哪里有保險(xiǎn)，哪里就有騙保。

騙�？梢苑Q(chēng)得上是一種全人類(lèi)的行為。無(wú)論是國(guó)內(nèi)英美，每年的保險(xiǎn)詐騙都會(huì)給保險(xiǎn)公司帶來(lái)巨大的損失，尤其是在醫(yī)保和車(chē)保兩個(gè)常見(jiàn)險(xiǎn)種。

為了規(guī)避這類(lèi)行為，保險(xiǎn)公司殫財(cái)竭力。在德國(guó)，每年約有22億歐元的索賠是不正當(dāng)?shù)�，而美�?guó)司法部的報(bào)告更是聲稱(chēng)欺詐行為導(dǎo)致健康保險(xiǎn)業(yè)每年的損失超過(guò)1000億美元。

這樣巨額數(shù)據(jù)的真實(shí)性雖有待商榷（部分統(tǒng)計(jì)數(shù)據(jù)為300－400萬(wàn)美元），但在從成本中尋找盈利的今天，保險(xiǎn)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(xiǎn)公司便使用計(jì)算機(jī)對(duì)索賠事項(xiàng)的合理性進(jìn)行判斷，但這種判斷是膚淺的，工作人員需要對(duì)那些被標(biāo)注為“異�！钡乃髻r事項(xiàng)進(jìn)行復(fù)查。麥肯錫的報(bào)告中顯示，所有被標(biāo)注為“異�！钡陌咐�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(xué)習(xí)對(duì)索賠事項(xiàng)進(jìn)行合理性判斷呢？

輾壓級(jí)的高準(zhǔn)確率與高效率

審核保單的員工在評(píng)判某一索賠是否屬實(shí)會(huì)存在一些規(guī)則，如該活動(dòng)是否可能發(fā)生，該項(xiàng)費(fèi)用是否在規(guī)定范圍之內(nèi)等，這些規(guī)則都是AI易于學(xué)習(xí)的，甚至還能做得更好。

畢竟人類(lèi)在處理諸如此類(lèi)重復(fù)的工作時(shí)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(gè)病人針對(duì)單一疾病開(kāi)了多種不同類(lèi)型但療效相同的藥，那么工作人員可能在分析單位藥價(jià)是否合理時(shí)忽略了這一行為的不合理性，這是人工智能所不會(huì)忽略的。

如果不考慮保險(xiǎn)公司員工失業(yè)所帶來(lái)的負(fù)面社會(huì)效應(yīng)，人工智能在各個(gè)方面均碾壓人類(lèi)員工。

首先是效率方面，過(guò)去需有幾十位員工花費(fèi)數(shù)周審理的索賠事項(xiàng)，在人工智能面前只需數(shù)小時(shí)。

其次是準(zhǔn)確率，根據(jù)麥肯錫報(bào)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(xiǎn)業(yè)帶來(lái)百億歐元的收益。

通過(guò)這種方式給出的判斷在一定程度上可以降低保險(xiǎn)公司員工與投保人發(fā)生沖突的可能，畢竟結(jié)果的推定者只是一個(gè)程序。

圖片來(lái)源于麥肯錫報(bào)告

上圖說(shuō)明了人工智能的工作原理，第一步將所有的索賠事項(xiàng)導(dǎo)入系統(tǒng)，AI對(duì)其進(jìn)行初步篩選，過(guò)濾掉所有正常的案例。在這個(gè)過(guò)程中，AI能夠識(shí)別不尋常索賠之間的關(guān)聯(lián)性，這有助于強(qiáng)化AI識(shí)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(píng)定優(yōu)先級(jí)，并將該項(xiàng)目交給審核人員，給出拒絕索賠的理由。

如何開(kāi)發(fā)認(rèn)知系統(tǒng)？

雖然AI能夠解決常規(guī)保險(xiǎn)業(yè)務(wù)的幾個(gè)重要的痛點(diǎn)，但是我們依然需要解決醫(yī)療領(lǐng)域最為重要的數(shù)據(jù)問(wèn)題（這里以商業(yè)保險(xiǎn)為對(duì)象）。

將患者的數(shù)據(jù)錄入保險(xiǎn)公司的信息庫(kù)本身就是一件麻煩事，好在計(jì)算機(jī)視覺(jué)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(kāi)發(fā)的醫(yī)療單據(jù)識(shí)別和解析云平臺(tái)，就可以通過(guò)掃描的方式對(duì)發(fā)票和化驗(yàn)單進(jìn)行識(shí)別，自行錄入數(shù)曲庫(kù)。

數(shù)據(jù)提取以后，通過(guò)NLP技術(shù)，系統(tǒng)能夠?qū)ξ淖中畔⑦M(jìn)行預(yù)處理。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(zhuān)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)于賠付的其他事項(xiàng)。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(zhuān)業(yè)度員工的依賴(lài)。

在以上技術(shù)的支持下，我們可以把認(rèn)知系統(tǒng)的開(kāi)發(fā)流程簡(jiǎn)化為四個(gè)部分：

1、編譯和預(yù)處理合適的數(shù)據(jù)。鑒于健康保險(xiǎn)公司必須處理的大量數(shù)據(jù)，這一點(diǎn)工作是微不足道的，其關(guān)鍵在于保證數(shù)據(jù)完整性和一致性。同時(shí)，測(cè)試數(shù)據(jù)集應(yīng)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(jì)模型來(lái)分析患者，診斷和索賠的數(shù)據(jù)。在這個(gè)階段，已經(jīng)可以確定某些診斷和索賠金額之間的相關(guān)性。該分析為開(kāi)發(fā)用于標(biāo)記索賠異常的有效模型提供了基礎(chǔ)。然后將測(cè)試數(shù)據(jù)用于訓(xùn)練認(rèn)知系統(tǒng)。通過(guò)分析提供額外的保險(xiǎn)數(shù)據(jù)和外部信息，直到最終AI開(kāi)始獨(dú)立學(xué)習(xí)新的數(shù)據(jù)和案例模式；

