Umetna inteligenca, sintetični podatki in nezgodne škode: Regulativa in etika

Uvod v UI in sintetične podatke pri obdelavi nezgodnih škodnih zahtevkov

V zavarovalništvu smo priča revolucionarnim spremembam, ki jih prinašata umetna inteligenca (UI) in uporaba sintetičnih podatkov, še posebej na področju obdelave nezgodnih škodnih zahtevkov. Te tehnologije obljubljajo izjemno učinkovitost, optimizacijo procesov in zmanjšanje operativnih stroškov. Moja praksa kaže, da lahko avtomatizacija s pomočjo UI skrajša čas reševanja škodnih primerov za do 30 % v povprečju, kar pomeni hitrejša izplačila za stranke in učinkovitejše delovanje zavarovalnic. Sintetični podatki, generirani z naprednimi algoritmi, kot so generativna nasprotniška omrežja (GAN), omogočajo testiranje in razvoj robustnejših modelov UI, ne da bi pri tem ogrožali zasebnost resničnih posameznikov, kar je še posebej pomembno pri občutljivih zdravstvenih podatkih.

Vendar pa z vsemi temi prednostmi prihajajo tudi resni izzivi, predvsem na področju regulative in etike. Implementacija teh tehnologij ni le tehnično vprašanje, temveč tudi strateška odločitev, ki mora upoštevati stroge zakonske okvire in etična načela. Kot zavarovalna strokovnjakinja vselej poudarjam, da se moramo zavedati, da sta »hitrejše odločitve« in »nižji stroški« lahko past, če ne zagotovimo transparentnosti, pravičnosti in skladnosti z veljavno zakonodajo. Cilj tega članka je podrobneje razčleniti te aspekte in ponuditi smernice za odgovorno uporabo UI in sintetičnih podatkov v kontekstu nezgodnih zavarovanj.

Pregled ključnih regulativnih okvirov

Uporaba UI in sintetičnih podatkov v zavarovalništvu je podvržena večplastnim regulativnim okvirom, ki jih je nujno razumeti in spoštovati. Na evropski ravni je najpomembnejša Splošna uredba o varstvu podatkov (GDPR), ki določa stroga pravila glede obdelave osebnih podatkov. V Sloveniji to uredbo dopolnjuje Zakon o varstvu osebnih podatkov (ZVOP-2). Pri obdelavi zdravstvenih podatkov, ki so še posebej občutljivi in pogosti pri nezgodnih škodnih zahtevkih, so zahteve še strožje. V povprečju obdelava takšnih podatkov vključuje vsaj tri pravne podlage: privolitev posameznika, izvajanje pogodbe in zakonito podlago. Nezadostna pravna podlaga ali neustrezna zaščita podatkov lahko povzroči kazni do 20 milijonov EUR ali 4 % letnega globalnega prometa, odvisno od tega, kateri znesek je višji.

Prihajajoči Akt o umetni inteligenci (AI Act) Evropske unije bo postavil nov standard za razvoj in uporabo sistemov UI. Ta akt razvršča sisteme UI glede na tveganje, pri čemer bodo visoko tvegani sistemi – vključno s tistimi, ki se uporabljajo za ocenjevanje škodnih zahtevkov in vplivajo na življenje posameznika – podvrženi najstrožjim zahtevam. To pomeni obvezne presoje skladnosti pred dajanjem na trg, stalno spremljanje, obvezno tehnično dokumentacijo in določitev jasne odgovornosti. Za zavarovalnice, ki uporabljajo UI za oceno nezgodnih škod, bo to pomenilo bistveno povečanje administrativnega bremena in stroškov skladnosti, vendar bo tudi zagotovilo večje zaupanje strank v pravičnost odločitev.

Poleg GDPR in Akta o umetni inteligenci (AI Act) v Sloveniji upoštevamo tudi Zakon o zavarovalništvu (ZZavar-1), ki določa splošna pravila delovanja zavarovalnic in zavarovalnih posrednikov, vključno z obveznostmi glede upravljanja tveganj in zaščite strank. Agencija za zavarovalni nadzor (AZN) ima ključno vlogo pri nadzoru in zagotavljanju skladnosti. Pri uporabi sintetičnih podatkov je pomembno zagotoviti, da so ti podatki resnično anonimizirani in ne omogočajo deanonimizacije, kar je pogosto izziv pri kompleksnih podatkovnih zbirkah. Modeliranje s sintetičnimi podatki mora biti transparentno in preverljivo, da se prepreči prenos pristranskosti iz originalnih podatkovnih baz.

