哪里有保險，哪里就有騙保。
騙?？梢苑Q得上是一種全人類的行為。無論是國內英美，每年的保險詐騙都會給保險公司帶來巨大的損失，尤其是在醫(yī)保和車保兩個常見險種。
為了規(guī)避這類行為，保險公司殫財竭力。在德國，每年約有22億歐元的索賠是不正當?shù)?，而美國司法部的報告更是聲稱欺詐行為導致健康保險業(yè)每年的損失超過1000億美元。
這樣巨額數(shù)據(jù)的真實性雖有待商榷(部分統(tǒng)計數(shù)據(jù)為300-400萬美元)，但在從成本中尋找盈利的今天，保險業(yè)確是存在這樣一處巨大的隱藏金礦有待挖掘。
很早以前，保險公司便使用計算機對索賠事項的合理性進行判斷，但這種判斷是膚淺的，工作人員需要對那些被標注為“異常”的索賠事項進行復查。麥肯錫的報告中顯示，所有被標注為“異常”的案例只有10%是真正的異常。
那么我們是否可以用人工智能替代人力，用深度學習對索賠事項進行合理性判斷呢?
輾壓級的高準確率與高效率
審核保單的員工在評判某一索賠是否屬實會存在一些規(guī)則，如該活動是否可能發(fā)生，該項費用是否在規(guī)定范圍之內等，這些規(guī)則都是AI易于學習的，甚至還能做得更好。
畢竟人類在處理諸如此類重復的工作時常常感到困倦，且事件之間的聯(lián)系很有可能被忽略，比如一個病人針對單一疾病開了多種不同類型但療效相同的藥，那么工作人員可能在分析單位藥價是否合理時忽略了這一行為的不合理性，這是人工智能所不會忽略的。
如果不考慮保險公司員工失業(yè)所帶來的負面社會效應，人工智能在各個方面均碾壓人類員工。
首先是效率方面，過去需有幾十位員工花費數(shù)周審理的索賠事項，在人工智能面前只需數(shù)小時。
其次是準確率，根據(jù)麥肯錫報告的數(shù)據(jù)顯示，人工智能理論上能將現(xiàn)在的騙保金額減少約3%，而每減少1%的數(shù)額將為保險業(yè)帶來百億歐元的收益。
通過這種方式給出的判斷在一定程度上可以降低保險公司員工與投保人發(fā)生沖突的可能，畢竟結果的推定者只是一個程序。
圖片來源于麥肯錫報告
上圖說明了人工智能的工作原理，第一步將所有的索賠事項導入系統(tǒng)，AI對其進行初步篩選，過濾掉所有正常的案例。在這個過程中，AI能夠識別不尋常索賠之間的關聯(lián)性，這有助于強化AI識別異常案例的能力。第二步AI將根據(jù)案例的具體情況為其評定優(yōu)先級，并將該項目交給審核人員，給出拒絕索賠的理由。
如何開發(fā)認知系統(tǒng)?
雖然AI能夠解決常規(guī)保險業(yè)務的幾個重要的痛點，但是我們依然需要解決醫(yī)療領域最為重要的數(shù)據(jù)問題(這里以商業(yè)保險為對象)。
將患者的數(shù)據(jù)錄入保險公司的信息庫本身就是一件麻煩事，好在計算機視覺的迅速發(fā)展能加快數(shù)據(jù)錄入的速度。如醫(yī)拍智能開發(fā)的醫(yī)療單據(jù)識別和解析云平臺，就可以通過掃描的方式對發(fā)票和化驗單進行識別，自行錄入數(shù)曲庫。
數(shù)據(jù)提取以后，通過NLP技術，系統(tǒng)能夠對文字信息進行預處理。日本保險公司Fukoku Mutual Life Insurance從2017年1月起，用IBM Watson取代了34名人身保險賠付專員。
Watson可以將醫(yī)院提供的病歷、診療記錄進行掃描，利用NLP技術對這些復雜的資料進行提煉和處理，讓員工騰出手來處理關于賠付的其他事項。同時，人工智能在各個領域的豐富知識，也能讓保險公司減少對于高專業(yè)度員工的依賴。
在以上技術的支持下，我們可以把認知系統(tǒng)的開發(fā)流程簡化為四個部分：
1、編譯和預處理合適的數(shù)據(jù)。鑒于健康保險公司必須處理的大量數(shù)據(jù)，這一點工作是微不足道的，其關鍵在于保證數(shù)據(jù)完整性和一致性。同時，測試數(shù)據(jù)集應包括歷史患者數(shù)據(jù)和索賠數(shù)據(jù);
