这篇文章最初是由Iron Mountain赞助的AI深度报道的一部分，并根据我们的《透明》进行了编写、编辑和发布Emerj赞助的内容指南。了解更多关于我们的思想领导和内容创造服务思想领导服务页面。
历史上，保险业收集了大量的数据有关他们的客户，索赔等等。这可以是pdf、文本文档、图像和视频形式的非结构化数据，也可以是已组织好的结构化数据大数据分析。
与其他行业一样，这种数据宝藏的存在也受到了人们的关注保险产业带动许多大公司的采用大数据分析和技术来寻找模式中可能透露的见解，驱动商业价值的数据。
任何这样的大数据应用程序可能需要几个数据管理步骤，包括集合，清洗，整理和存储。已经与某种形式在过去的大数据分析的工作可能会访问可以通过AI算法对数据科学家的一点额外的努力来摄取结构化数据的保险公司。
由于大量历史数据记录的可用性，以及大型跨国公司拥有实施复杂人工智能项目的资源，保险行业可能已经具备了应用人工智能的成熟条件。这些公司收集的数据来自多个渠道和不同的格式，人工智能搜索和发现项目需要几个初始步骤来组织和管理数据。
拉迪姆Rehurek他在马萨里克大学布尔诺分校(Masaryk University Brno)获得了计算机科学博士学位，并创立了RARE Technologies公司。
从理论上讲人工智能在搜索和发现方面有很多可能的应用，但在实践中(在真实的商业环境中)，数据是非常混乱的，企业需要了解在他们的数据约束下什么是可能的。
保险公司收集的大部分数据可能在不同程度上是无结构的。这对保险公司在收集和构建数据方面提出了几个挑战，而这些数据是成功实施人工智能系统的关键。
Giacomo Domeniconi他是IBM Watson TJ研究中心的博士后研究员，同时也是纽约大学“高性能机器学习”课程的兼职教授，他认为构建数据是企业面临的最大挑战:
企业需要构建自己的信息，并创建标记的数据集，它可以用来训练的AI系统。然而，创建此标记数据集可能是非常具有挑战性的应用AI和在大多数情况下会涉及手动标注使用域的专家的专业知识数据的一部分。
企业在收集和组织数据方面面临许多挑战，而这些数据是成功实施人工智能系统的关键。人工智能应用程序的好坏取决于它所使用的数据。
有几个可供使用的商业产品自然语言处理和机learning表示数据搜索和发现。这里有一个值得注意的发展谷歌推出了谷歌云搜索企业工具，该公司称，允许企业搜索和更有效地访问其内部信息。
例如，企业的员工可以输入这样的问题:“Mary Brown共享的文档在哪里?”或者“Bruce的经理是谁?”而云搜索可能会返回包含相关信息的答题卡。
通过在结构化和非结构化数据集中寻找更好的信息搜索方式，保险公司可以以类似的方式从人工智能搜索和发现中受益。NLP和机器学习可以用来开发智能搜索工具，这些工具可以理解特定于保险行业的上下文和术语。
Radim与保险公司分享了他在AI项目中工作的经验，并补充道:
很多保险业的文件都在非结构化的手写便签或PDF的形式。从保险公司目前的需求是使用解决此数据替换旧系统。改进现有工艺是这些公司的重点，而不是寻求执行一定的过程的新方法
大量的基于文本的数据由保险公司从源阵列收集在许多不同的语言。这可能包括智能手机应用程序，保险索赔表格，电子邮件，以及来自客户，社交媒体数据，保险公估笔记，医疗健康记录，警方报告，以及承销商说明。此数据宝库也有可能被用来帮助保险公司确定趋势，发现新的机会，并检测欺诈行为。
例如，保险公司每天可能收到数千份已签署的索赔表格或合同。这些文件需要检查一下，看看原件是否有任何变化。传统上，这个任务是由人类完成的，但机器学习肯定可以处理这个问题。
我们来看一些地方正在申报数据AI的应用案例搜索和保险部门下面的数据发现。基于自然语言处理的文档搜索和数据挖掘软件是看似最有用的三个应用程序：