Etične smernice in načela

Poleg zakonske regulative je etična dimenzija uporabe UI in sintetičnih podatkov enako pomembna. Etične smernice Evropske komisije za zanesljivo UI poudarjajo načela, kot so človeška nadzornost (human oversight), tehnična robustnost in varnost, zasebnost in upravljanje podatkov, transparentnost, raznolikost, nediskriminacija in pravičnost, dobrobit družbe in okolja ter odgovornost. Pri obdelavi nezgodnih škodnih zahtevkov je ključno zagotoviti, da sistemi UI ne vodijo do diskriminatornih odločitev, na primer na podlagi spola, starosti ali socialno-ekonomskega statusa, kar bi bilo v nasprotju z načelom pravičnosti in veljavnimi antidiskriminacijskimi zakoni.

Transparentnost modelov UI, znana tudi kot 'razložljivost UI' (explainable AI – XAI), je etična in regulativna zahteva. Stranke imajo pravico razumeti, zakaj je UI sprejela določeno odločitev glede njihovega škodnega zahtevka. To vključuje jasne informacije o uporabljenih podatkih, algoritmih in parametrih, ki so vplivali na končno oceno. Pri sintetičnih podatkih je pomembno zagotoviti, da je proces generiranja transparenten in da lastnosti sintetičnih podatkov verodostojno odsevajo realne podatke, hkrati pa ščitijo zasebnost posameznikov. Nepravilna uporaba sintetičnih podatkov lahko sicer prikrije ali celo poveča pristranskost v modelih UI, če se ne izvajajo ustrezni validacijski testi.

Odgovornost za delovanje sistemov UI mora biti jasno določena. Kdo je odgovoren, če model UI sprejme napačno odločitev, ki stranki povzroči škodo? To vprašanje je ključno in Akt o umetni inteligenci (AI Act) ga bo poskušal nasloviti. Zavarovalnice morajo vzpostaviti mehanizme za človeško revizijo avtomatiziranih odločitev, še posebej pri kompleksnih in visoko tveganih primerih. Etični komiteji in notranji auditi so nujni za zagotavljanje, da se etična načela ne zgolj deklarirajo, temveč aktivno vključujejo v celoten življenjski cikel sistema UI – od razvoja do implementacije in spremljanja.

Analiza tveganj: pristranskost, zasebnost in varnost

Pri uporabi UI in sintetičnih podatkov se srečujemo z več ključnimi tveganji. **Pristranskost (bias)** modelov UI je morda eno najkompleksnejših. Modeli se učijo iz zgodovinskih podatkov, ki lahko vsebujejo inherentne družbene pristranskosti ali nepopolnosti. Če se model UI za oceno nezgodnih škod uči na podatkih, ki so v preteklosti npr. podcenjevali škodo določene demografske skupine, bo model te pristranskosti ponavljal in celo ojačeval. Kvantifikacija pristranskosti je zahtevna; uporabljamo metrike, kot so razmerje v verjetnosti odločitve (Statistical Parity Difference), enake možnosti (Equal Opportunity Difference) ali enake napovedne vrednosti (Predictive Equality Difference). Validacija modelov UI mora vključevati testiranje na podskupinah podatkov, da se identificirajo morebitne diskrepance, ki presegajo statistično sprejemljive meje, recimo ±5 % razlike med skupinami.

**Zasebnost podatkov** je drugo kritično tveganje. Čeprav sintetični podatki ponujajo rešitev za varovanje zasebnosti, obstaja tveganje, da bi napredni algoritmi, kot so generativna nasprotniška omrežja (GAN), lahko nenamerno razkrili občutljive informacije, če niso ustrezno konfigurirani in testirani. Na primer, če se sintetični podatki generirajo na podlagi majhnega in visoko specifičnega nabora podatkov, je verjetnost deanonimizacije lahko nad 1 %. To zahteva redne analize tveganj deanonimizacije in uporabo tehnik, kot je diferencialna zasebnost (differential privacy), ki matematično zagotavlja, da sprememba katerega koli posameznega zapisa v izvornih podatkih ne bo bistveno vplivala na izhod modela. Pri nezgodnih zavarovanjih, kjer se obdelujejo zdravstveni podatki, je to še posebej relevantno.

