Yapay zekâ ile hasar tespiti: görüntü işleme nasıl çalışır?

Yapay zekâ ile hasar tespiti, hasarlı bir aracın ya da mülkün fotoğraflarının görüntü işleme (computer vision) modelleriyle incelenerek hangi parçanın, ne tür ve ne şiddette hasar gördüğünün otomatik olarak belirlenmesi demektir. Çıktı genellikle parça bazında bir hasar listesi, onarım ya da değişim önerisi ve bir ön maliyet tahminidir.

Bu teknoloji, en olgun haliyle kasko ve trafik branşlarında araç hasarlarında kullanılır; cam hasarı, poliçe öncesi araç kontrolü ve konut hasarları gibi alanlarda da uygulanır. Amacı eksperin yerini almak değil, basit dosyaları hızlandırmak, eksperin zamanını karmaşık dosyalara ayırmak ve süreçteki tutarlılığı artırmaktır. Bu makale, görüntü işlemeyle hasar tespitinin teknik adımlarını, veri gereksinimlerini, risklerini ve hasar sistemine nasıl entegre edileceğini anlatıyor.

Görüntü işleme ile hasar tespiti adım adım nasıl çalışır?

Görüntü işleme ile hasar tespiti; görüntünün alınması ve kalite kontrolü, aracın ve parçaların tanınması, hasarın sınıflandırılması, şiddetin ölçülmesi ve maliyetin tahmin edilmesi adımlarından oluşan bir işlem hattıdır. Her adım ayrı bir model ya da kural setiyle çalışabilir.

1. Görüntü alma: Sigortalı, acente veya servis, mobil uygulama ya da web bağlantısı üzerinden yönlendirmeli bir çekim akışıyla fotoğraf çeker. Akış, aracın dört köşesini, hasarlı bölgeyi yakından ve uzaktan, plakayı ve kilometre göstergesini ister.
2. Kalite kontrolü: Bulanık, karanlık, yansımalı ya da çok uzaktan çekilmiş görüntüler anında tespit edilir ve kullanıcıdan yeniden çekim istenir. Bu adım, sonraki tüm adımların isabetini doğrudan belirler.
3. Nesne ve kimlik tanıma: Görüntüdeki aracın doğru araç olduğu plaka okuma ile, gerekiyorsa marka, model ve renk tutarlılığıyla doğrulanır.
4. Parça segmentasyonu: Model, görüntüyü piksel düzeyinde parçalara ayırır: ön tampon, kaput, sol ön çamurluk, far, ayna gibi.
5. Hasar sınıflandırma: Her parça üzerinde çizik, göçük, kırık, çatlak, boya hasarı gibi hasar tipleri tespit edilir.
6. Şiddet ve karar önerisi: Hasarın büyüklüğüne ve konumuna göre parçanın onarım mı, değişim mi gerektirdiği tahmin edilir.
7. Maliyet tahmini: Parça fiyat katalogları, işçilik süreleri ve boya malzemesi bilgileriyle ön maliyet hesaplanır.
8. Güven skoru ve yönlendirme: Sonuç, modelin güven düzeyiyle birlikte hasar sistemine iletilir ve iş kuralları dosyanın akışını belirler.

Yapay zekâ ile hasar tespiti hangi branşlarda kullanılır?

Yapay zekâ ile hasar tespiti en yaygın olarak kasko ve trafik branşındaki araç hasarlarında kullanılır; cam hasarı, poliçe öncesi risk kontrolü, konut ve işyeri hasarları ile tarım gibi alanlarda da uygulama örnekleri bulunur. Her branşın görüntü tipi ve iş kuralları farklıdır.

• Kasko: Sigortalının kendi aracındaki hasar için fotoğraf tabanlı ön tespit ve anlaşmalı servise yönlendirme.
• Trafik sigortası: Karşı taraf araç hasarının değerlendirilmesi; bu dosyalarda TRAMER (Trafik Sigortası Bilgi Merkezi) kayıtlarıyla tutarlılık kontrolü de önem taşır.
• Cam hasarı: Görece standart ve düşük tutarlı olduğu için otomasyona en uygun alanlardan biridir.
• Poliçe öncesi kontrol: Kasko poliçesi başlamadan önce aracın mevcut durumunun fotoğraflarla kayıt altına alınması, sonradan önceden var olan hasarların ihbar edilmesini zorlaştırır.
• Konut ve işyeri: Su baskını, yangın ya da cam kırılması gibi hasarlarda fotoğraf ve video ile ön değerlendirme.
• Toplu hasar olayları: Dolu, sel veya deprem gibi olaylardan sonra drone ve uydu görüntüleriyle etkilenen bölgenin hızlı haritalanması.

Branşa özgü süreçler için kasko ve trafik sigortasında dijital süreçler rehberine bakabilirsiniz.

Geleneksel ekspertiz ile yapay zekâ destekli süreç arasındaki fark nedir?

Temel fark, ilk değerlendirmenin fiziksel inceleme beklenmeden, ihbar anında dijital olarak yapılması ve dosyanın bu değerlendirmeye göre doğru akışa yönlendirilmesidir. Eksper incelemesi ortadan kalkmaz, gerekli olduğu dosyalara yoğunlaşır.