- 数据管理
- 欺诈检测
- 索赔处理
数据管理
保险业的过程似乎正在成为人工智能较大的应用之一。传统上，业界一直被遗留系统和大品牌，其工艺和产品发行没有多大发展为主。
保险业检查过几个箱子可能表明有关于AI采纳，准备如大宝库的历史数据，并与资本和资源大型企业的存在，成功实现AI。
AI可以帮助保险公司使用来自多种渠道，通过他们收集的数据，例如在其网站上的形式，与对保险代理人和客户关怀操作工产生的社交网络，文件和报告客户，电子邮件，帖子实时聊天记录。
所有这些数据都与保险业务的某些方面有关，如索赔处理或客户服务。要确保这些接二连三的数据能够有效地用于人工智能应用程序，需要适当的收集方法、存储和管理。
一个NLP的关键应用和机器学习在金融似乎是在保证正确的数据发送到公司内部有权部门。例如，需要从客户的理由是投诉的电子邮件被发送到投诉团队进行有效和快速的响应。俯瞰或缺少此类邮件是由于人为错误，最终可能会导致低客户满意度或在某些情况下的收入甚至亏本。
NLP可以通过自动聚类和理解来自不同渠道的数据的情况下帮助及时，准确的数据访问的挑战保险公司。NLP和语义搜索算法可在保险公司摄取了不少这样的保险数据，并随着时间的推移准确的路线将单据所需的部门。
据Rehurek，有两个好处搜索和发现应用在保险数据管理，他用一个例子说明：
客户支持或投诉请求可以通过许多渠道，如电子邮件、电话、公司网站等，这些需要被发送到正确的部门。NLP和机器学习可以帮助保险公司通过理解这些请求的上下文来对它们进行分类。
与此同时，客户服务团队也可以获得有用的信息，比如……来自客户的最常见的投诉，或者为最常见的投诉开发一个FAQ。
转换遗留工作流，如路由投诉，可以节省公司雇佣人员的成本。但真正推动收入增长的是对这些数据的分析和聚类。
举例来说，一家公司已经在采用人工智能识别商业机会汽车保险是进步的公司。该公司似乎正在使用机器学习来解释汽车驾驶员数据，以跟踪市场趋势并识别商机，比如允许客户根据自己的驾驶习惯定制保险政策。
根据帕Divakarla，数据和分析的商业领袖在进步，机器学习算法开始，以帮助该公司更好地理解在作出有关保险市场会发生什么预测客户数据。
欺诈检测
欧洲保险报告欺诈性保险索赔占欧洲所有索赔支出的10%。英国保险协会(Association of British Insurers)估计，英国每年约有24.8亿美元的欺诈性索赔未被查出。法国保险联盟报告称，2011年发现了价值约1.95亿美元的欺诈性索赔。
AI软件可以帮助保险公司从保险申请或索赔形式挖掘数据。保险理算一般检查财产损失或人身伤害索赔，以确定支付给投保人。正是由于这些调节，以保持他们的检查笔记常见的做法。这些票据往往手写换句话说，非结构化的。NLP可以帮助保险公司确定索赔可能通过搜索调整笔记中红旗是欺诈。
NLP还可以真正帮助保险公司识别有组织的欺诈行为。基于nlp的软件可以识别来自几个不同索赔人的事件描述中的相似短语或句子结构。这些类型的模式对于人类保险人员来说很难识别，而且非常耗时。
旨在发现保险欺诈的人工智能解决方案，可能会帮助保险公司提高其人类欺诈调查人员的技能，并增强他们的能力。NLP可以帮助保险公司识别出比人类更多的潜在欺诈案例，并随着时间的推移，提高他们检测欺诈的准确性。一个NLP解决方案反过来将允许人类欺诈调查人员把他们的时间集中在更严重和更昂贵的欺诈案件。
许多公司面临的另一个挑战是，它们可以获得的社交媒体数据是以模糊的对话语言的形式存在的。因此，从阅读成千上万的帖子中可能产生的任何见解都很难识别。基于nlp的文本挖掘软件与保险应用程序的改进，可能会让保险公司在未来两到五年内从非结构化的社交媒体数据中获得有用的洞见，包括了解围绕其品牌的客户情绪。
