvorm kunnen de ongestructureerde gegevens worden gestructureerd door middel van natuurlijke taalverwerking en/of computervisie.

[33] De ongestructureerde gegevens kunnen bijvoorbeeld, onder meer, tekst, audio, foto's en video omvatten. Natuurlijke taalverwerking kan worden gebruikt om ongestructureerde tekst en audio te structureren, bijvoorbeeld door respectievelijk natural language understanding en spraakherkenning. Computervisie kan worden gebruikt om ongestructureerde afbeeldingen en video te structureren.

[34] Volgens een tweede aspect heeft de uitvinding betrekking op een gegevensverwerkend systeem dat ingericht is om de op een computer geïmplementeerde werkwijze volgens het eerste aspect uit te voeren.

[35] Volgens een derde aspect heeft de uitvinding betrekking op een computerprogramma dat instructies omvat die, wanneer het programma door een computer wordt uitgevoerd, de computer ertoe brengen de op de computer geïmplementeerde werkwijze volgens het eerste aspect uit te voeren.

[36] Volgens een vierde aspect heeft de uitvinding betrekking op een computer leesbaar medium dat instructies omvat die, wanneer uitgevoerd door een computer, de computer ertoe brengen de op de computer geïmplementeerde werkwijze volgens het eerste aspect uit te voeren.

Korte beschrijving van de tekeningen

[37] Fig. 1 toont een voorbeeld van een acceptatieproces voor het verlenen van een verzekeringspolis;

[38] Fig. 2 toont stappen volgens een op een computer geïmplementeerde werkwijze voor het op geautomatiseerde wijze verlenen van een verzekeringspolis volgens een uitvoeringsvorm;

[39] Fig. 3 toont stappen voor het coderen van ongestructureerde gegevens en gestructureerde gegevens geëxtraheerd uit ten minste één gegevensbron in een kennisgrafiek volgens uitvoeringsvormen;

[40] Fig. 4 toont een gecontroleerd trainingsproces van een classifier om gestructureerde verzekeringstechnische gegevens te extraheren uit een ongestructureerd elektronisch gegevensbericht dat een verzoek tot verlening van een verzekeringspolis omvat volgens een Uitvoeringsvorm; en

[41] Fig. 5 toont een voorbeeld van een geschikt computersysteem voor het uitvoeren van stappen volgens voorbeeld aspecten van de uitvinding.

Gedetailleerde beschrijving van uitvoering(en)

[42] Fig. 1 toont een voorbeeld van een acceptatieproces 100 voor het verlenen van een verzekeringspolis. Het verlenen van een verzekeringspolis heeft betrekking op het analyseren van een risico dat wordt overgedragen van een potentiële verzekeringnemer 101 aan een verzekeraar 105 en het bepalen van een passende premie om dat risico over te dragen. Het verlenen van een verzekeringspolis kan betrekking hebben op het aanvaarden van een nieuwe verzekeringspolis of het beheren van een bestaande verzekeringspolis, bijvoorbeeld het herzien, vernieuwen of aanpassen van een bestaande verzekeringspolis. Een premie kan een kost zijn die een verzekeraar periodiek aanrekent aan een verzekeringnemer om het risico van de verzekeringspolis op zich te nemen.

[43] Een potentiële verzekeringnemer 101, bijvoorbeeld een kleine of middelgrote onderneming, KMO, kan een verzekeringsmakelaar 103 opdracht geven om te onderhandelen over een verzekeringspolis voor een verzekerd voorwerp. Het verzekerd voorwerp kan bijvoorbeeld een gebouw, een machine, een schip, een voertuig, computerapparatuur of een ander goed zijn. Daartoe kan de potentiële verzekeringnemer 101 de makelaar 103 de nodige verzekeringstechnische informatie verstrekken, bijvoorbeeld informatie over het verzekerd voorwerp, een gewenste dekking, informatie over bestaande verzekeringspolissen voor het verzekerd voorwerp, of een gewenste premie. De makelaar 103 kan de verstrekte verzekeringstechnische informatie 102 aanpassen om een verzoek 104 voor het verlenen van een verzekeringspolis te genereren. Het verzoek 104 kan een ongestructureerd elektronisch gegevensbericht zijn, bijvoorbeeld een e-mail, een tekstbericht of een instant message, dat wordt gecommuniceerd aan een verzekeraar 105. De verzekeraar 105 kan elke partij zijn, bijvoorbeeld een verzekeringsmaatschappij, die zich ertoe verbindt de verzekeringnemer 101 schadeloos te stellen in geval van een schade aan het verzekerd voorwerp in ruil voor een vooraf bepaalde vergoeding, d.w.z. een premie.

[44] Gewoonlijk analyseert 106 een deskundige acceptant eerst het ontvangen verzoek 104 voor het verlenen van een verzekeringspolis namens de verzekeraar 105.

Deze analyse 106 omvat het extraheren van verzekeringstechnische informatie uit het verzoek 104 zoals, bijvoorbeeld, informatie over de potentiële verzekeringnemer 101, informatie over de makelaar 103, informatie over het verzekerd voorwerp, en informatie over de gewenste dekking. Op basis van de geëxtraheerde verzekeringstechnische informatie kan de acceptant gegevens of informatie zoeken, verzamelen 107 en selecteren 108 die relevant zijn voor het beoordelen van het risico voor het verlenen van de verzekeringspolis. In een volgende stap 109 kan de acceptant zijn/haar expertise gebruiken om het risico voor het verlenen van de verzekeringspolis te bepalen op basis van de geselecteerde gegevens.

