現(xiàn)在，我們正在越來(lái)越多的看到人工智能技術(shù)出現(xiàn)在保險(xiǎn)產(chǎn)業(yè)中，比如人氣頗高的智能保險(xiǎn)顧問(wèn)。

 

　　其實(shí)，大多數(shù)智能保顧和Fintech的智能投顧差異不大，通過(guò)收集用戶的收入信息，配合大數(shù)據(jù)分析，向他們推薦保險(xiǎn)產(chǎn)品?？杀ｋU(xiǎn)和理財(cái)不同，投保行為發(fā)生中，感性因素所占的比例并不比理性更低。數(shù)據(jù)和算法雖然能挖掘更適合客戶的產(chǎn)品，可想要挖掘和激發(fā)客戶的感性需求，還是要靠人為銷售。

 

　　金融業(yè)和保險(xiǎn)業(yè)雖然有很多相似之處，可對(duì)于人工智能的應(yīng)用方向不一定要照搬。在保險(xiǎn)產(chǎn)業(yè)鏈上，保險(xiǎn)理賠或許是最適合人工智能的一環(huán)。

 

 

　　在保險(xiǎn)行業(yè)中，人們往往只看到了市場(chǎng)、銷售方面的成本，其實(shí)在理賠上，保險(xiǎn)公司要付出更多的人力和精力。

 

　　假如兩輛汽車相撞，有人受傷，保險(xiǎn)公司要做人傷定損、核損和核賠，這中間就需要收集傷者的病歷、治療方案、審核就診時(shí)的一切費(fèi)用，嚴(yán)重一點(diǎn)的，甚至還要調(diào)取傷者的往期病歷，涉及傷殘鑒定的，要在出險(xiǎn) 6 月后做傷殘?jiān)u估。在車方面，則要核查車輛情況、理賠單的真實(shí)性，有大量的單據(jù)核銷工作。

　　這僅僅是保險(xiǎn)業(yè)務(wù)中一個(gè)極小、極常見(jiàn)的案例，即使付出了這么多的工作，也很難保證是否被騙保。實(shí)際上，有專家曾聲稱20%的車險(xiǎn)理賠都是被欺詐，雖然不能確定這一數(shù)字的真實(shí)性，但由于舉證困難、騙保風(fēng)險(xiǎn)低、汽車原理中的知識(shí)不對(duì)稱等等問(wèn)題，車險(xiǎn)被騙保的確是個(gè)不能回避的問(wèn)題。

 

　　繁重的數(shù)據(jù)、單據(jù)核查，對(duì)于不同領(lǐng)域知識(shí)熟悉度的高要求再加上和不法分子斗智斗勇，保險(xiǎn)理賠實(shí)在是耗費(fèi)了保險(xiǎn)公司太多的資源。

 

 

　　那么人工智能可以如何解決這些問(wèn)題？其實(shí)，方法有很多。

 

　　圖像識(shí)別很可能會(huì)成為在保險(xiǎn)行業(yè)應(yīng)用最多的技術(shù)。最基本的，可以通過(guò)人臉識(shí)別、證件識(shí)別（還包括不屬于圖像的聲紋識(shí)別）等等方式進(jìn)行身份認(rèn)證。更重要的，圖像識(shí)別還可以處理非結(jié)構(gòu)類數(shù)據(jù)，比如將筆跡、掃描/拍照單據(jù)轉(zhuǎn)換成文字，對(duì)視頻、現(xiàn)場(chǎng)照片進(jìn)行分類處理等等。

 

　　中國(guó)平安甚至還提出了利用圖像識(shí)別進(jìn)行車險(xiǎn)的遠(yuǎn)程智能定損，總之，作為一項(xiàng)基礎(chǔ)技術(shù)，圖像識(shí)別將在保險(xiǎn)產(chǎn)業(yè)中大有作為。

 

　　處理過(guò)圖片之后，展示出的文字信息就可以利用人工智能來(lái)加快處理速度，并彌補(bǔ)員工自身在專業(yè)知識(shí)上的不足。

 

　　在日本就有過(guò)這樣的案例，據(jù)稱日本保險(xiǎn)公司Fukoku Mutual Life Insurance從2017年1月起，用IBM Watson取代了34名人身保險(xiǎn)賠付專員。Watson可以將醫(yī)院提供的病歷、診療記錄進(jìn)行掃描，利用NLP技術(shù)對(duì)這些復(fù)雜的資料進(jìn)行提煉和處理，讓員工騰出手來(lái)處理關(guān)于賠付的其他事宜。同時(shí)，人工智能在各個(gè)領(lǐng)域的豐富知識(shí)，也能讓保險(xiǎn)公司減少對(duì)于高專業(yè)度員工的依賴。

