Sigortacılıkta üretken yapay zekâ (GenAI) ve büyük dil modelleri

Sigortacılıkta üretken yapay zekâ (Generative AI, GenAI), büyük dil modelleri (Large Language Model, LLM) gibi modellerin sigorta süreçlerinde metin üretmek, özetlemek, belgeden bilgi çıkarmak ve doğal dilde soru yanıtlamak için kullanılmasıdır. Sigorta, poliçe şartlarından ekspertiz raporlarına ve müşteri yazışmalarına kadar yoğun biçimde metinle çalışan bir sektör olduğu için bu teknoloji için elverişli bir alandır.

Aynı özellik riskleri de büyütür. Poliçe teminatı hakkında yanlış bir yanıt, müşteriye verilmiş hatalı bir taahhüde; kişisel veri içeren bir dosyanın kontrolsüz biçimde dış bir servise gönderilmesi ise KVKK ihlaline dönüşebilir. Bu rehber, üretken yapay zekânın sigortadaki gerçekçi kullanım alanlarını, güvenilir sonuç almak için gereken mimariyi ve yönetilmesi gereken riskleri anlatıyor.

Üretken yapay zekâ klasik yapay zekâdan nasıl ayrılır?

Klasik yapay zekâ çoğunlukla yapılandırılmış veriden bir skor ya da sınıf tahmin ederken, üretken yapay zekâ serbest metin, özet ya da yanıt gibi yeni içerik üretir. Bu fark, hem kullanım alanlarını hem de kalite kontrol yöntemlerini değiştirir.

İki yaklaşım birbirine rakip değildir. Örneğin üretken bir model ekspertiz raporundan yapılandırılmış alanları çıkarabilir, bu alanlar ise klasik bir suistimal modeline girdi olur. Genel çerçeve için sigortacılıkta yapay zekâ rehberine bakabilirsiniz.

Sigortacılıkta üretken yapay zekânın kullanım alanları nelerdir?

Sigortacılıkta üretken yapay zekânın en olgun kullanım alanları; çalışanlara yönelik bilgi asistanları, hasar dosyası özetleme, belgeden bilgi çıkarma, müşteri hizmetlerinde taslak yanıt üretimi ve yazılım geliştirme desteğidir. Bu alanların ortak noktası, çıktının bir insan tarafından kullanılmadan önce kontrol edilebilmesidir.

Çalışan asistanları ve bilgi erişimi

Genel şartlar, özel şartlar, klozlar, iç prosedürler ve yönetmelikler gibi dağınık dokümanlar üzerinde doğal dilde soru-cevap yapılabilir. Bir hasar uzmanı ya da çağrı merkezi çalışanı, ilgili maddeyi aramak yerine soruyu yazar ve kaynağıyla birlikte yanıt alır. Acente destek ekipleri için de aynı yapı kullanılabilir.

Hasar dosyası özetleme ve yazışma

Uzun ve çok belgeli hasar dosyalarının kronolojik özeti, eksik belge listesi ve müşteriye gönderilecek yazışma taslakları üretilebilir. Dosyayı devralan uzmanın durumu kavraması hızlanır; nihai karar ve gönderim yine uzmanda kalır.

Belgeden bilgi çıkarma

Ekspertiz raporları, faturalar, sağlık raporları, kaza tespit tutanakları ve ticari risk başvurularındaki bilgiler, yapılandırılmış alanlara dönüştürülebilir. Klasik optik karakter tanıma (OCR) ile birleştirildiğinde, şablonu sabit olmayan belgelerde de kullanılabilir. Çıkarılan değerlerin kaynak sistemdeki verilerle çapraz kontrolü şarttır.

Müşteri hizmetleri

Çağrı özetleri, gelen e-postaların sınıflandırılması ve temsilciye önerilen yanıt taslakları düşük riskli başlangıç noktalarıdır. Müşteriyle doğrudan konuşan bir asistan ise yalnızca onaylı içeriklere dayanmalı, teminat ya da ödeme konusunda taahhüt vermemeli ve gerektiğinde görüşmeyi insana devretmelidir.

Risk kabul ve ürün

Ticari branşlarda broker ya da acenteden gelen başvuru dokümanlarının özetlenmesi, eksik bilgi tespiti ve benzer geçmiş risklerin bulunması risk kabul uzmanının hazırlık süresini kısaltır. Ürün ekipleri için ise mevzuat değişikliklerinin mevcut şartlarla karşılaştırılması gibi analiz işlerinde destek sağlar.

Yazılım geliştirme ve modernizasyon

Kod asistanları, test senaryosu üretimi ve dokümantasyonu eksik eski kodun anlaşılması, sigorta şirketlerinin BT ekiplerinde somut verim sağlar. Özellikle eski core sistemlerdeki iş kurallarının çıkarılması, core sigorta sistemi modernizasyonu projelerinde önemli bir hazırlık adımıdır.

RAG nedir ve sigortada neden önemlidir?

Bilgiyle zenginleştirilmiş üretim (Retrieval-Augmented Generation, RAG), modelin yanıt üretmeden önce şirketin güncel dokümanlarından ilgili bölümleri bulup yanıtı bu bölümlere dayandırmasıdır. Sigortada doğru ve kaynaklı yanıt için temel mimari yaklaşımdır.

Büyük dil modelleri genel bilgiyle eğitilmiştir; şirketinizin güncel ürün şartlarını, iç prosedürlerini ve tarife kurallarını bilmez. Bilmediği bir konuda da ikna edici ama yanlış bir yanıt üretebilir. RAG bu sorunu şu şekilde azaltır:

• Dokümanlar anlamlı parçalara bölünür ve aranabilir bir dizinde tutulur.
• Kullanıcının sorusuna en uygun parçalar bulunur ve modele bağlam olarak verilir.
• Model, yalnızca bu bağlama dayanarak yanıt vermesi için yönlendirilir.
• Yanıt, kullanılan kaynak dokümana ve maddeye atıfla birlikte gösterilir.
• Kullanıcının erişim yetkisi olmayan dokümanlar arama sonuçlarına hiç dahil edilmez.