[45] In een volgende stap 110 kan de acceptant bepalen of het risico aanvaardbaar is op basis van de relevante gegevens verkregen tijdens de stappen 107 en 108, en de risicoanalyse die in stap 109 is uitgevoerd. Indien het risico onaanvaardbaar wordt geacht, wordt het verlenen van de verzekeringspolis geweigerd. Indien het risico aanvaardbaar wordt geacht, kan een polis voorstel 112 worden bepaald. Het bepalen van een polis voorstel 112 kan bijvoorbeeld het bepalen van een premie, voorwaarden en condities voor de aangevraagde verzekeringspolis omvatten. Als alternatief of aanvullend, kan het bepalen van een polis voorstel 112 het toekennen van het polis voorstel omvatten zoals verzocht 104 door de makelaar 103. In een laatste stap, kan het voorstel of de weigering worden gecommuniceerd 111, 113 aan de potentiële verzekeringnemer 101 via de makelaar 103.

[46] Fig. 2 toont stappen 200 volgens een op een computer geïmplementeerde werkwijze voor het op een geautomatiseerde manier verlenen van een verzekeringspolis volgens een uitvoeringsvorm. De in Fig. 2 geïllustreerde werkwijze kan bijvoorbeeld het in Fig. 1 geïllustreerde acceptatieproces automatiseren, of gedeeltelijk automatiseren. In een eerste stap 201, wordt een ongestructureerd elektronisch gegevensbericht 211 ontvangen. Een dergelijk ongestructureerd elektronisch gegevensbericht 211 kan bijvoorbeeld, onder andere, een e-mail, een tekstbericht of een instant message zijn. Het ongestructureerd elektronisch gegevensbericht 211 omvat een verzoek om een verzekeringspolis te verlenen, bijvoorbeeld voor een verzekerd voorwerp van een kleine of middelgrote onderneming,

KMO. In het bijzonder kan de aangevraagde verzekeringspolis een op maat gemaakte verzekeringspolis zijn die kan worden gedeeld door een veelheid van verzekeraars.

Met andere woorden, het verzekerd voorwerp kan gedeeltelijk worden verzekerd door een veelheid van verzekeraars. Het verzoek kan verzekeringstechnische informatie over de aangevraagde verzekeringspolis omvatten, zoals bijvoorbeeld een identificatie van de verzekeringnemer, informatie over het verzekerd voorwerp en de gewenste dekking.

[47] In een volgende stap 202 wordt deze verzekeringstechnische informatie door middel van natuurlijke taalverwerking geëxtraheerd als gestructureerde verzekeringstechnische gegevens 212. De gestructureerde verzekeringstechnische gegevens 212 kunnen bijvoorbeeld trefwoorden, tokens, waarden of onderdelen van het ongestructureerde elektronische gegevensbericht 211 zijn. Natuurlijke taalverwerking kan bijvoorbeeld named entity recognition, ook named entity identification, entity chunking, of entity extraction omvatten, waarbij de verzekeringstechnische gegevens 212 zich in een ongestructureerde tekst bevinden en worden ingedeeld in vooraf gedefinieerde categorieën, d.w.z. gestructureerd. De gestructureerde verzekeringstechnische gegevens 212 omvatten ten minste een identificatie van een verzekeringnemer, een verzekerd voorwerp, en een gewenste dekking. De identificatie van een verzekeringnemer kan bijvoorbeeld een naam, een adres of een btw-identificatienummer van de verzekeringnemer zijn. De identificatie van een verzekerd voorwerp kan bijvoorbeeld een identificatie zijn van een gebouw, een machine, een schip, een voertuig, computerapparatuur of een ander goed dat door de verzekeringspolis wordt gedekt. Een gewenste dekking kan een beschrijving zijn van het risico, de aansprakelijkheid of het potentiële verlies dat door de verzekeringspolis wordt gedekt.

[48] Aldus kan het interpreteren van een wezenlijk uniek verzoek om een verzekeringspolis te verlenen worden geautomatiseerd. Het is een voordeel dat het verzoek om een verzekeringspolis te verlenen wezenlijk kan worden geautomatiseerd zonder gebruik te maken van gestandaardiseerde formulieren, aangezien de geschikte verzekeringstechnische informatie in elk verzoek wezenlijk kan verschillen tussen verzekeringspolissen op maat.

[49] In een volgende stap 203 wordt op basis van de geëxtraheerde verzekeringstechnische gegevens 212 ten minste één query 213 gegenereerd om een kennisgrafiek 204 te bevragen. Een kennisgrafiek 204, ook semantisch netwerk, vertegenwoordigt een netwerk van reële entiteiten 221, 222, 223 en de relaties 231, 232 tussen hen. Een entiteit 221, 222, 223 kan bijvoorbeeld een verzekeringnemer, een onderneming, een naam, een nummer, een adres, een goed, financiële informatie, een vaartuig, een makelaar, een dekking, een polis, een verzekerd voorwerp, een contract, een schadeclaim, een locatie, of een ander voorwerp of gebeurtenis zijn. Een entiteit 221, 222, 223 wordt verder gekenmerkt door één of meer labels, bijvoorbeeld een categorie, een entiteittype, of een risiconiveau. Relaties 231, 232 tussen entiteiten kunnen bijvoorbeeld, onder andere,: 'zich bevinden in',' eigendom zijn van', 'verzekerd zijn door, ‘actief zijn in', of 'onderhandelen met zijn. De kennisgrafiek 204 kan worden voorgesteld als een netwerk van knooppunten 221, 222, 223 en ribben 231, 232, die respectievelijk de entiteiten en de directionele relaties tussen deze knooppunten vertegenwoordigen. De kennisgrafiek 204 kan bijvoorbeeld worden opgeslagen in een grafische database of NoSQL databank.

