在實(shí)際索賠案例中，保險(xiǎn)機(jī)構(gòu)往往需要使用涉及個(gè)人、場(chǎng)景乃至其他影響因素的大量數(shù)據(jù)。如果再結(jié)合具體保險(xiǎn)條款的限制，整個(gè)評(píng)判體系將變得更為復(fù)雜。此外，保險(xiǎn)業(yè)務(wù)還劃分為大量險(xiǎn)種——人壽保險(xiǎn)與汽車(chē)保險(xiǎn)明顯就不是一回事——其各自對(duì)應(yīng)不同的數(shù)據(jù)與流程。面對(duì)如此繁雜的業(yè)務(wù)要素，機(jī)器學(xué)習(xí)(ML)有望成為推動(dòng)保險(xiǎn)高效實(shí)踐的救星。

[[385022]]

保險(xiǎn)的本質(zhì)是一種抵御風(fēng)險(xiǎn)的手段。保險(xiǎn)業(yè)需要根據(jù)期望支出確定費(fèi)率，借此獲得較為正常的正收益。但這種對(duì)費(fèi)率且支出的理解與設(shè)置，特別是維持盈利能力的方法，往往極為復(fù)雜，整個(gè)保險(xiǎn)行業(yè)都希望機(jī)器學(xué)習(xí)技術(shù)能夠及時(shí)“伸出援手”。這里需要強(qiáng)調(diào)的是，被寄予重望的是機(jī)器學(xué)習(xí)、而非人工智能(AI)，這是因?yàn)槿藗兤毡檎J(rèn)為基于機(jī)器學(xué)習(xí)的統(tǒng)計(jì)工具在完成某些特定任務(wù)方面往往擁有超越神經(jīng)網(wǎng)絡(luò)、專(zhuān)家系統(tǒng)或者其他純AI方案的效果。

下面，我們一起來(lái)看機(jī)器學(xué)習(xí)有望協(xié)助保險(xiǎn)行業(yè)解決的三大基本問(wèn)題。

保險(xiǎn)承保

健康與人壽保險(xiǎn)本身非常復(fù)雜，其具體設(shè)計(jì)需要涵蓋個(gè)人健康狀態(tài)、病情以及死亡風(fēng)險(xiǎn)等多種因素。保險(xiǎn)承保方以往一直在使用一組評(píng)判因素，例如男性/女性、年齡以及是否吸煙等。另外，保險(xiǎn)業(yè)務(wù)也與金融業(yè)務(wù)類(lèi)似，往往也會(huì)結(jié)合郵政編碼等指標(biāo)出現(xiàn)“界定現(xiàn)象”——即無(wú)論客戶愿意支付多高的保費(fèi)，都得不到保險(xiǎn)服務(wù)。

解決這些法律問(wèn)題的必要性，意味著承保服務(wù)不僅涉及個(gè)人健康風(fēng)險(xiǎn)、同時(shí)也涉及法律風(fēng)險(xiǎn)。承保方需要進(jìn)行分析，以排除可能引發(fā)法律風(fēng)險(xiǎn)的特定條款，并以此為基礎(chǔ)維持穩(wěn)定的可盈利資金池。

這也正是機(jī)器學(xué)習(xí)發(fā)揮作用的理想舞臺(tái)?，F(xiàn)代計(jì)算系統(tǒng)提供的充沛性能足以處理海量數(shù)據(jù)，復(fù)雜的回歸分析則可執(zhí)行聚類(lèi)以進(jìn)一步支撐分析體系。更重要的是，眾多現(xiàn)有機(jī)器學(xué)習(xí)方法無(wú)需AI技術(shù)即可提供價(jià)值。

Traffk公司CEO兼聯(lián)合創(chuàng)始人Paul Ford表示：“在保險(xiǎn)承保業(yè)務(wù)方面，統(tǒng)計(jì)模型與程序代碼正改善企業(yè)的分析能力。我們目前就在使用神經(jīng)網(wǎng)絡(luò)模型，但仍需要在訓(xùn)練/運(yùn)行時(shí)長(zhǎng)以及必要的準(zhǔn)確性之間求取平衡，保證這類(lèi)引擎擁有實(shí)際推廣的價(jià)值。雖然后續(xù)情況可能有所變化，但目前來(lái)看我們的模型確實(shí)為客戶提供了分析與盈利方面的提升。”

汽車(chē)?yán)碣r

保險(xiǎn)程序的另一端自然是理賠問(wèn)題。理賠的復(fù)雜性不僅困擾著被保險(xiǎn)人，也給承保方帶來(lái)了巨大的困擾。以汽車(chē)行業(yè)為例，保險(xiǎn)公司需要了解不同維修選項(xiàng)以及可用零件需求，再考慮到汽車(chē)廠商與車(chē)型的龐大體系，相信大家能夠體會(huì)到理賠評(píng)判的難度所在。