**Kibernetska varnost** je stalna grožnja. Sistemi UI in podatkovne baze, ki vsebujejo osebne in sintetične podatke, so privlačna tarča za kibernetske napade. Vdor v sistem UI lahko omogoči manipulacijo odločitev, izsiljevanje ali krajo podatkov. Ocena tveganja mora vključevati analizo verjetnosti in vpliva kibernetskih napadov (npr. verjetnost uspešnega napada P_n = 0,01–0,05 letno, potencialna škoda V_š = 5–10 milijonov EUR). To zahteva robustne varnostne protokole, šifriranje podatkov v mirovanju in v tranzitu, redne varnostne revizije in načrte za obvladovanje incidentov. Posebno pozornost je treba nameniti t. i. 'nasprotniškim napadom' (adversarial attacks), kjer napadalci poskušajo zavajati modele UI z minimalnimi spremembami v vhodnih podatkih, kar lahko privede do napačnih odločitev pri obdelavi škodnih zahtevkov.

Kvantifikacija tveganj in finančne kazni

Kvantifikacija tveganj je ključna za strateško upravljanje skladnosti. Za vsako identificirano tveganje, kot je pristranskost ali kršitev zasebnosti, moramo oceniti verjetnost (P) nastanka in potencialni finančni vpliv (F). Skupno tveganje lahko izrazimo kot pričakovano vrednost: E(tveganje) = P * F. Na primer, če je verjetnost kršitve GDPR ocenjena na 0,5 % letno in povprečna kazen za resno kršitev znaša 5 milijonov EUR, je pričakovano letno finančno tveganje 0,005 * 5.000.000 EUR = 25.000 EUR. Vendar pa lahko ta znesek bistveno naraste pri ponavljajočih se kršitvah ali kršitvah, ki vključujejo visoko število posameznikov, do maksimalnih zneskov, kot jih določa GDPR.

Poleg direktnih kazni, ki jih določa zakonodaja, so pomembni tudi indirektni finančni vplivi, kot so izguba ugleda, zmanjšanje tržnega deleža, stroški sanacije in pravni stroški. Oceni se lahko tudi stroške 'popravljalnih ukrepov' (C_p), ki vključujejo revizijo modelov UI, ponovno usposabljanje osebja in komuniciranje z javnostjo. Na primer, popravilo pristranskega modela UI lahko stane od 100.000 do 500.000 EUR, odvisno od kompleksnosti. V tabeli spodaj je prikazan informativen primer izračuna potencialnih finančnih vplivov:

| Tveganje | Verjetnost (letno) | Direktna kazen (EUR) | Indirektni stroški (EUR) | Skupni pričakovani stroški (EUR) | |:-------------------------|:-------------------|:---------------------|:-------------------------|:---------------------------------| | Kršitev GDPR (zasebnost) | 0.005 | 5.000.000 | 2.000.000 | 35.000 | | Pristranska UI odločitev | 0.01 | 1.000.000 | 3.000.000 | 40.000 | | Kibernetski vdor | 0.002 | 2.000.000 | 5.000.000 | 14.000 |

Ti izračuni so poenostavljeni in služijo kot ilustracija potrebe po kvantitativnem pristopu. V realnosti je potrebno uporabiti sofisticirane modele, ki upoštevajo korelacije med tveganji in časovno dimenzijo.

Pomembno je poudariti, da ne gre zgolj za izognitev kaznim, temveč za izgradnjo zaupanja. Zavarovalnice, ki so transparentne in odgovorne pri uporabi UI, bodo dolgoročno pridobile zaupanje strank, kar se bo odrazilo v večjem tržnem deležu in pozitivni percepciji blagovne znamke. Izračun donosnosti naložbe (ROI) za skladnost ni enostaven, vendar dolgoročne prednosti, vključno z zmanjšanjem pravnih tveganj in izboljšanim ugledom, pogosto presegajo stroške implementacije robustnih programov skladnosti.

Protokoli za zagotavljanje skladnosti (Compliance) in etičnih standardov

Za učinkovito zagotavljanje skladnosti in etičnih standardov je nujen celovit pristop, ki vključuje več ključnih protokolov. Prvi korak je vzpostavitev močnega okvira za upravljanje podatkov (data governance framework), ki določa jasne postopke za zbiranje, shranjevanje, obdelavo in brisanje podatkov, tako realnih kot sintetičnih. To vključuje politike za anonimizacijo in psevdonimizacijo, nadzor dostopa do podatkov in redne revizije. Pri uporabi sintetičnih podatkov je ključno zagotoviti, da so ti ustvarjeni z metodami, ki zagotavljajo statistično podobnost z originalnimi podatki, hkrati pa nudijo močno garancijo zasebnosti, npr. z uporabo metod, kot je diferencialna zasebnost z vrednostjo ε, manjšo od 1.