[50] De kennisgrafiek 204 laat toe om hoog dimensionale informatie uit meerdere gestructureerde en/of ongestructureerde gegevensbronnen te integreren en de betekenis van deze gegevens te coderen. Het bevragen van de kennisgrafiek204 laat toe om te ontdekken hoe entiteiten 221, 222, 223 uit verschillende delen van het informatiedomein aan elkaar gerelateerd zijn. Het bevragen van de kennisgrafiek204 laat verder toe om verborgen of voorheen onbekende kennis in de kennisgrafiek204 aan het licht te brengen. Het bevragen van de kennisgrafiek 204 kan bijvoorbeeld worden uitgevoerd door een latent feature model, een graph feature model, en/of door graph-computing technieken zoals kortste pad berekeningen en netwerkanalyse. Als zodanig kan de ten minste één query 213 worden gebruikt om in de kennisgrafiek 204 gecodeerde informatie te zoeken en te ontdekken die betrekking heeft op de verzekeringstechnische gegevens 212, d.w.z. de aangevraagde verzekeringspolis.

[51] Het bevragen van de kennisgrafiek 204 resulteert in een verzameling entiteiten 214 die verband houden met de gestructureerde verzekeringstechnische gegevens 212, d.w.z. de gevraagde verzekeringspolis. In een volgende stap 205 kan een selectie van entiteiten 215 worden verkregen door uit de verzameling van entiteiten 214 de entiteiten te selecteren die één of meer vooraf bepaalde labels omvatten. Met andere woorden, de entiteiten in de verzameling entiteiten 214 die niet zijn gelabeld met de één of meer vooraf bepaalde labels, worden uit de selectie 215 weggelaten. Als alternatief kan dit selecteren worden uitgevoerd tijdens het bevragen van de kennisgrafiek 204, bijv. door de vooraf bepaalde labels als voorwaarde aan de query 213 toe te voegen. De vooraf bepaalde labels kunnen aanwijzingen zijn dat een entiteit 221, 222, 223 relevant is voor het risico van een verzekeringspolis. Bijvoorbeeld, entiteiten 221, 222, 223 gelabeld met het entiteittype faillissement, wanbetaling, of gelabeld met een hoog risiconiveau. Aldus worden entiteiten 221, 222, 223 en relaties 231, 232 verkregen die relevant zijn voor het risico van een verzekeringspolis, d.w.z. de selectie van entiteiten 215. Het is een voordeel dat onbekende relevante entiteiten kunnen worden ontdekt door de relaties tussen entiteiten in de kennisgrafiek 204 te verkennen, wat kan resulteren in een betere beoordeling van het acceptatierisico en aldus het acceptatieproces kan verbeteren.

[52] In een volgende stap 207 worden één of meer gelijken 216 van de verzekeringspolis geïdentificeerd uit een portefeuille van verzekeringspolissen 206 op basis van de selectie van entiteiten 215. De portefeuille van verzekeringspolissen 206 is een verzameling van voorgaande en huidige, d.w.z. actieve, verzekeringspolissen die door de verzekeraar werden verleend. Een gelijke van de verzekeringspolis is een verzekeringspolis die wordt gekenmerkt door één of meer soortgelijke entiteiten, bijvoorbeeld een verzekeringspolis met een soortgelijke dekking, een soortgelijke verzekeringnemer, een soortgelijke geografische locatie, of een soortgelijke branche.

Met andere woorden, door de verkregen selectie van entiteiten 215 kunnen uit de portefeuille 206 één of meer verzekeringspolissen worden geïdentificeerd die wezenlijk vergelijkbaar zijn met de te verlenen verzekeringspolis. De gegevens van de portefeuille 206 kunnen worden opgeslagen in een database of een kennisbank.

[53] Een gelijke 216 kan worden geïdentificeerd door één of meer entiteiten uit de selectie 215 te matchen met gegevens van de verzekeringspolissen in de portefeuille 206. Als alternatief kunnen deze portefeuillegegevens worden gecodeerd in kennisgrafiek 204. Door gelijken 216 te identificeren op basis van de gelijkenis tussen één of meer entiteiten, kunnen gelijken van een verzekeringspolis worden geïdentificeerd, zelfs wanneer de verzekeringspolissen wezenlijk uniek zijn, zoals bijvoorbeeld in polissen op maat voor kleine en middelgrote ondernemingen. Met andere woorden, dit laat toe om gelijken 216 te identificeren, zelfs als de te verlenen verzekeringspolis wezenlijk ongekend is.

[54] In een laatste stap 208 kan een verliesratio voor het verlenen van de verzekeringspolis worden bepaald op basis van de verliesratio's van de één of meer gelijken 217. De verliesratio is een kost die kan worden uitgedrukt als de verhouding tussen de uitbetaalde schadeclaims en de geïnde premies van een verzekeringspolis over een bepaalde periode, bijvoorbeeld een maand, een jaar, of een decennium. De verliesratio's van de gelijken 217 kunnen worden verkregen uit de database of de kennisbank waarin de portefeuille 206 is opgeslagen, bijvoorbeeld door het analyseren van de geschiedenis van schadeclaims van de gelijken 216.

[55] Het bepalen 208 van de verliesratio van de verzekeringspolis kan verder worden gebaseerd op een waarschijnlijkheidsverdeling van de verliesratio's van de gelijken 217. Door de waarschijnlijkheidsverdeling kan de meest waarschijnlijke verliesratio voor de verzekeringspolis worden bepaald of voorspeld. De verliesratio 218 kan bijvoorbeeld worden bepaald 208 als de gemiddelde verliesratio van de gelijken 216.

Het is dus een voordeel dat de verliesratio 218 voor het verlenen van een verzekeringspolis kan worden bepaald, zelfs indien de potentiële verzekeringnemer nog niet eerder een verzekeringspolis bij de verzekeraar heeft afgesloten. De bepaalde verliesratio 218 laat verder toe om te bepalen of het risico aanvaardbaar is. Dit kan manueel gebeuren, bv. door de bepaalde verliesratio aan een acceptant te verstrekken, of automatisch, bv. door een op regels gebaseerd algoritme.

