人工智能应用领域 AI金融保险.docx

人工智能应用领域 AI金融保险.docx

《人工智能应用领域 AI金融保险.docx》由会员分享，可在线阅读，更多相关《人工智能应用领域 AI金融保险.docx（17页珍藏版）》请在冰豆网上搜索。

人工智能应用领域AI金融保险

人工智能应用领域--AI金融保险

1.CapeAnalytics--房屋财产险云平台及API

采用空间地理图像、计算机视觉和机器学习技术为准确评估房产保险费率提供大量信息。

通常房主提供的信息一般都倾向于降低保险费率,公共信息又往往过时,而派追检察员的成本很高,而且不及时。

CapeAnalytics的航拍图像能够即时观测房屋的外观改动,例如被风暴摧毁的情况,以及相关的安全风险,例如房屋被树木环绕。

同时还能对屋顶的形状和状况作出判断,迅速自动提取专有的财产数据,提升保险公司中财产承保的自动化程度。

CapeAnalytics推动保险公司财产承保自动化，来自加州的CapeAnalytics最初的业务是根据一些图片来评估房屋的价值，从而让保险公司能进行准确而又快速的报价。

保险公司希望为客户提供快速、准确、无障碍的报价。

传统上而言，报价的信息是不完整或不可靠的，主要来自公共记录，或者来自财产检查员的现场汇报，这种获取信息的渠道效率低、费用高。

针对这一现象，CapeAnalytics已经开发了一个云平台，该公司从合作伙伴那获得地理图像（包括户外图片和卫星图片），将图像置入其内部平台（这一点类似于GoogleEarth），然后通过其专有的计算机视觉和AI深度学习算法“理解”这些图像并提取结构化数据。

该数据可以是与房产有关的任何数据，比如家庭可使用面积，又比如屋顶状况、类型和材料，或者天窗、太阳能板和其他详细信息。

这个平台包含了非常丰富的房产信息，以此帮助保险公司为用户提供更准确的报价。

2.Cyence—经济网络风险建模平台

将经济/风险建模、网络安全和大数据分析相结合,创建了一个经济网络风险建模平台。

Cyence的平台和分析由保险业领导者利用,帮助了解和管理网络风险,并推出新的转型保险产品。

Cyence是一家致力于量化网络风险的创业公司，他们为保险公司打造了一款数据分析平台，帮助保险公司对网络风险这一新兴险种进行建模和定价。

其分析平台和解决方案可以让保险公司更高效地选择、勘测和管理网络风险，并且引入动态风险定价，帮助保险公司能够灵活应对快速变化的网络风险。

网络风险建模的痛点

越来越多的大型企业开始意识到，网络安全风险不仅仅是一项技术难题，更是企业面临的商业风险之一。

企业应对和管理网络风险，不仅要通过技术手段来防范和减轻风险，还需要利用保险产品来转移风险。

保险经纪公司Marsh的研究报告显示，目前全球网络安全险的市场规模超过了30亿美元，并且预计将在未来几年内翻倍。

但是网络风险的评价和建模方式和传统风险有着很大的不同，保险公司在开展网络风险业务前，往往会受困于该险种异于传统的分析逻辑，无法有效地对风险进行定价。

Cyence认为原因有三，这三点正是保险公司目前在网络风险领域经历的痛点。

1、数据收集的痛点

建立网络风险模型的第一个挑战就是数据。

保险业的传统建模方法中，数据是取自权威统计机构的。

比如美国保险公司在评估地震风险时，会从美国地质勘探局（USGS）获取地震相关的数据；在评估飓风和热带风暴风险时，会从国家海洋和大气局（NOAA）获取相关数据。

对于上述这些自然灾害来说，风险相对来说处于稳定状态，同样的风险模型可以用上十几年。

而对于网络风险来说，并不存在一个可以提供大量数据的权威统计机构。

而互联网的发展是动态而又迅猛的，随着技术的发展，互联网本身的构造也越发复杂。

网络风险也会随着互联网的发展而大幅波动，不断变化，不断进化。

所以，建立网络风险模型时，保险公司不仅需要想方设法收集相关数据，还需要在一个动态的、实时变化的大环境下跟上网络风险发展的脚步。

数据收集和风险建模相辅相成，并且会互相影响互相反馈。

一个优秀的网络风险模型是可以在两者间建立起可持续发展的正反馈闭环的，随着数据量的增加，模型的准确度会越高，而更高的正确度会带来更有意义的数据，从而进一步提升模型的准确度。

