在實際索賠案例中，保險機構(gòu)往往需要使用涉及個人、場景乃至其他影響因素的大量數(shù)據(jù)。如果再結(jié)合具體保險條款的限制，整個評判體系將變得更為復雜。此外，保險業(yè)務(wù)還劃分為大量險種——人壽保險與汽車保險明顯就不是一回事——其各自對應(yīng)不同的數(shù)據(jù)與流程。面對如此繁雜的業(yè)務(wù)要素，機器學習（ML）有望成為推動保險高效實踐的救星。

保險的本質(zhì)是一種抵御風險的手段。保險業(yè)需要根據(jù)期望支出確定費率，借此獲得較為正常的正收益。但這種對費率且支出的理解與設(shè)置，特別是維持盈利能力的方法，往往極為復雜，整個保險行業(yè)都希望機器學習技術(shù)能夠及時“伸出援手”。這里需要強調(diào)的是，被寄予重望的是機器學習、而非人工智能（AI），這是因為人們普遍認為基于機器學習的統(tǒng)計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)、專家系統(tǒng)或者其他純AI方案的效果。

下面，我們一起來看機器學習有望協(xié)助保險行業(yè)解決的三大基本問題。

>>> 保險承保

健康與人壽保險本身非常復雜，其具體設(shè)計需要涵蓋個人健康狀態(tài)、病情以及死亡風險等多種因素。保險承保方以往一直在使用一組評判因素，例如男性/女性、年齡以及是否吸煙等。另外，保險業(yè)務(wù)也與金融業(yè)務(wù)類似，往往也會結(jié)合郵政編碼等指標出現(xiàn)“界定現(xiàn)象”——即無論客戶愿意支付多高的保費，都得不到保險服務(wù)。

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

這也正是機器學習發(fā)揮作用的理想舞臺?，F(xiàn)代計算系統(tǒng)提供的充沛性能足以處理海量數(shù)據(jù)，復雜的回歸分析則可執(zhí)行聚類以進一步支撐分析體系。更重要的是，眾多現(xiàn)有機器學習方法無需AI技術(shù)即可提供價值。

Traffk公司CEO兼聯(lián)合創(chuàng)始人Paul Ford表示：“在保險承保業(yè)務(wù)方面，統(tǒng)計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，但仍需要在訓練/運行時長以及必要的準確性之間求取平衡，保證這類引擎擁有實際推廣的價值。雖然后續(xù)情況可能有所變化，但目前來看我們的模型確實為客戶提供了分析與盈利方面的提升。”

>>> 汽車理賠

保險程序的另一端自然是理賠問題。理賠的復雜性不僅困擾著被保險人，也給承保方帶來了巨大的困擾。以汽車行業(yè)為例，保險公司需要了解不同維修選項以及可用零件需求，再考慮到汽車廠商與車型的龐大體系，相信大家能夠體會到理賠評判的難度所在。

拿汽車理賠舉例，僅基于常規(guī)維修成本進行估算明顯遠遠不夠。不同車型的計算方式不同；即使在同一類車型中，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。

對此，機器學習可以通過多種方式為理賠提供支持。此外，保險公司也完全可以在理賠流程中使用多種機器學習工具。

對于第一時間損失通知（FNOL），保險商需要盡快將事故或損壞評估結(jié)果通報給被保險人。如果能夠快速評估總體損失，那么整個流程將變得更加簡單高效。在損失評估方面，機器學習技術(shù)看似沒什么直接作用，但往往會通過機器人流程自動化（RPA）來簡化整個理賠流程。

而如果車輛存在其他損壞，甚至是某些無法快速判斷的深層損失，則可以使用機器學習。最典型的工具當然是AI視覺方案，例如通過手動應(yīng)用引導客戶拍下車輛照片，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。與被保險人相比，維修廠對于定損流程無疑更為熟悉，也能夠回答承保方提出的更多具體問題，快速幫助保險公司得出準確的賠償數(shù)額。

請注意，這里提到了兩種不同方法。其中通過單一AI系統(tǒng)涵蓋理賠流程中各個步驟的方案明顯會過于復雜。Solera公司CTO Evan Davies表示：“最好能使用彼此獨立的多個系統(tǒng)分別處理理賠、損壞識別與維修估算功能，借此提高整體效率。通過在理賠流程中引入多種機器學習方法，大家可以最大程度利用自動化技術(shù)帶來的收益，保證熟練的技術(shù)人員能夠?qū)Ｗ⒂谔幚砀鼜碗s的案例。”

Evan Davies還提到，整個理賠流程往往會在很大程度上受到事故嚴重度或者具體保險類型的影響。輕微損壞與標準承保范圍內(nèi)的案例可以全面自動化完成，各方對于流程及賠付額度也一般沒有過多爭議。如前所述，這類情況并不需要AI技術(shù)的介入。在另一方面，對于評估周期較長的案例，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的周期，極大改善被保險人與承保商之間的長期合作關(guān)系。

>>> 欺詐識別

沒錯，欺詐活動是保險行業(yè)永遠繞不開的大麻煩。遺憾的是，欺詐始終存在，長期困擾著包括保險業(yè)在內(nèi)的眾多行業(yè)。

需要強調(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求。例如，保險公司可以通過聚類分析了解特定區(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。

對于潛在欺詐活動的分析，我們往往需要借助多種工具，而囊括統(tǒng)計數(shù)據(jù)、基于規(guī)則的方法乃至神經(jīng)網(wǎng)絡(luò)等因素的機器學習將在其中發(fā)揮重要作用。