2、使用各種統(tǒng)計模型來分析患者，診斷和索賠的數(shù)據(jù)。在這個階段，已經(jīng)可以確定某些診斷和索賠金額之間的相關性。該分析為開發(fā)用于標記索賠異常的有效模型提供了基礎。然后將測試數(shù)據(jù)用于訓練認知系統(tǒng)。通過分析提供額外的保險數(shù)據(jù)和外部信息，直到最終AI開始獨立學習新的數(shù)據(jù)和案例模式;
3、為了進行后續(xù)評估并選擇最終將使用的系統(tǒng)，對幾個認知系統(tǒng)進行編程，然后根據(jù)特定指標進行基準測試。根據(jù)測試結果，我們選擇能夠最可靠預測索賠的系統(tǒng);
4、用確定的系統(tǒng)審核在現(xiàn)實條件下收到的新索賠案例，并進一步完善算法。
哪些公司在從事這一工作
由于國內商業(yè)健康保險缺乏深度，而歐美的商業(yè)保險制度相對較為發(fā)達，這里整理的從事保險AI的公司均位于國外。
1、Accolade
2007年，Accolade成立于華盛頓州西雅圖。它的Maya Intelligence平臺可以根據(jù)患者的信息幫助患者選擇最符合他們需求的健康保險，以降低醫(yī)療成本。它的合作方既包含保險公司，又包含有投保義務的客戶，目前已為110多萬客戶提供相關服務。
該公司表示，該平臺使用NLP來幫助分析和合成文本格式的數(shù)據(jù)，并根據(jù)福利計劃、醫(yī)療歷史、索賠歷史等因素來建立用戶背景，用以輔助管理患者檔案。當患者登錄時，他們可以訪問個人資料、人口統(tǒng)計信息及保險公司的相關信息。如果用戶希望與護士或醫(yī)療助理談論諸如醫(yī)療或賬單問題之類的話題，則該平臺具有引薦功能，可以把用戶與最符合其背景和需求的醫(yī)療專業(yè)人員相匹配。
據(jù)統(tǒng)計，Accolade在與坦普爾大學健康系統(tǒng)(TUHS)開展合作后的第二年成功降低了醫(yī)療保健費用，總計節(jié)省980萬美元。
2、Collective Health
Collective Health成立于2013年，總部設在加利福尼亞州舊金山，它的CareX平臺可整合人口數(shù)據(jù)，醫(yī)療索賠，從而簡化客戶的醫(yī)療管理流程。
2017年3月Collective Health開始服務試點，為雇主、員工、員工的家屬提供投保指導，并用AI系統(tǒng)對他們的后續(xù)行為進行追蹤。
截止2018年8月，Collective Health已經(jīng)有15位雇主及70000名員工加入CareX系統(tǒng)。
3、Kirontech
Kirontech成立于2014年，總部位于英國劍橋，其軟件平臺KironMed使用AI減少索賠管理流程中的低效率行為。
KironMed的算法利用大型公共數(shù)據(jù)庫的數(shù)據(jù)進行培訓。該算法平臺綜合了這些數(shù)據(jù)，以識別醫(yī)療索賠的不同種類，并建立與健康保險欺詐(不準確的賬單)或浪費(即服務利用不足)相關的模式。
截至2017年3月，該公司已經(jīng)與風險投資技術公司Leap Ventures共同籌集了350萬美元的A輪融資。
4、Azati
Azati成立于2001年，總部位于新澤西州利文斯頓。它利用AI來檢測保險公司在其定制的自助服務網(wǎng)站和移動保險平臺上的欺詐行為。
當投保人登錄平臺時，他們可以通過Azat進行跟蹤和索賠。如果系統(tǒng)在分析新索賠時檢測到可能的欺詐案件，會將可能的案例發(fā)送給保險公司的人事專家，以便相關人員進行調查。軟件平臺還提供標記聲明，以用于解釋AI作出判斷的理由。
總結
AI用于保險行業(yè)其實談不上徹底意義上的創(chuàng)新，更多的是將多種成功的AI技術進行融匯貫通。但就是這一多應用的結合，可以為全球的保險公司省下巨額保金。
我們不必擔心先進的分析行為會降低投保的人數(shù)，只有一心想要騙保的人才會對這樣的系統(tǒng)敬而遠之，正常人都會感嘆于AI系統(tǒng)帶來的前所未有的理賠速度。
相關的應用在國外已經(jīng)慢慢發(fā)展，當國內的商業(yè)保險蓬勃發(fā)展的那一天，我們可能也不會在為選擇保險而發(fā)愁了。
分享到微信 ×
打開微信，點擊底部的“發(fā)現(xiàn)”，
使用“掃一掃”即可將網(wǎng)頁分享至朋友圈。
數(shù)字化要一盤棋更要各自為戰(zhàn)