[56] Bovendien kan een premie voor de verzekeringspolis worden bepaald op basis van de bepaalde verliesratio 218. De premie kan rechtstreeks worden bepaald op basis van de verliesratio 218, bijvoorbeeld door het gemiddelde bedrag van de schadeclaims van de gelijken 216 te delen door de gemiddelde verliesratio 218 van de gelijken 216. De bepaalde premie kan verder worden uitgebreid met een correctiefactor, d.w.z. een veiligheidsmarge om voorspellingsfouten in de bepaalde verliesratio 218 te corrigeren. Aldus kan de bepaalde verliesratio 218 toelaten om een geschikte premie voor de verzekeringspolis worden vastgesteld en kan worden bepaald of het risico aanvaardbaar is, zelfs wanneer een verzekeringspolis betrekking heeft op een wezenlijk uniek geval.

[57] De hierboven beschreven werkwijze verschilt dus wezenlijk van een loutere automatisering van het manuele acceptatieproces dat door een acceptant wordt uitgevoerd, in die zin dat zij een machine-architectuur verschaft die toelaat om het acceptatieproces op een andere en verbeterde wijze uit te voeren. Met andere woorden, de werkwijze laat toe om een verzekeringspolis op een wezenlijk andere wijze te verlenen, d.w.z. niet alleen door de stappen die door een acceptant worden uitgevoerd op een computer uit te voeren.

[58] Fig. 3 toont stappen 300 om ongestructureerde gegevens 311 en gestructureerde gegevens 312 die geëxtraheerd zijn uit ten minste één gegevensbron te coderen in 310 de kennisgrafiek 204. Kennisgrafiek 204 kan dus worden verkregen door het parsen van gestructureerde gegevens 312 en/of het scrapen van ongestructureerde gegevens 311 die geassocieerd zijn met de verzekeringspolis uit ten minste één gegevensbron 310, bij voorkeur een veelheid van gegevensbronnen.

De gegevensbronnen 310 kunnen interne gegevensbronnen zijn, zoals gegevens die zijn opgeslagen op privé-servers, of de gegevensbronnen 310 kunnen externe gegevensbronnen zijn, zoals gegevens die publiekelijk beschikbaar zijn op het internet.

Een webcrawler, ook wel spider of spiderbot genoemd, kan worden geïmplementeerd om systematisch het World Wide Web af te zoeken om gestructureerde 312 en/of ongestructureerde gegevens 311 te verzamelen.

[59] De ongestructureerde gegevens 311 kunnen bijvoorbeeld, onder andere, tekst, audio, foto's en video zijn. Natuurlijke taalverwerking kan worden toegepast om gegevens uit ongestructureerde tekst en audio te extraheren en te structureren. Zo kan bijvoorbeeld natuurlijk taalbegrip, ook wel 'natural language understanding’, worden gebruikt om tekstgegevens te extraheren en te structureren, terwijl spraakherkenning, ook wel 'speech recognition’, kan worden gebruikt om audiogegevens te extraheren en te structureren. Computervisie algoritmen kunnen worden toegepast voor het extraheren en structureren 320 van gegevens uit ongestructureerde foto's en video.

[60] De gestructureerde gegevens 312 en hun betekenis kunnen dan in de kennisgrafiek 204 worden gecodeerd 330 door een identificatie 331 en één of meer relaties 332 aan een entiteit, d.w.z. gestructureerde gegevens 312, toe te kennen. Als zodanig kunnen de gestructureerde gegevens 312 en hun betekenis worden ingedeeld in de knooppunten 221, 222, 223 en de ribben 231, 232 in de kennisgrafiek 204. Met andere woorden, de gestructureerde gegevens 312 kunnen worden gebruikt om onderling verbonden feiten te construeren die een subject, predicaat en object omvatten en die kunnen worden opgeslagen in een kennisbank, grafiekdatabank of

NoSQL databank. Een entiteit 221, 222, 223 kan verder worden gekenmerkt door één of meer labels 333, bijv. een categorie, een entiteittype, een risiconiveau, of een relevantie voor het verlenen van een verzekeringspolis.

[61] Deze labels 333 kunnen worden afgeleid uit de geëxtraheerde gegevens 312.

Als alternatief of aanvullend kunnen de labels 333 worden bepaald op basis van een waargenomen actiegeschiedenis van acceptanten. Een actiegeschiedenis van een acceptant verwijst naar de handelingen die een acceptant 340 verricht bij het verzamelen 351 en/of selecteren 352 van gegevens die geassocieerd zijn met het risico van de verzekeringspolis. Deze handelingen kunnen worden geobserveerd door het monitoren en loggen 353 van de handelingen van acceptanten in een computerapplicatie 350. De computerapplicatie 350 kan een desktopapplicatie of een webapplicatie zijn die een gebruikersinterface verschaft waarin een acceptant relevante verzekeringstechnische gegevens kan zoeken, selecteren en verzamelen.

De computerapplicatie 350 kan verder worden ingericht om het verzoek tot het verlenen van een verzekeringspolis, d.w.z. het ongestructureerd elektronisch gegevensbericht, te ontvangen. Dit laat toe om entiteiten 221, 222, 223 in de kennisgrafiek 204 te labelen 354 op basis van de gelogde handelingen 353, bijvoorbeeld door labels toe te voegen met betrekking tot het risico van een entiteit 221, 222, 223 zoals ingeschat door een acceptant 340. Aldus kan het bevragen van de kennisgrafiek 204 resulteren in een selectie van entiteiten die wezenlijk overeenkomt met de selectie die door de acceptanten 340 wordt gemaakt. Met andere woorden, dit laat toe om de expertise van de acceptanten in de kennisgrafiek 204 te coderen. Het is dus een voordeel dat de ervaring en de deskundigheid van de acceptanten in de kennisgrafiek 204 kunnen worden ingebed.

[62] Bovendien kan de selectie van entiteiten, verkregen door het bevragen van de kennisgrafiek 204, via computerapplicatie 350 aan een acceptant 340 worden blootgesteld 356. Dit kan de acceptant 340 toelaten om de selectie van entiteiten te verbeteren en/of bewerken. De handelingen uitgevoerd door de acceptant 340 kunnen worden gemonitord en gelogd 353. Dergelijke handelingen kunnen bijvoorbeeld het weglaten van entiteiten uit de selectie, het toevoegen van entiteiten aan de selectie, of het opnieuw bevragen van de kennisgrafiek 204 voor bijkomende informatie omvatten.