Drugi ključni element je vzpostavitev procesa za validacijo in nadzor modelov UI. To vključuje neodvisne preglede modelov pred implementacijo, redne avdite delovanja modelov v produkciji in mehanizme za hitro odzivanje na morebitne napake ali pristranskosti. Metodologije za ocenjevanje in zmanjševanje pristranskosti v modelih UI zajemajo več tehnik: od pristopov pred obdelavo (npr. ponovno uteževanje, vzorčenje) do pristopov med obdelavo (npr. adversarial debiasing) in pristopov po obdelavi (npr. rekalibracija). Pri testiranju modelov za nezgodne škode je pomembno uporabljati tudi kontrafaktične primere, da se preveri, ali se odločitve spremenijo na diskriminatoren način ob spremembi nediskriminatornih atributov (npr. sprememba spola brez vpliva na medicinsko stanje ne sme spremeniti ocene škode).

Nenazadnje, vpeljava etičnega komiteja in imenovanje uradnika za etiko UI sta postali dobri praksi. Etični komite naj bo sestavljen iz strokovnjakov z različnih področij (pravniki, etiki, podatkovni znanstveniki) in naj redno pregleduje uporabo UI in sintetičnih podatkov z etičnega vidika. Prav tako je ključno nenehno izobraževanje zaposlenih o pomembnosti skladnosti in etike pri delu z UI in podatki. Na primer, letno usposabljanje o GDPR in etiki UI za vse vpletene sodelavce, s preverjanjem znanja z minimalnim pragom 80 % pravilnih odgovorov.

Kaj je krito in kaj ni krito pri nezgodnih zavarovanjih (splošno)

Kot strokovnjakinja za zavarovanja vselej poudarjam, da je razumevanje kritij ključno za vsakega zavarovanca. Nezgoda je nenaden in od zavarovančeve volje neodvisen dogodek, ki povzroči telesne poškodbe ali smrt. Zavarovanje za nezgodo v osnovi krije posledice takšnih dogodkov. Pri tem je pomembno razlikovati med splošnimi pogoji zavarovalnice, ki so okvir, in specifičnimi določili posamezne police, ki lahko vključujejo dodatna kritja ali izključitve. Na splošno (poudarjam: splošno, vsaka zavarovalnica ima svoje pogoje):

**Krito je (informativni seznam):**

* **Smrt kot posledica nezgode:** Izplačilo dogovorjene zavarovalne vsote dedičem. Zavarovalna vsota je npr. določena v višini od 10.000 EUR do 100.000 EUR, odvisno od police.

* **Trajna invalidnost kot posledica nezgode:** Izplačilo odstotka zavarovalne vsote, ki ustreza stopnji invalidnosti po invalidnostni lestvici. Npr. za 50 % invalidnost pri zavarovalni vsoti 50.000 EUR se izplača 25.000 EUR.

* **Dnevna odškodnina:** Izplačilo določenega zneska (npr. 10–50 EUR na dan) za vsak dan začasne popolne delovne nezmožnosti zaradi nezgode, vendar običajno po poteku določene franšize (npr. 3 dni) in za omejeno obdobje (npr. do 200 dni).

* **Bolnišnični dan:** Izplačilo določenega zneska (npr. 15–40 EUR na dan) za vsak dan, preživet v bolnišnici zaradi nezgode.

* **Stroški zdravljenja:** Povračilo nujnih in medicinsko indiciranih stroškov zdravljenja, ki niso kriti iz obveznega zdravstvenega zavarovanja (npr. stroški doplačil, rehabilitacije, medicinskih pripomočkov), do določene limitne vsote (npr. 2.000–10.000 EUR).

* **Kriti so tudi stroški reševanja, prevoza in pogrebnih stroškov v primeru smrti kot posledice nezgode.**

**Ni krito (informativni seznam, ki se lahko razlikuje med zavarovalnicami in policami):**

* **Bolezni:** Posledice bolezni, četudi so se pojavile po nezgodi, niso krite, razen če je izrecno navedeno kritje za določene bolezni, ki so neposredno povezane z nezgodo (npr. okužba rane).

* **Posledice namerne samopoškodbe ali poskusa samomora.**

* **Posledice vojne, državljanskih nemirov, terorističnih dejanj (razen če je kritje izrecno dogovorjeno).**

* **Škoda, nastala pod vplivom alkohola, drog ali drugih psihoaktivnih snovi.** Meja je običajno 0,5 promila alkohola v krvi.

