Exur hjælper forsikringsformidlere med den omfattende dataindsamling og det analyse-arbejde, der går forud for et forsikringsudbud eller -afgivelse. Med mere end 10 års erfaring fra at arbejde med data og risikomodellering i både forsikrings- og bankbranchen har vi udviklet en ramme for effektiv indhentning og behandling af risikodata. Med vores teknologi kan forsikringsformidlere levere anbefalinger til deres kunder af høj kvalitet uden at spilde for meget tid på dataindsamling. Mægling af erhvervsforsikringer er et milliardforetagende både i Danmark og resten af verden. Vi forventer et markedspotentiale for vores værktøj på ca. 174 mio. kr. i Danmark, svarende til ca. 18% at den samlede indtjening på mæglermarkedet. Danske virksomheder kan derfor se frem til bedre og/eller billigere forsikringsløsninger samt anbefalinger om forebyggelse. Det gør de danske arbejdspladser mere sikre og rigere. Vores løsning er en teknologi, som kræver en høj grad af R&D over en længere periode i starten, før vi har et produkt, der kan tjenes penge på. Med Innovationsfondens investering er det realistisk, at vi kan komme ud på den anden side af denne R&D-periode før vi løber tør for penge. Vi forventer at udvide ideen til andre lande og på meget langt sigt drømmer vi om at udvide vores platform til at kunne håndtere andre opgaver i erhvervsforsikringsværdikæden.

Jeg vil hjælpe offentlige myndigheder med at leve op til den kommende AI Act fra EU. Offentlige myndigheder skal dokumentere graden af bias i deres machine learning (ML) og artificial intelligence (AI) løsninger, men de mangler et effektivt værktøj og klare retningslinjer for, hvordan dette gøres i praksis. Jeg vil udvikle en løsning, hvor brugere kan oprette AI-projekter, uploade data samt få en automatiseret måling af bias inden for ML typerne klassifikation og regression: projektet skal i samarbejde med Lund universitet udvikle en løsning til generative modeller. Metodisk bruger vi menneske-annoterede datasæt som referencepunkt (baseline) for at påvise eventuelle skævheder i modellernes input og output – fx om datafordelingen af køn, etnicitet og alder afspejler befolkningen (input bias), og om modellen leverer retvisende resultater på tværs af grupper (output bias). Derudover skal dashboardet kunne generere en standardiseret rapport med relevante metrikker til dokumentationsformål.

Fair Match vil bidrage til en mere retfærdig og lige behandling af kandidater og arbejdspladser og gøre det lettere for kandidater at finde job og for arbejdspladser at finde kandidater. FairMatch udvikler et fairness-dashboard og kandidat/job anbefalingsalgoritmer, der tager højde for flersidet fairness, og fremmer state-of-the-art forskning inden for "fair AI". Jobindex forventer, at FairMatch vil bidrage til vækst i omsætning og markedsandele samt til øget vækst og velfærd i samfundet.