Visual intelligence в оценке повреждений автомобиля

Привет!

Как бизнес-аналитик, несколько лет я работал над сервисами, которые в той или иной степени связаны с оценкой повреждений для автотранспорта. И параллельно собирал информацию о стартапах, которые внедряют инновации в этом домене. По итогу, накопился материал для более-менее читабельного лонгрида.

Цель этой статьи - рассказать читателям, что такое Vehicle Damage Assessment, какие стартапы пытаются переосмыслить этот процесс и каким образом они планируют это сделать.

Как это работает

Если попытаться дать толкование термина "Vehicle Damage Assessment" на русском языке, то получится как "Оценка повреждений и расчет стоимости ремонта автотранспорта". Уже больше 30 лет подобные системы применяются в автостраховании. Многие сталкивались с оценкой повреждений в результате ДТП при оформлении страхового случая. Представитель страховой компании дает экспертную оценку полученным повреждениям. Результатом оценки будет отчет по ремонту и сумма страховой выплаты.

Оценка повреждений - нетривиальный процесс. На входе есть поврежденный автотранспорт с техническими особенностями модели, версией для этого региона и вариантами комплектации. Далее, повреждения: разница между "обычным рабочим" и "текущим поврежденным" состоянием автомобиля. При анализе повреждений выстраивается цепочка операций для их устранения. Учитывается количество человеко-часов для каждого этапа работ, стоимость запчастей, красок и иных материалов. Сотни параметров влияют на итоговый результат: в этом гибком процессе много "но" и еще больше "если". 

Эксперты индустрии помнят, как оценщики ("assessors") обследовали машину и записывали найденные повреждения на бумажном бланке. Затем оценщики возвращались в офис и рассчитывали стоимость по задокументированному процессу, постоянно сверяясь с печатными каталогами запчастей и других материалов. Сейчас оценщики заносят информацию о повреждениях автомобиля в приложение, которое передает данные на сервера, где происходят необходимые расчеты. 

Большим игрокам страхового рынка с экономической точки зрения невыгодно создание и поддержка собственной системы.

Во-первых, очевидный довод, что создание сложных IT-систем - это не специализация страховых компаний.  Внутренний отдел разработки или аутсорс могут не потянуть процесс разработки, внедрения и поддержки.

Во-вторых, высокая стоимость поддержки: каждый год модельный ряд автомобилей расширяется, привнося новые технические особенности; меняются регуляции для бизнеса на региональных рынках; изменяются потребности автосервисов и так далее. Даже если автострахование составляет большую часть доходов отдельного страховщика, то соотношение доходов и затрат вряд ли порадует акционеров. Если упростить задачу: работать только с легковыми автомобилями произведенных после 2000 года и только на рынке Европейского союза, то это сделает такой сервис нежизнеспособным для потребителей. 

Как альтернатива, на страховом рынке работают компании, предлагающие B2B-решения для vehicle damage assessment с дополнительными сервисами: как Software-as-a-Service или полноценная платформа с поддержкой полного жизненного цикла страхового случая. Для страховщиков использование сторонних продуктов менее затратно, хоть это и создает зависимость от выбранного вендора.

В этой статье не будут рассматриваться вендоры или подробная логика расчетов. Рассмотрим, в первую очередь, новые компании и решения на стыке InsurTech и Automotive, а также сделаем предположения, к чему это может привести.

Будущее уже рядом

Тенденция последних лет - исключение посредников и лишних звеньев между бизнесом и потребителем: страховщиком и страхователем в этом контексте. Если от автомастерских в обозримом будущем избавиться не получится, то функции оценщиков возможно переложить на приложение, которое поможет страхователю самостоятельно зафиксировать ущерб.

Устранение этого звена окажет непосредственное влияние на заинтересованные стороны:

Уменьшение влияния человеческого фактора. При ручном вводе информации возможны ошибки, которые приводят к неучтенным повреждениям. Эти ошибки затем выливаются в дополнительные затраты, судебные и репутационные издержки для страховой. У экспертов нет единого мнения насчет суммы потерь из-за подобных ошибок, но речь идет о десятках, если не сотнях миллионов долларов в год.

Сокращение расходов на оплату труда оценщиков. Страховой бизнес несет расходы на оплату труда и обучение оценщиков. Сокращение числа сотрудников или подрядчиков без потери эффективности - чем не мечта CEO и акционеров?

Уменьшение стоимости страховых услуг. В США рост расходов на страхование автотранспорта с 2010 по 2018 год превысил 20%. Для конечных потребителей исключение посредников должно привести к уменьшению суммы страховых взносов за автомобиль.

Улучшение пользовательского опыта. Потребителю не нужно ждать, пока оценщик проанализирует повреждения и передаст информацию в страховую. Он самостоятельно сделает оценку повреждений и продолжит общаться со страховой через мобильное приложение для получения выплаты.

Решение, кажется, давно лежит на поверхности - это применение машинного обучения (machine learning) для распознавания повреждений автомобиля на цифровых изображениях. Далее в этой статье будем использовать термин Visual Intelligence (VI), вместо маркетингового Artificial Intelligence (AI).