* **Škoda, nastala pri opravljanju nevarnih športov ali dejavnosti, ki niso izrecno vključene v kritje** (npr. padalstvo, plezanje, potapljanje na večje globine, udeležba na avtomobilističnih dirkah – razen če je kritje dogovorjeno kot dopolnilno).

* **Kozmetične operacije, ki niso posledica nezgode in niso medicinsko nujne.**

Ključno je vedno prebrati splošne in posebne pogoje zavarovanja, saj se podrobnosti med zavarovalnicami in paketi lahko precej razlikujejo. V primeru nejasnosti se vedno posvetujte z mano ali drugim zavarovalnim strokovnjakom.

Praktični primer iz prakse: Optimizacija ocene invalidnosti z UI in sintetičnimi podatki

Vzemimo si praktičen primer iz moje prakse (brez pravih imen). Zavarovalnica X je želela optimizirati proces ocenjevanja trajne invalidnosti pri nezgodnih zavarovanjih. Tradicionalno je ta proces vključeval ročni pregled medicinske dokumentacije in oceno s strani medicinskega izvedenca, kar je bilo dolgotrajno in drago. Zavarovalnica se je odločila za razvoj modela UI, ki bi na podlagi anonimiziranih medicinskih podatkov in lestvice invalidnosti napovedoval stopnjo invalidnosti. Da bi zaobšli stroge regulative glede obdelave občutljivih osebnih podatkov za testiranje in razvoj, so se odločili za uporabo sintetičnih podatkov.

Ekipa podatkovnih znanstvenikov je s pomočjo GAN-ov generirala sintetični nabor medicinskih podatkov, ki je vseboval približno 50.000 zapisov, statistično podobnih realnim podatkom. S tem naborom so razvili in validirali več modelov UI. Ključni izziv je bila zagotovitev, da model ni pristranski glede na spol ali starost. Pri začetnem testiranju so ugotovili, da je model v povprečju ocenil 5 % nižjo stopnjo invalidnosti za ženske v določenih kategorijah poškodb, kar je bilo statistično pomembno in bi lahko povzročilo kršitev načela nediskriminacije. S pomočjo tehnik za zmanjševanje pristranskosti so model ponovno trenirali in z validacijskimi testi zagotovili, da je razlika v oceni med spoloma padla pod 1 %, kar je bilo sprejemljivo z etičnega in regulativnega vidika.

Finančni učinek te implementacije je bil merljiv. Čas obdelave nezgodnih škodnih zahtevkov, ki so vključevali oceno invalidnosti, se je skrajšal za 25 %, s povprečnih 45 dni na 33 dni. Operativni stroški so se zmanjšali za približno 15 % zaradi zmanjšanja potrebe po obsežnih ročnih pregledih. Investicija v razvoj in skladnost je znašala približno 800.000 EUR, vendar je ocenjen prihranek in povečana učinkovitost prinesla povračilo naložbe v roku 2 let. Poleg tega je bila verjetnost kazni zaradi pristranskosti zmanjšana z ocenjenih 0,02 (2 %) na 0,001 (0,1 %) letno, kar pomeni precejšnje zmanjšanje potencialnih finančnih tveganj, izraženih v milijonih evrov.

Ta primer jasno kaže, da je skrbna implementacija UI in sintetičnih podatkov, ki upošteva regulativne in etične vidike, lahko izjemno koristna. Vendar pa zahteva visoko strokovno znanje, stalno spremljanje in pripravljenost za prilagajanje.

Prihodnost UI in sintetičnih podatkov v nezgodnih zavarovanjih

Prihodnost uporabe UI in sintetičnih podatkov v nezgodnih zavarovanjih je svetla, vendar pogojena z odgovornim razvojem in implementacijo. Pričakujem, da se bodo razvijale še naprednejše metode za generiranje sintetičnih podatkov, ki bodo ponujale še večjo stopnjo zasebnosti in hkrati ohranjale visoko statistično verodostojnost. To bo omogočilo zavarovalnicam, da hitreje razvijajo in testirajo nove produkte ter modele brez tveganja kršitve zasebnosti. Raziskave in razvoj na področju diferencialne zasebnosti, homomorfnega šifriranja in federiranega učenja so ključni za doseganje tega cilja.