 

　　通過(guò)深度學(xué)習(xí)技術(shù)對(duì)已有的數(shù)據(jù)進(jìn)行挖掘，也可以帶來(lái)很多驚喜。比如在車險(xiǎn)騙保中，最常見(jiàn)的方法就是投保人伙同維修機(jī)構(gòu)，夸大、虛構(gòu)維修費(fèi)用。為了避免這種情況發(fā)生，很多保險(xiǎn)公司選擇用現(xiàn)場(chǎng)勘查、指定維修機(jī)構(gòu)、跳過(guò)維修機(jī)構(gòu)定損等等方式來(lái)解決，實(shí)際上辦法要么成本高，要么體驗(yàn)差。

 

　　而保險(xiǎn)公司往往自己都擁有大量的理賠案例，結(jié)合維修機(jī)構(gòu)費(fèi)用的變化規(guī)律，利用深度學(xué)習(xí)技術(shù)可以挖掘出一套動(dòng)態(tài)的定損模型。當(dāng)客戶提出報(bào)銷修理費(fèi)用或?yàn)榭蛻舳〒p時(shí)，可以參考算法模型給出的結(jié)果，對(duì)于那些明顯高于算法結(jié)果的，再加入人為核查。

 

 

　　如果說(shuō)以上幾種方式只是減輕了保險(xiǎn)理賠中的一些重復(fù)性工作，但對(duì)于第三方大數(shù)據(jù)的挖掘和應(yīng)用，可能會(huì)給保險(xiǎn)行業(yè)帶來(lái)本質(zhì)上的變化。

 

　　比如在上述的車險(xiǎn)騙保案例中，如果保險(xiǎn)公司可以獲取車載GPS系統(tǒng)，就能獲知車主的車速、駕駛時(shí)長(zhǎng)甚至是出發(fā)地和目的地，從而輔助判斷故意碰撞的可能性。

 

　　甚至保險(xiǎn)公司也可以利用這些數(shù)據(jù)為用戶進(jìn)行評(píng)級(jí)，參考金融風(fēng)控技術(shù)，從各個(gè)平臺(tái)獲取用戶多維的數(shù)據(jù)，盡量的避免接受有欺詐傾向用戶的投保。

 

　　可這就帶來(lái)了另一個(gè)問(wèn)題，當(dāng)保險(xiǎn)公司能夠獲得我們的大量數(shù)據(jù)時(shí)，如何平衡“風(fēng)險(xiǎn)評(píng)級(jí)”與“保險(xiǎn)公司自身利益最大化”之間那層微妙的關(guān)系？

 

　　在未來(lái)，或許保險(xiǎn)公司可以獲得外賣、生活服務(wù)平臺(tái)的數(shù)據(jù)，發(fā)現(xiàn)你天天不是半夜點(diǎn)炸雞外賣，就是在外面大吃大喝，微信運(yùn)動(dòng)常年墊底。那么保險(xiǎn)公司是否有權(quán)利不接受你的健康險(xiǎn)投保？又或者，保險(xiǎn)公司獲得了你的社交網(wǎng)絡(luò)數(shù)據(jù)，發(fā)現(xiàn)你熱愛(ài)飆車，或者是個(gè)技術(shù)糟糕的司機(jī)，他們是否有權(quán)力為你限定車險(xiǎn)投保額度？

　　在美國(guó)的奧巴馬醫(yī)改計(jì)劃中，就格外提出了禁止保險(xiǎn)行業(yè)以購(gòu)買(mǎi)者的先前病史為由拒絕向其出售保險(xiǎn)，也不得以性別或病史為由加收保險(xiǎn)費(fèi)。實(shí)行之后，就有不少人諷刺，保險(xiǎn)公司為了避免更多人生病，就開(kāi)始在媒體上大肆吹捧健康的生活方式。保險(xiǎn)這個(gè)產(chǎn)業(yè)，本身就在“普惠”和“商業(yè)”的夾縫中生存，有了技術(shù)的加持，維持平衡變成了一件很難的事。

 

　　前面提到過(guò)，車險(xiǎn)騙保很多時(shí)候就是利用了企業(yè)和個(gè)人之間的不對(duì)等，對(duì)于汽車了解的不對(duì)等和時(shí)間精力的不對(duì)等?？僧?dāng)我們的過(guò)去甚至未來(lái)都通過(guò)大數(shù)據(jù)和人工智能被企業(yè)牢牢掌控，企業(yè)和我們之間的不對(duì)等反而加大了。

 

　　或許一開(kāi)始，我們只是把人工智能當(dāng)成一把利劍，鏟除世界上一切的惡?？烧娈?dāng)手握利劍時(shí)，最怕的還是激發(fā)出自己心中的惡。