拿汽車(chē)?yán)碣r舉例，僅基于常規(guī)維修成本進(jìn)行估算明顯遠(yuǎn)遠(yuǎn)不夠。不同車(chē)型的計(jì)算方式不同;即使在同一類(lèi)車(chē)型中，維修成本也將依保障范圍與所在區(qū)域內(nèi)的零件供應(yīng)情況而有所區(qū)別。

對(duì)此，機(jī)器學(xué)習(xí)可以通過(guò)多種方式為理賠提供支持。此外，保險(xiǎn)公司也完全可以在理賠流程中使用多種機(jī)器學(xué)習(xí)工具。

對(duì)于第一時(shí)間損失通知(FNOL)，保險(xiǎn)商需要盡快將事故或損壞評(píng)估結(jié)果通報(bào)給被保險(xiǎn)人。如果能夠快速評(píng)估總體損失，那么整個(gè)流程將變得更加簡(jiǎn)單高效。在損失評(píng)估方面，機(jī)器學(xué)習(xí)技術(shù)看似沒(méi)什么直接作用，但往往會(huì)通過(guò)機(jī)器人流程自動(dòng)化(RPA)來(lái)簡(jiǎn)化整個(gè)理賠流程。

而如果車(chē)輛存在其他損壞，甚至是某些無(wú)法快速判斷的深層損失，則可以使用機(jī)器學(xué)習(xí)。最典型的工具當(dāng)然是AI視覺(jué)方案，例如通過(guò)手動(dòng)應(yīng)用引導(dǎo)客戶拍下車(chē)輛照片，借此供AI系統(tǒng)分析損壞情況，而后由后端AI系統(tǒng)映射至替換零件并做出估價(jià)。與被保險(xiǎn)人相比，維修廠對(duì)于定損流程無(wú)疑更為熟悉，也能夠回答承保方提出的更多具體問(wèn)題，快速幫助保險(xiǎn)公司得出準(zhǔn)確的賠償數(shù)額。

請(qǐng)注意，這里提到了兩種不同方法。其中通過(guò)單一AI系統(tǒng)涵蓋理賠流程中各個(gè)步驟的方案明顯會(huì)過(guò)于復(fù)雜。Solera公司CTO Evan Davies表示：“最好能使用彼此獨(dú)立的多個(gè)系統(tǒng)分別處理理賠、損壞識(shí)別與維修估算功能，借此提高整體效率。通過(guò)在理賠流程中引入多種機(jī)器學(xué)習(xí)方法，大家可以很大程度利用自動(dòng)化技術(shù)帶來(lái)的收益，保證熟練的技術(shù)人員能夠?qū)Ｗ⒂谔幚砀鼜?fù)雜的案例。”

Evan Davies還提到，整個(gè)理賠流程往往會(huì)在很大程度上受到事故嚴(yán)重度或者具體保險(xiǎn)類(lèi)型的影響。輕微損壞與標(biāo)準(zhǔn)承保范圍內(nèi)的案例可以全面自動(dòng)化完成，各方對(duì)于流程及賠付額度也一般沒(méi)有過(guò)多爭(zhēng)議。如前所述，這類(lèi)情況并不需要AI技術(shù)的介入。在另一方面，對(duì)于評(píng)估周期較長(zhǎng)的案例，則可由定賠員使用技術(shù)手段提高審查分析效率。這種方式有助于縮短客戶獲得賠付款項(xiàng)的周期，極大改善被保險(xiǎn)人與承保商之間的長(zhǎng)期合作關(guān)系。

欺詐識(shí)別

沒(méi)錯(cuò)，欺詐活動(dòng)是保險(xiǎn)行業(yè)永遠(yuǎn)繞不開(kāi)的大麻煩。遺憾的是，欺詐始終存在，長(zhǎng)期困擾著包括保險(xiǎn)業(yè)在內(nèi)的眾多行業(yè)。

需要強(qiáng)調(diào)的是，理賠分析的應(yīng)用范圍并不僅限于正確處置所有理賠請(qǐng)求。例如，保險(xiǎn)公司可以通過(guò)聚類(lèi)分析了解特定區(qū)域內(nèi)的事故發(fā)生幾率是否超出了正常水平，并據(jù)此推斷是否存在有組織的欺詐行為。

對(duì)于潛在欺詐活動(dòng)的分析，我們往往需要借助多種工具，而囊括統(tǒng)計(jì)數(shù)據(jù)、基于規(guī)則的方法乃至神經(jīng)網(wǎng)絡(luò)等因素的機(jī)器學(xué)習(xí)將在其中發(fā)揮重要作用。