De labels 333 van de entiteiten 221, 222, 223 in de kennisgrafiek 204 kunnen dan worden aangepast 356 volgens de gelogde handelingen 353 van de acceptant, d.w.z. de feedback van de acceptant. Het is dus een voordeel dat de kennisgrafiek 204 voortdurend kan worden verbeterd door de feedback van de acceptant in te bedden.

[63] De kennisgrafiek 204 kan in de loop van de tijd verder worden verrijkt door bijkomende entiteiten 221, 222, 223 en relaties 231, 232 toe te voegen. Entiteiten en relaties kunnen ook worden uitgebreid en aangepast als bijkomende entiteiten worden overwogen voor toevoeging aan de kennisgrafiek 204. Verder periodiek onderhouden van de kennisgrafiek 204 kan linkvoorspelling omvatten om ontbrekende ribben 231, 232 te voorspellen, entiteitresolutie om overbodige knooppunten 221, 222, 223 samen te voegen, en link gebaseerde clustering om entiteiten 221, 222, 223 te groeperen op basis van een gelijkenis van hun ribben 231, 232.

[64] Fig. 4 toont een gecontroleerd trainingsproces 400 van een classifier 430 om gestructureerde verzekeringstechnische gegevens 440 te extraheren uit een ongestructureerd elektronisch gegevensbericht 410 dat een verzoek 411 tot het verlenen van een verzekeringspolis omvat. Het trainingsproces 400 kan beginnen met het verzamelen van een veelheid van ongestructureerde elektronische gegevensberichten 410 voor het verlenen van een verzekeringspolis, d.w.z. trainingsgegevens 401. In een volgende stap kunnen de ongestructureerde elektronische gegevensberichten 410 worden geannoteerd 422, 423, 424 met informatie over de verzekeringstechnische gegevens 412, 413, 414 die door de classifier 430 moeten worden geëxtraheerd. Deze verzekeringstechnische gegevens 412, 413, 414 kunnen bijvoorbeeld, onder meer, een identificatie van een verzekeringnemer 412, een verzekerd voorwerp 413, en een gewenste dekking 414 zijn. Het annoteren 402 van een ongestructureerd elektronisch gegevensbericht 410 kan het lokaliseren en labelen van gewenste trefwoorden, tokens, waarden, of onderdelen van het ongestructureerde elektronische gegevensbericht 410 omvatten, bijvoorbeeld door een deskundige acceptant. Zodoende wordt een dataset van geannoteerde elektronische gegevensberichten samengesteld die onder meer trefwoorden, tokens, waarden, en posities van de verzekeringstechnische gegevens 412, 413, 414 in het bericht omvat.

[65] Als alternatief of aanvullend kan de classifier 430 vooraf worden getraind op een benchmark dataset, bijvoorbeeld de Enron dataset, de Google Blogger Corpus dataset, of de 20 Newsgroups dataset. De classificator 430 kan verder worden getraind door ongecontroleerd leren of door ondersteund leren. Het trainen van de classifier 430 door machinaal leren kan zo resulteren in een machinaal leren model 403 dat gestructureerde verzekeringstechnische gegevens 440 kan lokaliseren en extraheren uit een ongestructureerd elektronisch gegevensbericht 410. De getrainde classifier 430 kan bijvoorbeeld een neuraal netwerk, een support vector machine, een probabilistisch netwerk, een 'conditional random field', een maximum entropie model, of een andere classifier zijn die bekend is bij de vakman.

[66] Het ontvangen ongestructureerd elektronisch gegevensbericht 410 dat een verzoek om de verzekeringspolis te verlenen omvat kan fouten bevatten, bijvoorbeeld in de spelling van een bedrijfsnaam of in het btw-identificatienummer van de verzekeringnemer. Een fout kan ook worden geïnduceerd in de verzekeringstechnische gegevens 440 door de extractie ervan uit het ongestructureerd bericht 410. Daartoe kan een correctie worden uitgevoerd waarbij de geëxtraheerde verzekeringstechnische gegevens 440 op juistheid worden gecontroleerd. Het extraheren van de gestructureerde verzekeringstechnische gegevens 440 kan dus verder het corrigeren van fouten in de geëxtraheerde verzekeringstechnische gegevens 440 omvatten. Dit corrigeren kan worden uitgevoerd wezenlijk na het extraheren van de gestructureerde verzekeringstechnische gegevens 440, of tijdens het extraheren van de gestructureerde verzekeringstechnische gegevens 440.

Bijvoorbeeld, het corrigeren van de verzekeringstechnische gegevens 440 kan worden uitgevoerd nadat de getrainde classifier 430 de gegevens 440 heeft geëxtraheerd.

[67] Een fout in gestructureerde verzekeringstechnische gegevens 440 kan worden gecorrigeerd door de foutieve verzekeringstechnische gegevens te matchen met correcte verzekeringstechnische gegevens die dezelfde karakteristieke eigenschap van een entiteit beschrijven, bijvoorbeeld de naam van een verzekeringnemer.

