有业内专家中（从双方达成共识我们自己的保险AI的二次研究，根据a2017年埃森哲调查报告人工智能将成为未来2-3年内使保险产品“更智能”的关键驱动力。
随着人工智能在保险行业的出现及其固有的创新步伐，人工智能公司破坏业务流程的机会正在慢慢形成。
我们与保险公司及其相关的思想领袖合作，探索以下问题的答案:
- 为了能够对人工智能应用做出明智的决策，保险行业的领导者需要知道什么?
- 人工智能和保险中的机器学习如今，在不久的将来，哪些基于人工智能的功能对于保险公司来说是重要的?
人工智能在保险-未来的趋势
保险公司Nexus新项目负责人玛丽安娜•杜蒙表示:
“在我与保险公司高管的谈话中，我注意到，我们都对人工智能在保险行业的发展方向感到非常兴奋，但存在很多不确定性，我们不知道它将如何改变核心业务模式，以及人们的工作。”
保险连结最新的研究报告-标题保险AI -一条冲击之路强调三个重要的人工智能趋势，有可能改变行业在短期内:
- 新型保险产品-保险公司将采用机器学习技术，从客户数据(家庭、车辆等物联网传感器)中获取洞见，从而实现个性化保险产品开发。
- 识别商业机会和欺诈风险的模式识别- 机器学习将被用来识别用户数据模式（如使用从车辆中的传感器和维护历史数据驱动程序性能监测），以确定新的商业机会，并有助于减少身份盗窃案件欺诈的可能性，数据安全漏洞和支付/交易欺诈。
- 改善客户体验- 聊天机器人会用客户的个性化社交互动数据使能日益自动化的购物体验。这还可以使特定事件的“点播”保险。
保险产品的新类型
业内专家一致认为，在不久的将来，保险公司的新产品开发将会大量涌现。智能家居技术和可穿戴电子设备的普及预示着这一机遇的到来。这些设备中的传感器收集的数据可以输入到ML平台，并获得关于特定客户的信息。
例如，在一个健康保险应用程序中，从telematic和可穿戴传感器收集的数据可以帮助客户制定个性化的定价策略，客户为生活中“风险”较小的人支付较少的费用(基于一套预定义的风险数据特性)……
另一个例子是汽车保险，来自汽车传感器和维修历史的数据可以提供给ML平台，以开发个性化的保险产品，保费较低，相对“安全驾驶”……
保险模式识别
识别欺诈风险和商机ML基于模式识别将有可能在未来成为无处不在。一家公司已经在采用人工智能识别商业机会是渐进的，在车险空间。该公司使用ML来解释驱动器数据来追踪市场趋势和寻找商机。
根据帕文Divakarla，数据和分析的商业领袖在进步，机器学习算法正开始帮助该公司更好地了解客户数据，以便预测保险市场将会发生什么。
他补充说，因为这是一个瓶颈早些时候，AI增强模式识别实现更快的吞吐量公司的保险模式，提高了产生商业价值。
保险公司诈骗索赔金额超过800亿美元一年的所有形式的保险。欺诈检测是保险领域最常见、增长最快的人工智能应用之一。
目前已经有新创的情况下，像转变技术它使用AI-增强平台，帮助保险公司避免欺诈行为。专家认为，大多数保险公司将寻求处理硬拷贝和数字化所有的客户信息（由此来辅助AI集成）在不久的将来。
改善客户体验
聊天机器人已经存在很长一段时间了，随着自然语言处理(NLP)技术的不断改进，对于拥有大量客户基础的公司来说，聊天机器人正在成为不可避免的趋势。
在保险行业，聊天机器人可以通过提供身份验证和个性化产品等服务，帮助用户实现完全自动化的购买体验。
保险中的人工智能——如何应对以人工智能为基础的市场颠覆?