3、為了進(jìn)行后續(xù)評(píng)估并選擇最終將使用的系統(tǒng)，對(duì)幾個(gè)認(rèn)知系統(tǒng)進(jìn)行編程，然后根據(jù)特定指標(biāo)進(jìn)行基準(zhǔn)測(cè)試。根據(jù)測(cè)試結(jié)果，我們選擇能夠最可靠預(yù)測(cè)索賠的系統(tǒng)；

4、用確定的系統(tǒng)審核在現(xiàn)實(shí)條件下收到的新索賠案例，并進(jìn)一步完善算法。

哪些公司在從事這一工作

由于國(guó)內(nèi)商業(yè)健康保險(xiǎn)缺乏深度，而歐美的商業(yè)保險(xiǎn)制度相對(duì)較為發(fā)達(dá)，這里整理的從事保險(xiǎn)AI的公司均位于國(guó)外。

1、Accolade

2007年，Accolade成立于華盛頓州西雅圖。它的Maya Intelligence平臺(tái)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(xiǎn)，以降低醫(yī)療成本。它的合作方既包含保險(xiǎn)公司，又包含有投保義務(wù)的客戶(hù)，目前已為110多萬(wàn)客戶(hù)提供相關(guān)服務(wù)。

該公司表示，該平臺(tái)使用NLP來(lái)幫助分析和合成文本格式的數(shù)據(jù)，并根據(jù)福利計(jì)劃、醫(yī)療歷史、索賠歷史等因素來(lái)建立用戶(hù)背景，用以輔助管理患者檔案。當(dāng)患者登錄時(shí)，他們可以訪(fǎng)問(wèn)個(gè)人資料、人口統(tǒng)計(jì)信息及保險(xiǎn)公司的相關(guān)信息。如果用戶(hù)希望與護(hù)士或醫(yī)療助理談?wù)撝T如醫(yī)療或賬單問(wèn)題之類(lèi)的話(huà)題，則該平臺(tái)具有引薦功能，可以把用戶(hù)與最符合其背景和需求的醫(yī)療專(zhuān)業(yè)人員相匹配。

據(jù)統(tǒng)計(jì)，Accolade在與坦普爾大學(xué)健康系統(tǒng)（TUHS）開(kāi)展合作后的第二年成功降低了醫(yī)療保健費(fèi)用，總計(jì)節(jié)省980萬(wàn)美元。

2、Collective Health

Collective Health成立于2013年，總部設(shè)在加利福尼亞州舊金山，它的CareX平臺(tái)可整合人口數(shù)據(jù)，醫(yī)療索賠，從而簡(jiǎn)化客戶(hù)的醫(yī)療管理流程。

2017年3月Collective Health開(kāi)始服務(wù)試點(diǎn)，為雇主、員工、員工的家屬提供投保指導(dǎo)，并用AI系統(tǒng)對(duì)他們的后續(xù)行為進(jìn)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(guó)劍橋，其軟件平臺(tái)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(kù)的數(shù)據(jù)進(jìn)行培訓(xùn)。該算法平臺(tái)綜合了這些數(shù)據(jù)，以識(shí)別醫(yī)療索賠的不同種類(lèi)，并建立與健康保險(xiǎn)欺詐（不準(zhǔn)確的賬單）或浪費(fèi)（即服務(wù)利用不足）相關(guān)的模式。

截至2017年3月，該公司已經(jīng)與風(fēng)險(xiǎn)投資技術(shù)公司Leap Ventures共同籌集了350萬(wàn)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(lái)檢測(cè)保險(xiǎn)公司在其定制的自助服務(wù)網(wǎng)站和移動(dòng)保險(xiǎn)平臺(tái)上的欺詐行為。

當(dāng)投保人登錄平臺(tái)時(shí)，他們可以通過(guò)Azat進(jìn)行跟蹤和索賠。如果系統(tǒng)在分析新索賠時(shí)檢測(cè)到可能的欺詐案件，會(huì)將可能的案例發(fā)送給保險(xiǎn)公司的人事專(zhuān)家，以便相關(guān)人員進(jìn)行調(diào)查。軟件平臺(tái)還提供標(biāo)記聲明，以用于解釋AI作出判斷的理由。

總結(jié)

AI用于保險(xiǎn)行業(yè)其實(shí)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(shù)進(jìn)行融匯貫通。但就是這一多應(yīng)用的結(jié)合，可以為全球的保險(xiǎn)公司省下巨額保金。

我們不必?fù)?dān)心先進(jìn)的分析行為會(huì)降低投保的人數(shù)，只有一心想要騙保的人才會(huì)對(duì)這樣的系統(tǒng)敬而遠(yuǎn)之，正常人都會(huì)感嘆于AI系統(tǒng)帶來(lái)的前所未有的理賠速度。

相關(guān)的應(yīng)用在國(guó)外已經(jīng)慢慢發(fā)展，當(dāng)國(guó)內(nèi)的商業(yè)保險(xiǎn)蓬勃發(fā)展的那一天，我們可能也不會(huì)在為選擇保險(xiǎn)而發(fā)愁了。