2、人和流程的痛点

网络风险建模的第二个挑战就是在分析好技术原因之后，分析人和流程。

任何首次接触网络安全领域的人，都会首先关注技术层面的原因，这也是情理之中的，毕竟网络风险是基于网络技术发展产生的。

但是大多数网络安全事故发生的直接原因是涉及人为操作和流程的。

有部分网络安全事故是由内部人员故意造成的，比如说对公司愤愤不满的员工，他们可以轻而易举的接触到公司的重要数据。

另一个造成网络安全事故的主要原因是操作上的意外或失误，比如有人忘了关电脑、点击了恶意链接或者无意间透露了自己的账号密码等。

这些原因所造成的网络安全事故是与技术层面无关的。

据IBM在2014年的研究显示，95%的网络犯罪事件都或多或少夹杂这人为失误的因素，而这些失误中又有59%是属于无心之过。

网络风险模型需要关注纯技术以外的因素，让整个模型也能反映人和流程的问题。

这才能创造出一套完整的由数据驱动的网络安全险解决方案，让保险公司能够清晰地全方位地看懂网络安全险。

3、整体化痛点

网络安全产业包含了繁多的参数、标准、基准和评分等技术性指标，这些指标用来描述僵尸网络、垃圾邮件、系统缺陷、配置错误等状况对某公司系统和网络安全的影响。

同时，这些指标和状况可能带来的潜在影响还和一个因素有关系，那就是发生网络攻击的可能性。

保险公司需要一个描述网络风险的量化经济模型，该模型不仅能预测网络攻击的频率（可能性），还要能对网络攻击的严重性、可能造成的经济损失以及二次攻击的可能性等性质做出预测。

此外，因为保险公司关注的往往并非是一家公司，而是整个行业或者整个公司组合的网络安全表现，所以网络风险模型还要能够反映风险累计后产生的综合经济效应，从而让保险公司可以有详实的依据在网络风险领域做出决策，即满足投保人的需求，也能达到股东的期望。

Cyence数据分析平台的目标正是为了帮助保险公司解决上述三个网络风险的痛点。

用户背景、网络流量、技术基础设施、恶意软件防护、敏感信息的内部处理流程、事故应对措施、员工行为和专业知识等因素共同组成了公司的网络风险档案。

虽然保险公司可以通过购买报告来了解部分信息，但是就如上文所述的，网络风险是一个高度动态化的风险系统，传统的调查报告耗时较长，数据的准确性和即时性往往会有所折扣。

Cyence则开发了一个多样化可扩展的数据引擎，该数据引擎能够以非侵略性的方式收集特定公司人员和机器的数据，从而创造出客观真实并且具有实时性的风险评测模型。

为了和网络风险的动态趋势匹配，Cyence这一配备了数据引擎的平台，也会实时校准模型，最大程度地精准分析网络风险。

Cyence还会对一些过往的网络安全事故进行分析。

在最近Cyence和劳合社联合发布的报告中，Cyence对一起重大的网络风险事故进行了量化分析。

在这起事故中，黑客攻击造成全球云服务器宕机，最终在全球范围内造成了530亿美元的经济损失。

如此巨大的经济损失已经超过了2012年飓风桑迪所造成的500亿美元损失，更令人唏嘘的是，该起云服务器宕机事件中，大多数受害企业并未投保网络安全险，因此他们无法获得理赔，只能自己承担这些损失了。

2017年爆发了两次勒索病毒事件，是网络风险恶劣影响的最新体现，第一次是3月份出现的Petya病毒，导致俄罗斯和丹麦等国家的大型企业，甚至是乌克兰政府系统遭到了攻击。

第二次是5月份出现的WannaCry病毒，让150个国家、30万名用户遭到了攻击。

据Cyence的估算，Petya病毒造成了8.5亿美元的损失，而WannaCry更是在全球范围内造成了80亿美元的经济损失。

据Cyence预估，网络安全险的保费规模将在2020年达到75亿美元。

随着网络安全事件发生频率的增加，以及大型企业面对网络安全事件的敞口风险日益增长，我们相信，保险公司和企业都会进一步加强网络安全险产品的开发和部署。

而随着人工智能以及自动驾驶技术的快速发展，网络系统的安全性将会成为人们生活和出行解决方案可靠性的重要评价标准，因此，Cyence的预估在未来极有可能成为现实。

3.蚂蚁金服—车险理赔定损产品-定损宝

解决的问题

用AI技术模拟车险定损环节中的人工作业流程,帮助保险公司实现简单高效的自动定损,车险理赔优化,不仅可以有效降低理赔运营成本、提升定损效率、解决偏远地区或高峰期人力不足的问题,还能增强用户体验、秒级解决问题、降低欺诈风险。