С VI пользовательский сценарий изменится: автострахователь через камеру смартфона фиксирует повреждения автомобиля. Обученная нейронная сеть анализирует изображения и получает из них информацию, которая необходима для оценки. Исходя из оценки, страховщик выплачивает компенсацию, а автосервисы используют эту информацию для ремонта.

Условно, процесс оценки состоит из следующих этапов:

1. Идентификация автомобиля
2. Распознавание автомобиля и его частей на изображении
3. Распознавание повреждений
4. Расчет стоимости ремонта 

Для идентификации автомобиля используется VIN. Кроме информации о производителе и характеристик модели, завод сборки и рынок сбыта влияют на стоимость запчастей и трудозатрат для ремонта. Визуально это два идентичных автомобиля одной марки собранных на разных заводах. Но устранение повреждений для одних и тех же мест может различаться. Поэтому одного изображения автомобиля не будет достаточно для идентификации.

Применение VI подходит для второго и третьего этапов. Первый шаг -  распознать автомобиль на изображении. Далее, какая часть автомобиля изображена: передний бампер с правым крылом или автомобиль целиком. Следующий шаг - определение наличия повреждений. При наличии - установление характера повреждений.

Этап расчета может производиться существующими системами, используя результаты анализа изображений как входные данные. Здесь в полной мере применим принцип "trash in --> trash out". Нужно в полной мере полагаться на корректность результата предыдущих этапов, чтобы гарантировать верность расчетов.

Возникает вопрос, где найти исходный материал для тренировки нейронной сети. Поисковики предложат тысячи фотографий искореженных автомобилей, но этого недостаточно, так как нужно понимать сущность этих повреждений. Забегая вперед, правильный ответ - брать эти данные у страховых компаний, которые хранят структурированную информацию о страховых случаях за предыдущие 20-30 лет.

Таким образом, вот и решение, которое может предложить ценность для заинтересованных сторон. Однако, это не голубой океан. На этом рынке уже достаточно игроков, предлагающих инновационные продукты. Рассмотрим три стартапа: Tractable.ai, Galaxy.ai, Bdeo.io. Каждый из них предлагает VI-решение с собственным подходом в применении технологий, объем привлеченного капитала и прочими особенностями.

Tractable.ai

Британский стартап Tractable основан в 2014 году, когда хайп по использованию машинного обучения только набирал обороты. В марте 2020 года они закрыли инвестиционный раунд С более чем $25 млн. В общей сумме, стартап привлек около $60 млн инвестиций. На момент Q2 2020 Tractable - это самый крупный стартап на рынке VI damage assessment, который изначально не был аффилирован с крупными страховщиками или другими IT-компаниями.

Tractable не предлагает страховой продукт для конечных потребителей и не пытается конкурировать в этом домене с традиционными страховщиками. Их стратегия - это внедрение своей технологии в существующие бизнес-решения для повышения эффективности обработки страховых случаев. В 2016 году Tractable заключает партнерства как с провайдером страховых решений, так и с европейскими страховыми компаниями. В 2017 году они получают от партнеров инвестиции в размере $8 млн. 

При закрытии раунда С в марте 2020 года, Tractable объявили, что страховая компания Ageas будет применять их технологии для расчета стоимости ущерба автомобилей при страховых случаях. Это стало большой новостью в индустрии, где любят говорить об инновациях, но на практике они не так часто находят широкое применение и доходят до конечных потребителей. Здесь можно посмотреть демонстрацию работы Tractable совместно с Ageas:

Стартап активно вкладывается в продвижение: Tractable принимают активное участие в InsurTech-мероприятиях по всему миру, разработчики делятся опытом на профильных ML-конференциях, в профильных медиа публикуются статьи и интервью с основателями. Как результат PR-стратегии, со-основатели стартапа были включены в список Forbes 30 under 30.

Стоит также отметить, что Tractable также занимается оценкой ущерба недвижимости. Но в публичной сфере стартап делает акцент на “revolutionising” автострахования.

Galaxy.ai

Как пример полярный Tractable, рассмотрим еще один стартап предлагающий VI-решение для B2B-рынка автострахования. Galaxy.ai был основан в 2015 году и изначально стартап пытался найти применение ML в медицине. Однако, в конце 2017 года произошел пивот и стартап переориентировался на автострахование, также сменив CEO.

Уже с новым видением, в августе 2018, Galaxy получила инвестиции на $2.9M. В марте 2019 стартап попал в акселератор INSUR_SPACE, который находится под покровительством страховой компании Mapfre.

В сравнение с Tractable, о Galaxy мало публичной информации. Если первые постоянно выступают с демонстрацией своего продукта, то про Galaxy очень мало конкретики. Есть несколько интервью нынешней CEO и выступления на конференциях типа Female Leadership. На Youtube доступен ролик без какой-либо конкретики.