Bijvoorbeeld, een fout in verzekeringstechnische gegevens die de naam van een verzekeringnemer beschrijven kan worden gecorrigeerd door deze te matchen met andere geëxtraheerde verzekeringstechnische gegevens die de naam van die verzekeringnemer correct beschrijven. Als alternatief kan een fout in gestructureerde verzekeringstechnische gegevens worden gecorrigeerd door de betekenis van de foutieve verzekeringstechnische gegevens te vergelijken met de betekenis van correcte verzekeringstechnische gegevens die dezelfde entiteit beschrijven, bijvoorbeeld door de naam en het nationale registratenummer van een verzekeringnemer te vergelijken. Zo kan bijvoorbeeld een fout in geëxtraheerde verzekeringstechnische gegevens die de naam van een verzekeringnemer beschrijven, ook worden gecorrigeerd door deze te vergelijken met correcte verzekeringstechnische gegevens die het nationale registratenummer van die verzekeringnemer beschrijven, aangezien beide trefwoorden dezelfde entiteit beschrijven, namelijk de verzekeringnemer. Als alternatief of aanvullend kunnen trefwoorden op juistheid worden gecontroleerd door in databanken te zoeken, bijvoorbeeld een openbaar register. Dit kan toelaten om aanvullende gegevens te verzamelen om de juistheid van de verzekeringstechnische gegevens te controleren.

Verder kan 'approximate string matching’ worden gebruikt wanneer foutieve verzekeringstechnische gegevens niet kunnen worden gebruikt om in een gegevensbank naar aanvullende gegevens te zoeken.

[68] Op een wezenlijk vergelijkbare wijze kan een algoritme voor natuurlijke taalverwerking ook worden geïmplementeerd om gestructureerde kostengegevens te extraheren uit een geschiedenis van schadeclaims, d.w.z. voorgaande ongestructureerde schadeclaims. Een schadeclaim kan een ongestructureerd tekstdocument zijn dat een verzoek om vergoeding van een schade omvat die door een verzekeringspolis wordt gedekt. De voorgaande ongestructureerde schadeclaims kunnen worden opgeslagen in een databank of een kennisbank. Door het algoritme voor natuurlijke taalverwerking kunnen de voorgaande ongestructureerde schadeclaims worden geïnterpreteerd om gestructureerde kostengegevens te extraheren. Gestructureerde kostengegevens kunnen elementen van een schadeclaim omvatten zoals, bijvoorbeeld, één of meer sleutelwoorden, onderdelen van een zin, of één of meer zinnen die omvat zijn in de ongestructureerde tekst van de schadeclaim. De gestructureerde kostengegevens kunnen verder de kosten omvatten die met de respectieve claimelementen zijn geassocieerd. Met andere woorden, de gestructureerde kostengegevens laten toe om claimelementen in eerder ingediende schadeclaims te classificeren volgens hun respectieve kost.

[69] Op een wezenlijk vergelijkbare wijze kunnen ook de voorwaarden van voorgaande verzekeringspolissen worden geanalyseerd door middel van natuurlijke taalverwerking. De voorwaarden zijn een onderdeel van een verzekeringspolis waarin wordt beschreven hoe de polis zal werken en wat door de verzekeringspolis wordt gedekt. De voorwaarden kunnen een ongestructureerd tekstdocument zijn. Door de voorwaarden te verwerken, kunnen gestructureerde elementen worden verkregen, zoals bijvoorbeeld één of meer trefwoorden, een deel van een zin, of één of meer zinnen in de ongestructureerde tekst van de voorwaarden. Deze gestructureerde elementen van de voorwaarden kunnen dan worden vergeleken met,en geassocieerd worden met, de gestructureerde kostengegevens van de respectieve schadeclaim. Dit kan toelaten om een kostprijs toe te kennen aan elementen in de voorwaarden. Met andere woorden, de gestructureerde elementen van de voorwaarden kunnen worden geclassificeerd volgens hun respectieve kosten in de schadeclaims. Deze classificatie laat toe om de voorwaarden aan te passen om de verliesratio van een verzekeringspolis te optimaliseren, d.w.z. de verliesratio te verlagen. Het is een voordeel dat de blootstelling van een verzekeraar kan worden gecontroleerd door elementen met hoge kosten in de voorwaarden van een verzekeringspolis uit te sluiten.

[70] De op een computer geimplementeerde werkwijze kan verder het optimaliseren van een portefeuille van verzekeringspolissen omvatten. Het optimaliseren van de portefeuille heeft betrekking op het proces van het maximaliseren van de prestaties van de portefeuille op lange termijn door zorgvuldig de individuele verzekeringspolissen te selecteren die worden verleend. Hiervoor kan een toekomstige toestand van de portefeuille van verzekeringspolissen worden voorspeld.

Een toestand van de portefeuille kan worden gekenmerkt door één of meer prestatiemaatstaven, zoals bijvoorbeeld kostenratio, retentiegraad, gemiddelde schadeclaim kosten, schadeclaim frequentie, globale verliesratio van de portefeuille, een bruto som van verzekerde schade, marktaandeel, diversificatie, en winstmarges.

[71] Het voorspellen van de toestand van de portefeuille kan worden gebaseerd op de verliesratio voor het verlenen van de verzekeringspolis, voorgaande toestanden van de portefeuille, en eerdere afgesloten verzekeringspolissen van de portefeuille.

Een voorgaande verzekeringsperiode kan worden onderverdeeld in een discrete opeenvolging van toestanden en acties. Een actie kan bijvoorbeeld het afsluiten van een nieuwe polis, het verlengen van een bestaande polis, of het aanpassen van een bestaande polis zijn. Elke actie kan verder worden gekarakteriseerd door de bijbehorende individuele polis, bijvoorbeeld gekenmerkt door de premie, de voorwaarden en de dekking van de individuele polis. Een toestands-actiemodel kan dan worden gebruikt om een beloning voor elke vorige actie te modelleren op basis van de toestand van de portefeuille die het resultaat is van die vorige actie. Een dergelijk toestands-actiemodel kan toelaten om een toekomstige toestand van de portefeuille te voorspellen bij het verlenen van een verzekeringspolis op basis van de bepaalde verliesratio voor die verzekeringspolis. Het toestands-actiemodel kan worden gebaseerd op een methode met ondersteunend leren zoals, bijvoorbeeld, de 'state-action-reward-state-action' methode, SARSA, de Q-leermethode, of een temporele differentie-leermethode.