成为图像定损技术在车险领域的首次商业应用。

使用的技术

基于图像的定损过程包含照片自动分流、部件识别、去反光、图像角度矫正等核心技术,运用了度学习算法,包含计算机视觉经典问题从目标识别、检测到损伤程度的判定,到多模态的结合甚至与其他数据的结合。

用户确认完成上传照片的确认,定损宝通过云端服务器的算法模型进行判定,在数秒内就可以给出准确的定损结论,并提供查看附近修理厂以及来年保费预测的功能。

定损宝将过去由人工肉眼判定车损的环节升级成用人工智能做标准化统一定损，时间更短、准确率更高。

不到一年里，定损宝已为太平、大地、阳光、安盛天平等多家保险公司提供定损、定价调用服务超过千万次，共计节省定损人员工作量超75万个小时，为车险业节省超20亿元的理赔成本。

5月8日，定损宝技术版本正式升级2.0技术版本。

包括将图像识别升级成准确率更高的视频识别，将开放技术平台，从与保险公司一对一理赔系统对接升级成未来保险公司可自助接入定损宝。

蚂蚁金服保险事业群李冠如透露，未来很快，定损宝使用人群会从定损员扩展至普通车主。

车辆损伤后车主自己拿手机，按照系统指引拍摄一段视频，随即就能在手机上看到车辆损伤的情况，需要怎样的维修，以及保险可以赔付的金额。

用户再不用担心定少了或者定漏了，也缩短了能够领到理赔款的时间。

由于视频相较于图片而言，反馈给机器分析的综合信息量更大，可使定损宝的准确率呈几何式提高，再加上使用群体从专业定损员扩大至普通车主后，会让车险理赔环节更彻底地挤掉原本缺乏标准、难以判断的「水分」，更高效帮助保险公司减少理赔渗漏的比例。

4.Visa和Docusign--汽车租赁概念性模式

解决的问题

原有的租车流程需要处理大量文书,该项目希望将汽车租赁流程简化为「点击汽车一电子签名租赁成功」这一模式,从而对汽气车租赁流程进行简化。

潜在客户可以在网络上选择想要租赁的汽车,通过区块链技术的公共分关账目记录交易内容。

在选定汽车后,客户需要电子签订租赁协议、保险政策等条款,同时区块链技术将实时更新这些信息。

该项目将Docusign的数字交易管理（DTM）平台和电子签名解决方案,与sa的安全支付技术进行了结台。

可以让消费者在车内配置租赁、保险和其他每天日常采购的项目,例如停车费和通行费。

此外,用户可直接使用Visa进行支付。

5.Picwell—医疗保险分析和决策工具

该分析工具可以利用先进的经济模式和数据科学,预测用户未来的医疗保健花费情况,并通过将复杂的信息提炼成简单、独立和客观的健康计划得分,为保险公司和经纪人提供合适医疗保险的决策工具,让消费者可以轻松了解医疗保险情况,选择最适合其需求和价值评估的健康保险,提升消费者购买医疗保险计划的消费体验。

Picwell的商业模式是旨在使用预测性分析，来引导客户选择最适合的医疗保险方案。

该公司通过与零售药店、纳税人、自我保险的雇主、交易所以及经纪公司合作，提供它的计划决策支持产品。

对于选择了一个健康计划的个人，基于他对于所覆盖的预期费用、风险承受能力、生活方式偏好、以及行为模式等问题的答案，Picwell可以使用预测性分析帮他们提供选择；Picwell还有另外一个工具面向那些旨在使用特定目标，如降低成本、或提高员工的福利，来优化企业给员工提供的补贴的人力资源专业人士；此外，Picwell也给客户提供咨询服务。

公司运作主要包括3个步骤：

首先，公司收集来自消费者的基本信息，包括年龄、性别、邮政编码、处方药及消费者的健康需求等细节。

其次，通过整合个人信息及公司自有信息，评估消费者生活方式，预测个人健康计划潜在的费用及收益大小，