索赔处理
确保每一个要求有完整，准确和及时的最新信息是在大型保险公司人力调查高度重复的任务。这些公司每天都会经常收到数以千计的索赔表格，他们需要一种方式来更快地处理它们。索赔处理是针对大型保险公司正在申请AI最常见的应用之一。
例如，医疗保险索赔主要包括呼叫中心运营商和笔记有关具体情况调节输入描述的形式基于文本的信息。
这些健康保险索赔包含相关的标准治疗方法和诊断术语，包括医疗缩写词的文本。NLP可以从这些权利要求被用来快速矿信息，确定缺少的信息，并进行分类和路由的要求到相关部门。
已经有B2B人工智能供应商提供NLP软件，他们声称可以在与保险代理人通话时转录客户的语音，并自动填写客户的索赔表格。该软件还可以通过电子邮件自动联系客户，以获取索赔表格中不完整或填写不正确的信息。这可能使保险公司能够帮助客户更快、更准确地提出索赔。也就是说，目前大多数的人工智能解决方案都需要一个人类经理来审查他们所做的决定。
大型保险公司每天处理数千份索赔表格，它们可能会发现，人工智能增强的索赔处理自动化有助于降低成本和提高准确性，因为人工处理的规模可能使人工分析人员难以单独处理。
另一个保险公司想要自动化索赔处理的挑战是，训练人工智能所需的历史数据可能仍然以纸质文档的形式存在。机器视觉解决方案和光学字符识别技术可以帮助保险公司自动将这些纸质文件数字化，并以机器可读的格式进行结构设计。
今天，一些精选的AI供应商还为保险公司提供了一个更端到端的解决方案，该解决方案允许文档数字化，并使用NLP以上下文方式从文档中查找和检索信息。
比利时保险公司富通保险最近与AI供应商合作在一个试点项目中，旨在自动化汽车索赔的视觉评估。据报道，Ageas使用了一个机器视觉软件，通过使用历史索赔支付数据和显示车辆损坏的索赔附带的图像，从图像中自动评估车辆损坏。Agean的新闻稿称，该公司可能会看到使用它实现的人工智能解决方案的成本和时间效益。
保险业的商业领袖应该知道什么
保险行业可能有点独特，因为大多数客户只在他们提出索赔和需要付款时评估保险公司的业绩，而不是在他们投资保单时。这使得客户服务对保险公司至关重要。
许多用于改进保险领域搜索和发现的人工智能应用程序，例如更快地处理索赔或自动路由输入数据，可能对大型企业构成挑战。作为赫尔曼·桑奇斯，Trilles他拥有巴伦西亚理工大学(Polytechnic University of Valencia)计算机科学博士学位，是Sciling的联合创始人
在大型企业组织，数据通常跨多个部门在不同的格式和类型的传播。整合所有这些数据创造AI算法标记培训原料可能具有挑战性。在大尺度上，这可能是困难的公司做，因此我们看到的数据湖泊的存在 - 在每个软件上的间隔式训练的数据集
与我们交谈过的专家似乎都认为，我们可能会开始看到保险公司在如何利用和构建数据方面引领行业。保险公司已经收集了大量的数据。人工智能可以帮助对所有这些数据进行数字化和索引，以便更好地搜索，并找到可能不易被人类分析人员发现的模式。
虽然NLP和计算机视觉可以用来提取非结构化数据信息，保险公司可能需要升级他们的数据库和聚合系统上可能是什么可能在未来结构化数据的眼睛。
参与数据管理，包括采集，数字化，隔离和存储的几个步骤可能具有挑战性的保险企业实现自动化。随着几家厂商针对每一个步骤提供人工授精服务单独，它可能使除了一体化进程更长扔了兼容性问题。
有些厂商提供数据搜索和发现，包括文件数字化，数据管理，存储和分析的完整解决方案。保险公司可以利用AI跨使用历史数据业务流程，即使数据是在纸上，并深入了解，以帮助降低成本和时间，提高可访问性和安全性这些过程。
标题图片来源:南方保险公司