随着人工智能在大多数行业成为一个炒作词，许多保险公司对基于人工智能的能力和趋势感兴趣。业内人士也一致认为，人工智能将是一项具有巨大颠覆性的技术，例如首席执行官伯克希尔·哈撒韦公司巴菲特(Warren Buffet)在接受美国全国广播公司财经频道(CNBC)采访时表示，自动驾驶汽车最终可能会变得比人类司机更安全，这意味着保险费将会低得多，从长远来看，汽车保险公司可能会减少收入。
保险公司Nexus的玛丽安娜补充说:“这些变化将如何发生还存在不确定性。从长远来看，人工智能最有可能带来效率，并让企业有更多资源投资于其它项目。她提到，人工智能影响的不确定性让雇主们想知道，一些工作是否会完全自动化，这对他们的团队意味着什么。
对于打算应用人工智能的保险公司来说，在数据管理方面存在几个重大障碍，包括:准备和构建数据、缺乏熟练劳动力、平台开发的研发周期更长。我们咨询了保险公司Nexus最新报告中的专家，以获得一些关于保险公司领导者如何克服这些挑战的观点。
了解用例
大量的保险业目前的现实生活中的AI应用已经围绕客户体验增强。然而，由于该部门综合案例研究，适应AI-处理其他应用程序的当前不可用已难以企业。
对于那些对人工智能感兴趣的保险公司领导人来说，一个好的起点是提高内部业务的成本效率。这将使公司更好地理解如何在客户体验等其他应用程序中定义AIs的目标的复杂性。
乔治·汉森，群P＆C索赔精算师，苏黎世保险集团认为的AI如何影响保险过程中的最佳创意将来自保险之外。至于建议，企业领导人在保险，他补充说：
“注意其他行业如何使用人工智能，并确定其是否适用于保险流程。”
人工智能熟练劳动管理
随着研发周期的延长，这一领域的公司面临的另一个巨大挑战是缺乏人工智能技术工人。此外，不同“类型”高管之间的建设性沟通是当前人才匮乏的又一层原因。马里亚纳补充道:
“引领保险行业采用人工智能的高管有两种，一种是来自该行业的分析高管，他们很可能非常精通这项技术，但对保险行业并不熟悉。另一方面，我们有保险行业的资深营销领袖，他们对人工智能能为他们做些什么有一定的了解。”
任何人工智能技术集成都需要组织中技术熟练的专业人员来培训这些人工智能系统。例如，一家公司想要在客户数据中找到生产个性化保险产品的模式，不仅需要一个(昂贵且难以找到的)人工智能团队，还需要他们今天可能没有的知识，包括:
- 如何系统地清洗，并从公司各地集中式的数据源，所以可用于AI-相关举措信息
- 如何将项目交给数据科学团队(这项任务需要了解机器学习可以解决哪些问题，以及数据科学家如何工作)
- 如何承受机器学习忍耐实验的（有时是漫长的）过程
- 一旦团队创建了机器学习产品，如何集成它们(这个过程通常与集成其他开箱即用的软件有很大的不同)
培训数据科学家以发展保险行业的专业知识是一回事，但培训其他员工掌握上述技能和知识本身就是一项细致入微的工作，需要公司投入更多的时间和资源。
马特马里诺，AVP，在Unum集团的运作效率有几句话的警告和建议，在这方面的商业领袖:
“有很多东西需要学习，从技术角度来看，情况正在迅速变化，保持对这些新能力的意识，不断回顾过去的挑战，不断努力提高是很重要的。”今天无法轻易解决的问题，几个月后可能就很容易解决了。
当我们看到技术的进步，我们也必须认识到最大化这些工具的潜力所需要的技能集可能不同于我们过去最依赖的传统技能集。认识到这种变化的格局，了解在这些新技能上市场竞争的激烈程度，并积极主动地逐步转移招聘重点，以一种积极主动的方式做好准备，这将有助于组织在短期和长期内取得成功。”
数据组织和较长的研发周期
一个在AI采纳，为企业的更大的挑战是参与他们的发展和“培训”的漫长过程。在大多数情况下，基于人工智能系统不是一个插件和播放解决方案。机器学习系统需要的数据（这需要进行汇总，洁净，并组织），并需要很长的校准周期，提高了系统精度到可接受的水平。
对于其他类型的软件开发，一个经理（营销或财务）可能会说，“我们能有这个6月底做了什么？”并得到直接的答案“是”或“否”。随着机器学习，有没有告诉实验和迭代过程需要多长时间才能生产出真正的商业价值的应用程序，而有些项目不能如期实现完全。
除了开发大型人工智能解决方案所涉及的高昂成本外，整合的难度还意味着，企业需要知道自己是否具备采用这种解决方案的财力。
然而，乔治•汉森(George Hansen)认为，这里似乎有一缕阳光。他也认为，在未来，文本挖掘和自然语言处理将使该行业能够利用历来难以利用的数据。他还补充说，启发式过程(可以学习填充数据的平台)将填补数据中的空白，这应该会减少对不支持人工智能的数据质量的担忧。
组织，随着他们的数据要求的理解，哪些数据可以利用的会发现，在自动化领域应用的新功能是可以实现的积极引导。
马特·马里诺补充道:
“我相信，它如何能最容易消化，并通过查看这个方式他们的数据需求和结构主动将缓和与应用相关的挑战，我们将开始看到组织铅与了解哪些数据可被利用为在自动化领域的新功能。
这也是一个有趣的命题自然语言处理(NLP)光学字符识别(OCR)在理论上表明，与早期的一些努力相比，缺乏结构化数据可能不是什么大问题。”
本文是与FC商业智能有限公司合作撰写的。有关Emerj广告和促销服务的更多信息，请访问Emerj广告页。
标题图片来源：TechNode