Türkiye'de ekspertiz faaliyeti mevzuatla düzenlenir ve belirli durumlarda eksper ataması zorunlu olabilir. Otomasyon kurgulanırken hangi dosyaların eksper incelemesi gerektirdiği, güncel mevzuat ve şirketin hasar politikasıyla birlikte değerlendirilmelidir.

Modelin başarısı hangi verilere bağlıdır?

Modelin başarısı; etiketli görüntülerin sayısından çok, bu görüntülerin gerçek saha koşullarını ne kadar iyi temsil ettiğine ve etiketlerin ne kadar doğru olduğuna bağlıdır. Farklı ışık, hava, renk ve araç tiplerini içermeyen bir veri seti, laboratuvarda iyi sonuç verip sahada başarısız olur.

Dikkat edilmesi gereken başlıca noktalar şunlardır:

• Araç parkının temsili: Türkiye'deki yaygın marka ve modeller, ticari araçlar ve eski model araçlar veri setinde yeterince yer almalıdır.
• Etiket kalitesi: Parça ve hasar etiketleri, eksper bilgisiyle doğrulanmalı; onarım ya da değişim kararı gerçek dosya sonuçlarıyla eşleştirilmelidir.
• Zor koşullar: Kirli araç, yağmur damlası, gece çekimi, metalik boyadaki yansımalar ve kısmi görüntüler ayrıca test edilmelidir.
• Sınıf dengesizliği: Nadir görülen hasar tiplerinde model zayıf kalabilir; bu durumlar düşük güven skoruyla insana yönlendirilmelidir.
• Maliyet verisi: Parça fiyatları ve işçilik süreleri güncel tutulmazsa hasar tespiti doğru olsa bile maliyet tahmini sapar.
• Kişisel veri: Plaka, yüz ve konum bilgisi içeren görüntüler KVKK kapsamında kişisel veridir; saklama süresi, erişim yetkisi ve maskeleme kuralları tanımlanmalıdır.

Sahte ve manipüle edilmiş görüntü riski nasıl yönetilir?

Sahte görüntü riski; uygulama içi canlı çekim zorunluluğu, görüntü bütünlüğü kontrolleri ve geçmiş hasar kayıtlarıyla karşılaştırma yapılarak yönetilir. Görüntüye dayalı bir süreç, bu kontroller olmadan suistimale açık hale gelir.

Uygulanabilecek başlıca kontroller:

• Fotoğrafların galeriden değil, uygulama içi kamera ile çekilmesini zorunlu tutmak.
• Çekim zamanı ve konum bilgisini ihbar bilgileriyle karşılaştırmak.
• Aynı ya da çok benzer görüntünün daha önce başka bir dosyada kullanılıp kullanılmadığını algısal benzerlik yöntemleriyle kontrol etmek.
• Düzenleme, kırpma ya da üretken yapay zekâ ile oluşturulma izlerini tespit etmeye yönelik modeller kullanmak.
• Poliçe öncesi kontrol fotoğraflarıyla ihbar fotoğraflarını karşılaştırarak önceden var olan hasarı ayırt etmek.

Bu sinyaller tek başına karar vermez; suistimal skoruna girdi olarak aktarılır. Bütüncül yaklaşım için sigorta dolandırıcılığı tespiti rehberini inceleyebilirsiniz.

Hasar tespiti hasar sistemine nasıl entegre edilir?

Hasar tespiti modeli, hasar sistemine API üzerinden bağlanan ayrı bir servis olarak kurgulanmalı; model çıktısı ise iş kuralları üzerinden dosyanın akışını belirlemelidir. Modelin sonucu doğrudan ödeme kararına dönüşmemeli, tanımlı eşikler ve yetki kuralları devrede olmalıdır.

Tipik bir entegrasyon kurgusunda hasar sistemi ihbarı ve görüntüleri servise gönderir, servis parça bazlı sonuç, maliyet tahmini ve güven skorunu döner. Ardından kural motoru şu tür kararlar verir: güven skoru yüksek ve tutar belirli bir eşiğin altındaysa dosya hızlı işlem kuyruğuna ya da anlaşmalı servise yönlendirilir; güven skoru düşükse, tutar yüksekse ya da suistimal sinyali varsa dosya eksper incelemesine gider. Bu yapının hasar yönetimindeki yeri için hasar yönetim sistemi rehberine bakabilirsiniz.

Hasar tespiti projesi için kontrol listesi

• Pilot için tek branş ve net bir dosya tipi (ör. cam ya da düşük tutarlı kasko) seçildi mi?
• Yönlendirmeli çekim akışı ve anlık kalite kontrolü tasarlandı mı?
• Model, şirketin kendi geçmiş dosyalarıyla ve eksper sonuçlarıyla karşılaştırmalı test edildi mi?
• Güven skoru eşikleri ve eksper yönlendirme kuralları yazılı hale getirildi mi?
• Parça fiyat ve işçilik verisinin güncelleme sorumlusu belli mi?
• Sahte görüntü kontrolleri ve suistimal skoruna aktarım kurgulandı mı?
• Görüntülerin saklanması ve maskelenmesi KVKK açısından değerlendirildi mi?
• Model performansı ve eksper düzeltmeleri düzenli olarak izleniyor mu?

ProdayTech olarak hasar otomasyonu projelerinde görüntü işleme servisini hasar sistemi, kural motoru ve eksper iş akışıyla birlikte tasarlamayı esas alıyoruz. Pilot kapsamını birlikte değerlendirmek için iletişim sayfasından bize ulaşabilirsiniz.