В марте 2019 мне удалось раскопать запись демонстрации на Vimeo (на данный момент видео не доступно). В реальном времени через камеру смартфона фиксировались повреждения на кузове автомобиля. Что является принципиальным отличием от Tractable, которая, в первую очередь, сфокусирована на работе с изображениями. Судя по моим заметкам, на видео была демонстрация распознавания. Оценки, то есть расчета стоимости ремонта,  там не было. На текущий момент можно только запросить демонстрацию на лендинге стартапа.

Bdeo.io

Испанский стартап, который предлагает немного другой подход использования VI. Если произошло ДТП, то страхователь связывается с представителем страховой компании и "стримит" полученные повреждения или высылает фотографии. Система анализирует получаемую картинку и помогает оценщику идентифицировать ущерб. Здесь по ссылке можно посмотреть демонстрацию продукта в 2018 году.

Для продвижения стартап не чурается таких громких слов как Blockchain для борьбы с мошенничеством и Augmented Reality для измерения царапин и вмятин. С практической точки зрения, использование блокчейна для хранения данных даже десятка страховых компаний вряд ли защитит от более искушенных мошеннических схем. Переход всей индустрии в отдельном регионе на распределенную базу данных могло бы возыметь эффект. Но все уже не так наивны насчет всеобщего внедрения блокчейна, как это было в славном 2017-м. 

Виртуальная линейка -  это простой инструмент для сбора дополнительной информации. С точки зрения расчета стоимости ремонта, длина, ширина и глубина, повреждения отнюдь не прямо пропорциональны затраченным на восстановление ресурсам. Например, разница между царапиной длиною в 25 и царапиной в 50 сантиметров на водительской двери не повлияет на материалы, стоимость работ по шлифовке, покраске и пр. При другой крайности, имея дело с серьезным повреждением, замена той же двери может обойтись дешевле ремонта.

Также на демонстрации можно заметить, что приложение не рассчитывает стоимость ремонта. И на текущий момент нет информации, будет ли расчет проводится на стороне страховой компании посредством уже существующих систем расчета или стартап предложит свое решение. 

Важным отличием Bdeo от ранее озвученных стартапов - это фокус на рынок испаноязычных стран. C общей суммой инвестиций в €2.2M, стартапу будет проще конкурировать на более бедном (в сравнении с США) рынке той же Латинской Америки, где меньше конкуренции, меньше затраты на маркетинг и прочее.

Щепотка скепсиса

В "vehicle damage assessment" есть много подводных камней, которые могут свести на нет практическую пользу от инноваций.

Очевидно, что одних фотографий вряд ли хватит для всесторонней оценки ущерба. По изображению мы распознаем повреждения кузова и рассчитаем стоимость наружных работ или цену замены бампера. Но что тогда делать с внутренними или скрытыми сопутствующими повреждениями?

Не углубляясь в статистику, сделаем разумное предположение, что среди общего числа ДТП, большинство не требует серьезного ремонта. Возможно, VI-стартапы целятся в этот сегмент инцидентов, оставляя серьезные повреждения на откуп традиционным методам. Но и здесь есть узкие места.

По фотографии приложение оценит восстановление или замену бампера, после чего будет выписан соответствующий чек. И по итогу владелец автомобиля останется один на один с необходимостью дорогостоящего ремонта задней части кузова. А получить потом компенсацию от страховой будет тем еще приключением. 

Вопрос об оценке внутренних повреждений автомобиля был поднят в статье TechCrunch о Tractable в 2018 году. Приведу отрывок:

“We’re trying to figure out how much damage there is to a vehicle based on photos, <...> There’s some really tough correlations to pick out, which are: based on the photos of the outside, what’s the internal damage? <...> Our AI has already been trained on tens of millions of these cases, so that’s a perfect case of us already having distilled thousands of people’s work experience. That allows us to get hold of some very challenging correlations that humans just can’t do. <...>

You might need to then get a tear-down of the car and get photos of the internal damage. You might even want to get some data from the dashboard. And you can think that as cars get more sensors… the appraisal will be not just visual but also based on IoT data. But that doesn’t detract from the fact that we are convinced that it will be AI that will be doing this entirely.”

CEO Alexandre Dalyac

Между внешними и внутренними повреждениями может существовать определенная корреляция. Но информации, полученной с изображений, не достаточно для учета множества параметров. Этот же аргумент применим и к идее делать фотографии "под капотом". В современных автомобилях узлы прилегают очень плотно друг к другу. К некоторым из них подобраться может только специалист в автосервисе. И последний довод - лезть под капот или под кузов автомобиля сразу после аварии может быть банально опасно.

Использование телеметрических данных автомобиля - куда более заманчивая идея. Но это другая тема, которая заслуживает детального погружения и отдельного разбора.

Предварительный вывод

Таким образом, применение VI не автоматизирует процесс идентификации повреждений целиком. Останется ощутимая доля ручной обработки инцидентов, для которой требуются профессиональные оценщики. Инновации помогут увеличить эффективность процесса, переложив обработку и оценку косметических повреждений на нейронные сети. Но какой будет коэффициент полезного действия от внедрения VI и какие будут финансовые показатели у страховщиков, которые не побоялись рискнуть - увидим в ближайшем будущем.