RAG'in başarısı modelden çok doküman kalitesine bağlıdır. Eski ve yeni şartların karıştığı, versiyonları belirsiz bir doküman havuzu, en iyi modelle bile hatalı yanıt üretir. Bu yüzden doküman sahipliği, versiyonlama ve yürürlük tarihleri projenin ilk işleri arasında olmalıdır.

Üretken yapay zekânın sigortadaki başlıca riskleri nelerdir?

Başlıca riskler; uydurma bilgi (halüsinasyon), kişisel veri sızıntısı, talimat enjeksiyonu (prompt injection), tutarsız çıktılar, yurt dışına veri aktarımı ve müşteriye yanlış taahhüt verilmesidir. Bu riskler mimari, süreç ve sözleşme düzeyinde birlikte yönetilmelidir.

• Uydurma bilgi: Model, kaynakta olmayan bir teminatı ya da istisnayı varmış gibi anlatabilir. Kaynak gösterimi, yanıtın kaynağa bağlılığını ölçen testler ve insan onayı gerekir.
• Kişisel veri: Hasar dosyaları ve sağlık raporları kişisel ve çoğu zaman özel nitelikli kişisel veri içerir. Maskeleme, veri minimizasyonu ve erişim kontrolü tasarımın parçası olmalıdır.
• Veri yerelliği ve aktarım: Bulut tabanlı model servislerinde verinin nerede işlendiği ve saklandığı, KVKK'nın yurt dışına aktarım kuralları ve SEDDK'nın bilgi sistemlerine ilişkin düzenlemeleri açısından değerlendirilmelidir. Konu sigorta şirketleri için bulut dönüşümü rehberinde ayrıntılı ele alınıyor.
• Talimat enjeksiyonu: Müşteriden gelen bir e-posta ya da belge, modele gizli talimatlar içerebilir. Modelin yetkileri sınırlandırılmalı, dışarıdan gelen içerik talimat olarak değil veri olarak işlenmelidir.
• Tutarsızlık: Aynı soruya farklı zamanlarda farklı yanıtlar verilebilir. Kritik süreçlerde yapılandırılmış çıktı formatları ve sabit değerlendirme setleri kullanılmalıdır.
• Maliyet ve performans: Kullanım hacmi arttıkça çağrı maliyeti ve yanıt süresi belirgin hale gelir; ölçeklenmeden önce hesaplanmalıdır.

Hangi model ve dağıtım seçeneği tercih edilmeli?

Tercih; verinin hassasiyetine, Türkçe performansına, maliyete ve şirketin altyapı olgunluğuna göre yapılmalıdır. Tek bir doğru seçenek yoktur; birçok şirket kullanım alanına göre farklı seçenekleri birlikte kullanır.

Hangi seçenek seçilirse seçilsin, model çağrılarının şirket içindeki tek bir ara katmandan geçmesi önerilir. Bu katman maskeleme, yetki kontrolü, kayıt tutma, maliyet takibi ve model değiştirme esnekliği sağlar.

Üretken yapay zekâ projesi adım adım nasıl yürütülür?

Proje; düşük riskli ve ölçülebilir bir kullanım alanı seçimiyle başlar, doküman ve veri hazırlığıyla devam eder, değerlendirme setiyle test edilir ve kontrollü biçimde yaygınlaştırılır.

1. Kullanım alanını seçin: İlk proje için çıktısı çalışan tarafından kontrol edilen, iç kullanıma yönelik bir alan seçin.
2. Başarı ölçütünü tanımlayın: Zaman kazancı, yanıt doğruluğu ve kullanıcı memnuniyeti gibi metrikleri önceden yazın.
3. Doküman ve veri hazırlığı yapın: Kaynak dokümanların güncel, tekil ve versiyonlu olduğundan emin olun; kişisel veriyi maskeleyin.
4. Değerlendirme seti oluşturun: Uzmanların doğru yanıtını bildiği gerçekçi sorulardan oluşan bir test seti hazırlayın.
5. Güvenlik kontrollerini kurun: Yetkilendirme, talimat enjeksiyonu testleri, kayıt tutma ve içerik filtreleri ekleyin.
6. Pilotu sınırlı bir ekiple yürütün: Kullanıcı geri bildirimlerini ve hatalı yanıtları sistematik olarak toplayın.
7. İzleyin ve yaygınlaştırın: Değerlendirme setini her model ya da doküman değişikliğinde yeniden çalıştırın; sonuçlar yeterliyse kapsamı genişletin.

Kontrol listesi olarak her projede şu sorulara yanıt verilmelidir: Kaynak dokümanların sahibi kim? Kişisel veri modele gidiyor mu, gidiyorsa hangi hukuki dayanakla? Yanıtlar kaynak gösteriyor mu? Müşteriye giden her çıktı insan onayından geçiyor mu? Model değiştiğinde değerlendirme seti yeniden çalıştırılıyor mu? Kişisel veri boyutunun ayrıntıları için KVKK uyumlu sigorta yazılımı rehberine bakabilirsiniz.

ProdayTech olarak üretken yapay zekâ projelerinde, model çağrılarını maskeleme ve kayıt katmanından geçiren, yanıtları kaynağa bağlayan bir mimariyle başlamayı öneriyoruz. Kullanım alanı değerlendirmesi için iletişim sayfasından bize ulaşabilirsiniz.