[72] Met andere woorden, het effect van het verlenen van een individuele verzekeringspolis op de totale verzekeringsportefeuille van een verzekeraar kan worden voorspeld. Dit kan toelaten om de portefeuille te optimaliseren door de verzekeringspolis aan te passen aan de voorspelde toestand van de portefeuille, d.w.z.

door het polis voorstel aan te passen. Een bijkomend voordeel is dat de portefeuille van verzekeringspolissen in rekening wordt genomen bij het acceptatieproces van een individuele verzekeringspolis.

[73] Fig. 5 toont een geschikt computersysteem 500 waarmee uitvoeringsvormen van de hierboven beschreven werkwijze volgens de uitvinding kunnen worden uitgevoerd.

Het computersysteem 500 kan in het algemeen de vorm aannemen van een geschikte computer voor algemeen gebruik en omvat een bus 510, een processor 502, een lokaal geheugen 504, een of meer optionele invoerinterfaces 514, een of meer optionele uitvoerinterfaces 516, een communicatie-interface 512, een opslagelement interface 506 en een of meer opslagelementen 508. Bus 510 kan een of meer geleiders omvatten die communicatie tussen de componenten van het computersysteem 500 mogelijk maken. Processor 502 kan elk type conventionele processor of microprocessor omvatten die programmeerinstructies interpreteert en uitvoert. Het lokale geheugen 504 kan een random-acces geheugen (RAM) of een ander type dynamisch opslagmedium omvatten dat informatie en instructies opslaat voor uitvoering door processor 502 en/of een read-only geheugen (ROM) of een ander type statisch opslagmedium dat statische informatie en instructies opslaat voor gebruik door processor 502. Invoerinterface 514 kan een of meer conventionele mechanismen omvatten waarmee een operator of gebruiker informatie kan invoeren in het computerapparaat 500, zoals een toetsenbord 520, een muis 530, een pen, stemherkennings- en/of biometrische mechanismen, een camera, enz.

Uitvoerinterface 516 kan een of meer conventionele mechanismen omvatten waarmee informatie aan de operator of gebruiker kan worden uitgevoerd, zoals een display 540, enz. De communicatie-interface 512 kan een transceiver-achtig mechanisme omvatten, zoals bijvoorbeeld een of meer Ethernet-interfaces, dat het computersysteem 500 in staat stelt te communiceren met andere apparaten en/of systemen, zoals bijvoorbeeld, onder andere, een externe server 550. De communicatie-interface 512 van het computersysteem 500 kan met een dergelijk ander computersysteem worden verbonden door middel van een lokaal netwerk (LAN) of een wide area network (WAN), zoals bijvoorbeeld het internet. Opslagelement interface 506 kan een opslaginterface omvatten zoals bijvoorbeeld een SATA-interface (Serial Advanced Technology Attachment) of een SCSl-interface (Small Computer

System Interface) om bus 510 te verbinden met een of meer opslagelementen 508,

zoals een of meer lokale schijven, bijvoorbeeld SATA-schijven, en het lezen en schrijven van gegevens naar en/of van deze opslagelementen 508 te regelen. Hoewel het (de) opslagelement(en) 508 hierboven is (zijn) beschreven als een lokale schijf, kunnen in het algemeen alle andere geschikte voor de computer leesbare media worden gebruikt, zoals een verwijderbare magnetische schijf, optische opslagmedia zoals een CD of DVD, -ROM-schijf, solid-state drives, flash-geheugenkaarten, enz.

[74] Hoewel de onderhavige uitvinding werd geïllustreerd aan de hand van specifieke uitvoeringsvormen, zal het voor de vakman duidelijk zijn dat de uitvinding niet beperkt is tot de details van de voorgaande illustratieve uitvoeringsvormen, en dat de onderhavige uitvinding kan worden uitgevoerd met verschillende wijzigingen en aanpassingen zonder daarbij af te wijken van de reikwijdte ervan. De onderhavige uitvoeringsvormen moeten daarom in alle opzichten als illustratief en niet beperkend worden beschouwd, waarbij de reikwijdte van de uitvinding eerder door de bijgevoegde conclusies dan door de voorafgaande beschrijving wordt aangegeven, en alle veranderingen die binnen de betekenis en het bereik van de gelijkwaardigheid van de conclusies vallen, zijn daarom bedoeld om daarin te worden opgenomen. Met andere woorden, het is de bedoeling om alle wijzigingen, variaties of equivalenten te omvatten die binnen de reikwijdte van de fundamentele onderliggende beginselen vallen en waarvan de essentiële kenmerken in deze octrooiaanvraag worden geclaimd.

Bovendien zal de lezer van deze octrooiaanvraag begrijpen dat de woorden "omvattende" of "omvatten" andere elementen of stappen niet uitsluiten, dat het woord "een" geen meervoud uitsluit, en dat een enkelvoudig element, zoals een computersysteem, een processor of een andere geïntegreerde eenheid de functies van verschillende hulpmiddelen kunnen vervullen die in de conclusies worden vermeld.

Eventuele verwijzingen in de conclusies mogen niet worden opgevat als een beperking van de conclusies in kwestie. De termen "eerste", "tweede", "derde", "a", "b", "c" en dergelijke, wanneer gebruikt in de beschrijving of in de conclusies, worden gebruikt om het onderscheid te maken tussen soortgelijke elementen of stappen en beschrijven niet noodzakelijk een opeenvolgende of chronologische volgorde. Op dezelfde manier worden de termen "bovenkant", "onderkant", "over", "onder" en dergelijke gebruikt ten behoeve van de beschrijving en verwijzen ze niet noodzakelijk naar relatieve posities.

Het moet worden begrepen dat die termen onderling verwisselbaar zijn onder de juiste omstandigheden en dat uitvoeringsvormen van de uitvinding in staat zijn om te functioneren volgens de onderhavige uitvinding in andere volgordes of oriëntaties dan die beschreven of geïllustreerd in het bovenstaande.