Modeli UI bodo postali še bolj sofisticirani, sposobni analizirati kompleksnejše podatkovne vire, vključno z nosljivimi napravami (wearables) in telematiko, kar bo omogočilo personalizirano ocenjevanje tveganj in obdelavo škod. Vendar pa bo to zahtevalo še strožje etične smernice in regulativne okvire, saj bo povečanje podatkovnih virov povečalo tudi potencial za pristranskost in vprašanja zasebnosti. Prihajajoči Akt o umetni inteligenci (AI Act) bo postavil temelje za to, a zavarovalnice bodo morale same razviti notranje standarde, ki bodo presegali minimalne zakonske zahteve. Zavarovalnice, ki bodo investirale v 'etiko UI' in 'varnost UI', bodo dolgoročno konkurenčnejše.

Moj nasvet je, da se zavarovalnice aktivno vključijo v dialog z regulatorji in raziskovalnimi institucijami, da soustvarjajo prihodnje regulativne rešitve, ki bodo uravnotežile inovacije in zaščito posameznikov. Sinergija med strokovnjaki za zavarovalništvo, podatkovnimi znanstveniki, etiki in pravniki je ključna za uspešno in odgovorno integracijo teh tehnologij v vsakodnevno poslovanje. Le tako bomo lahko izkoristili polni potencial UI in sintetičnih podatkov za izboljšanje storitev za stranke, hkrati pa zagotovili visoko stopnjo zaupanja in skladnosti.

Pogosta vprašanja

Kaj je Splošna uredba o varstvu podatkov (GDPR)?

GDPR je evropska uredba, ki določa stroga pravila za varovanje osebnih podatkov posameznikov v EU. Zahteva transparentnost, zakonitost in pravičnost obdelave ter daje posameznikom pravico do dostopa, popravka in izbrisa podatkov. Kršitve so lahko drage.

Kaj pomeni Akt o umetni inteligenci (AI Act) za zavarovalnice?

Akt o umetni inteligenci (AI Act) bo klasificiral sisteme UI glede na tveganje. Sistemi, uporabljeni pri obdelavi škodnih zahtevkov, bodo verjetno visoko tvegani, kar zahteva stroge presoje skladnosti, stalno spremljanje in robustno dokumentacijo. Cilj je zagotoviti varnost in etičnost UI.

Zakaj so sintetični podatki pomembni pri razvoju modelov UI?

Sintetični podatki so umetno ustvarjeni podatki, ki posnemajo statistične značilnosti realnih podatkov, vendar ne vsebujejo resničnih osebnih informacij. Omogočajo varno testiranje in razvoj modelov UI, ne da bi ogrožali zasebnost posameznikov, kar je ključno pri občutljivih podatkih.

Kako zavarovalnice obvladujejo tveganje pristranskosti modelov UI?

Zavarovalnice uporabljajo več tehnik: skrbno pripravo podatkov, validacijo modelov na različnih demografskih skupinah, uporabo metrik za merjenje pristranskosti in vpeljavo človeškega nadzora nad avtomatiziranimi odločitvami. Pomembno je nenehno spremljanje delovanja modelov.

Kakšne so finančne posledice neskladnosti z regulativo?

Finančne posledice vključujejo visoke kazni (npr. do 4 % letnega globalnega prometa po GDPR), stroške pravnih postopkov, stroške sanacije sistema, popravila modelov ter izgubo ugleda in zaupanja strank. Indirektni stroški pogosto presegajo neposredne kazni.

Viri in reference

• Uradni list RS – Zakon o varstvu osebnih podatkov (ZVOP-2)
• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Agencija za zavarovalni nadzor (AZN) – Smernice za zavarovalnice
• Evropska komisija – Predlog Akta o umetni inteligenci (AI Act)
• Evropska komisija – Etične smernice za zanesljivo umetno inteligenco

Nadaljujte branje o tej temi

Povezave so izbrane samodejno glede na steber zaščite in ključne besede te objave.

• 
  Primer: Tehnični vpogledi

  Določitev upravičencev in izključitve kritja pri življenjskem zavarovanju

• 
  Primer: Tehnični vpogledi

  Družinska anamneza in genetski testi: Kaj morate razkriti ob sklenitvi

• 
  Primer: Tehnični vpogledi

  Kolektivno nezgodno zavarovanje zaposlenih: Znižanje tveganj delodajalca

• 
  Primer: Tehnični vpogledi

  Nezgodna zaščita kolesarjev in pohodnikov: Terapije ter regeneracija

• 
  Primer: Tehnični vpogledi

  Nezgodno zavarovanje in zavarovanje odgovornosti: kdo komu plača