详细内容或原文请订阅后点击阅览
在NVIDIA中开发了光学开关
RGS LAB AI项目的策展人Frank Shikhaliev关于实施机器学习模型的实施，这些模型允许考虑空间数据对事故率的影响。
来源:OSP网站大数据新闻Rosgosstrakh 更新了其机器学习模型，以考虑空间数据对事故率的影响。人工智能帮助公司改进风险评估并更好地个性化费率，使汽车保险对客户更加公平。 RGS 实验室人工智能项目负责人、数据奖提名者 Frank Shikhaliev 讲述了该项目的实施情况。
数据奖- 问题是什么，您想解决什么问题？
在保险领域，通过更详细地分析地理风险可以获得显着的效果。传统上，通过输入保险地区和城市的修正系数来考虑风险，但是，保单持有人和所有者指定的地址以及其他地理数据可以更准确地评估风险。我们解决了评估此类风险的问题。
- 选择了哪种方法？
我们尝试了多种选择，但最终决定将俄罗斯划分为许多 100 x 100 m 的方格，在每个方格中我们都记录了保单持有人和所有者过去的损失。此外，每个广场还添加了与邻近广场在地理信息方面的互动标志，与地理数据的连接标志，例如公共场所、学校、幼儿园等。一个特殊的“技巧”是使用对比学习从测试站点的视觉表示中提取有价值的特征——这种方法不仅根据邻近原则进行学习，而且根据差异原则进行学习。
- 机器学习模型的“幕后”是什么？使用什么数学工具来计算风险？
该项目结合了经典机器学习方法和当前积极开发的基于神经网络的方法，为经典模型提供向量表示。
- 地理数据真的对风险评估有严重影响吗？
- 一般而言，地理数据的结构如何？
- 该解决方案在哪些平台上实施？