Claims (15)

CONCLUSIES

1. Een op een computer geïmplementeerde werkwijze (200) voor het verlenen van een verzekeringspolis, omvattende: — het ontvangen (201) van een ongestructureerd elektronisch gegevensbericht (211) dat een verzoek om de verzekeringspolis te verlenen omvat; — het extraheren (202) van gestructureerde verzekeringstechnische gegevens (212) uit het ongestructureerd elektronisch gegevensbericht door middel van natuurlijke taalverwerking die ten minste een identificatie van een verzekeringnemer, een verzekerd voorwerp en een gewenste dekking omvatten; — het genereren (203) van ten minste één query (213) op basis van de gestructureerde verzekeringstechnische gegevens voor het bevragen van een kennisgrafiek (204), waarbij de kennisgrafiek een netwerk van entiteiten (221, 222, 223) is dat één of meer labels en hun respectieve relaties (231, 232) omvat; — het verkrijgen (205) van een selectie van entiteiten (215) uit de kennisgrafiek door het bevragen van de kennisgrafiek met de ten minste één query, waarbij een entiteit van de selectie een relatie heeft met de gestructureerde verzekeringstechnische gegevens en één of meer vooraf bepaalde labels omvat; — het identificeren (207) van één of meer gelijken (216) van de verzekeringspolis uit een portefeuille van verzekeringspolissen (206) op basis van de selectie van entiteiten, waarbij een gelijke gekenmerkt wordt door een reeks entiteiten die wezenlijk gelijk zijn aan de selectie van entiteiten; en — het bepalen (208) van een verliesratio (218) voor het verlenen van de verzekeringspolis op basis van de verliesratio's van de één of meer gelijken.

2. Een op een computer geïmplementeerde werkwijze volgens conclusie 1, waarbij het extraheren van de gestructureerde verzekeringstechnische gegevens wordt uitgevoerd door een classifier (430) die getraind is om gestructureerde verzekeringstechnische gegevens (440) te extraheren uit een ongestructureerd elektronisch gegevensbericht (410).

3. Een op een computer geïmplementeerde werkwijze volgens één van de voorgaande conclusies, waarbij het extraheren (202) van de gestructureerde verzekeringstechnische gegevens verder het corrigeren van fouten in de geëxtraheerde gestructureerde verzekeringstechnische gegevens (440) omvat door foutieve gestructureerde verzekeringstechnische gegevens te vergelijken met andere gestructureerde verzekeringstechnische gegevens.

4. Een op een computer geïmplementeerde werkwijze volgens één van de voorgaande conclusies, waarbij één of meer labels (333) van de respectieve entiteiten (221, 222, 223) in de kennisgrafiek (204) worden bepaald op basis van een waargenomen actiegeschiedenis van acceptanten.

5. Een op een computer geïmplementeerde werkwijze volgens één van de voorgaande conclusies, verder omvattende het verkrijgen (355) van feedback van een acceptant over één of meer entiteiten in de selectie van entiteiten, en het aanpassen (356) van de labels van de respectieve entiteiten (221, 222, 223) in de kennisgrafiek (204) volgens de feedback.

6. Een op een computer geïmplementeerde werkwijze volgens één van de voorgaande conclusies, waarbij het bepalen (208) van de verliesratio voor het verlenen van de verzekeringspolis gebaseerd is op een waarschijnlijkheidsverdeling van de verliesratio's van de één of meer gelijken (216).

7. Een op een computer geïmplementeerde werkwijze volgens één van de voorgaande conclusies, verder omvattende het bepalen van een premie voor de verzekeringspolis op basis van de bepaalde verliesratio (218) voor het verlenen van de verzekeringspolis.

8. Een op een computer geïmplementeerde werkwijze volgens één van de voorgaande conclusies, verder omvattende het voorspellen van een toestand van de portefeuille van verzekeringspolissen (206) bij het verlenen van de verzekeringspolis op basis van de verliesratio voor het verlenen van de verzekeringspolis, voorgaande toestanden van de portefeuille, en voorgaande verleende verzekeringspolissen van de portefeuille.

9. Een op een computer geïmplementeerde werkwijze volgens één van de voorgaande conclusies, verder omvattende het extraheren van gestructureerde kostengegevens uit voorgaande ongestructureerde schadeclaims door natuurlijke taalverwerking, en het associëren van de gestructureerde kostengegevens aan de voorwaarden van de verzekeringspolis waarvoor een ongestructureerde schadeclaim werd ingediend.

10. Een op een computer geïmplementeerde werkwijze volgens conclusie 9, verder omvattende het bepalen van de voorwaarden van de verzekeringspolis op basis van de gestructureerde kostengegevens en de bepaalde verliesratio voor het verlenen van de verzekeringspolis.

11. Een op een computer geïmplementeerde werkwijze volgens één van de voorgaande conclusies, verder omvattende het parsen van gestructureerde gegevens (312) en/of het scrapen van ongestructureerde gegevens (311) geassocieerd met de verzekeringspolis uit ten minste één gegevensbron (310) om deze te coderen (330) in de kennisgrafiek (204).

12. Een op een computer geïmplementeerde werkwijze volgens conclusie 10, waarbij de ongestructureerde gegevens worden gestructureerd (320) door middel van natuurlijke taalverwerking en/of computervisie.

13. Een gegevensverwerkend systeem dat ingericht is om de op de computer geïmplementeerde werkwijze volgens één van de conclusies 1 tot 12 uit te voeren.

14. Een computerprogramma dat instructies omvat die, wanneer het programma door een computer wordt uitgevoerd, de computer ertoe brengen de op de computer geïmplementeerde werkwijze volgens één van de conclusies 1 tot en met 12 uit te voeren

15. Een door een computer leesbaar medium dat instructies omvat die, wanneer uitgevoerd door een computer, de computer ertoe brengen de op de computer geïmplementeerde werkwijze volgens één van de conclusies 1 tot en met 12 uit te voeren.