ИИ в страховой отрасли

«Оказывается, быть специалистом по урегулированию страховых случаев — значит иметь пару зорких глаз, иметь дело с десятками счетов каждый день, находить основную информацию с первого взгляда и записывать ее в компьютер. Но теперь технология искусственного интеллекта может автоматически извлекать информацию из счетов». — сказал специалист по страховым случаям.

В настоящее время технология ИИ используется для проверки личности и страховых случаев. Например, внезапная эпидемия Covid-19 в 2020 году вызвала всплеск спроса людей на медицинское страхование. Благодаря интеллектуализации страховых случаев многие компании успешно отреагировали на рост бизнеса, сохранив прежний штат сотрудников.

Технология искусственного интеллекта применялась в различных бизнес-сценариях. Например, с точки зрения проверки личности страховые компании используют распознавание лиц для всего процесса онлайн-страхования, включая онлайн-покупку, защиту от повреждений и повторные визиты, чтобы помочь системе быстрее завершить проверку и снизить трудозатраты. В отношении страховых случаев также применялась технология OCR (оптическое распознавание символов). Кроме того, компании, занимающиеся исследованиями и разработками, и страховые компании продолжают проводить технические усовершенствования для обеспечения конфиденциальности информации о клиентах.

Технология OCR меняет страховые случаи

Урегулирование убытков является крупнейшей и наиболее важной сценой в страховой отрасли. Любой, кто прошел через процесс претензий, знает, что страховые претензии являются строгими и сложными. Когда страховая компания принимает заявление на получение страхового возмещения по медицинскому страхованию, застрахованный должен предоставить в общей сложности более 40 типов документов, включая медицинские счета, расчетные списки, списки расходов, квитанции о расходах и отчеты КТ / МРТ. Затем персонал страховых случаев вводит информацию в систему и формирует электронные записи.

Технология OCR сталкивается со значительными трудностями при внедрении страховых случаев. Представленные заказчиками материалы часто содержат расплывчатую и неполную информацию, что затягивает процесс рассмотрения претензий. Особенно в медицинских требованиях, по всей стране насчитывается более 30 000 больниц, и существует 34 категории различных счетов. Формат, а также название каждого поля совершенно разные. Проверка информации также затруднена.

Преимущества оптического распознавания символов

Во-первых, автоматическое урегулирование страховых случаев, поддерживаемое технологией OCR, может снизить количество проблемных позиций. Онлайн-классификация изображений претензий и возможности проверки качества напоминают клиентам о таких проблемах, как отсутствие данных и нечеткие изображения низкого качества, чтобы помочь клиентам завершить загрузку данных претензий.

Во-вторых, может точно и быстро идентифицировать содержание купюры. С помощью технологии OCR страховые компании реализовали оптимизацию размытия, наклона, переворота купюр, перекрытия содержимого и сериализации информации.

Что еще более важно, технология OCR может повысить эффективность ввода. Благодаря структурированному анализу данных о претензиях объем ручного ввода сокращается. Персонал по работе с претензиями может быть переведен из области ввода в часть обзора. Возьмем в качестве примера ввод списка расходов. Раньше ввод одной квитанции вручную занимал 40 минут. После принятия интеллектуального решения его можно выполнить в течение 10 минут, а эффективность увеличится в четыре раза.

Как обучить модель OCR

Модель должна предоставлять правильные данные для использования. Например, если вы обучаете модель автоматической расшифровке квитанций, ваши обучающие данные должны включать все значения, которые вы хотите расшифровать: имя, количество, время и т. д. Для функции автоматической транскрипции квитанций модели данные должны состоять из квитанций, содержащих значение, которое вы ищете. Кроме того, данные также должны быть исчерпывающими, включая изображения с разных ракурсов, разного качества изображения и так далее.

Требуются высококачественные обучающие данные

С ускорением коммерциализации ИИ и применением технологий ИИ, таких как помощь вождению и чат-бот для обслуживания клиентов, во всех сферах жизни, требования к качеству данных в особых сценариях становятся все выше и выше. Высококачественные размеченные данные станут одним из основных факторов конкурентоспособности компаний, занимающихся искусственным интеллектом.

Если общие наборы данных, используемые предыдущей моделью алгоритма, представляют собой грубые зерна, то в настоящее время модель алгоритма нуждается в индивидуальной питательной еде. Если компании хотят еще больше улучшить коммерциализацию определенных моделей, они должны постепенно переходить от общего набора данных к созданию уникального.

Конец

Передайте свои задачи по маркировке данных на аутсорсинг в ByteBridge, и вы сможете получать высококачественные обучающие наборы данных машинного обучения дешевле и быстрее!

  • Бесплатная пробная версия без кредитной карты: вы можете быстро получить образец результата, проверить результат и оставить отзыв непосредственно нашему менеджеру проекта.
  • 100% подтверждено людьми
  • Прозрачное и стандартное ценообразование: доступны четкие цены (работа включена)

Почему бы не попробовать?

источник: http://www.techweb.com.cn/internet/2021-02-23/2827068.shtml