剑客网

  |  手机版

收藏网站

剑客网,汇聚专业声音 解析IT潮流

24小时

首页 > 24小时 >

使用AI简化文档处理的3种方法

浏览:出处:剑客网2021-08-27 09:38

  剑客网8月27日消息 虽然人工智能 (AI) 已受到其他行业企业的青睐,但保险提供商的采用速度较慢。2016 年,德勤的研究指出,目前只有不到 2% 的保险公司投资于人工智能技术。

  同一项研究指出,到 2020 年,人工智能开发的总体资金预计将达到 470 亿美元。如今,随着人工智能的普及,越来越多的保险公司正在寻找先进的解决方案,以帮助他们有效地处理日常事务的存储库。日常文书工作及其包含的非结构化数据。利用 AI 技术的智能文档处理 (IDP) 平台解决方案具有独特的优势,可帮助这些公司实现显着收益。

  非结构化数据挑战

  许多保险公司在处理文书工作时面临类似的挑战。数据的非结构化性质和庞大的内容量使得手动处理变得乏味和耗时。错误,无论是人为错误还是由非为该任务设计的遗留解决方案导致的错误,都可能频繁发生且代价高昂。

  智能文档处理是一种自动化数据提取和处理的方法,它结合了人工智能技术,如自然语言理解 (NLU)(一种能够从整个句子和规定中推导出含义的高级人工智能形式)与光学字符识别等工具,以创建处理非结构化数据的单一平台。对于任何处理大量非结构化数据的公司来说,找到有效的 IDP 解决方案是提高流程效率、降低成本和增加利润的绝佳机会。

  IDP 在保险行业的三个应用

  审查先前的报价计划

  为了准备新的报价,承保团队的任务通常是审查和提取先前承运人计划和提交的关键信息,此外还将本地发布的保单与公司发布的保单进行比较。在一年的时间里,这个过程可能涉及数千份文件,是一项繁重的工作。我们采访过的一家公司,一家商业财产保险公司,表示他们的审查团队花费了足足三分之一的时间来简单地比较文件并寻找条款中的差异。IDP 驱动的自动化可以显着减少审查和比较这些文档所需的时间,同时提高数据提取的准确性。

  为了有效,IDP 解决方案应该能够:

  准确识别和提取条款和规定中的关键信息。

  对提取的信息进行解释和分类。

  比较文本,并根据含义轻松搜索、定位和划定条款中的差异。

  许多 IDP 解决方案基于结合机器学习和统计模型的主流 AI 方法。他们可能会改进人工可以实现的目标,但这些类型的解决方案需要大量培训才能针对大规模部署进行优化,这一因素可能会使项目陷入培训炼狱,而效率提高仍然遥不可及。即使经过长时间的训练,机器学习模型可能仍然无法接近利用高级自然语言理解来提供基于上下文的含义的 IDP 平台的准确性。

  提交工作流程

  大型保险公司通常会处理通过其区域办事处收到的大量电子邮件提交。这些电子邮件包含潜在客户信息和保险普查数据(有关将被保险的个人的基本信息),必须对其进行审查、分类,然后转发到公司客户关系管理 (CRM) 门户中的相应潜在客​​户“存储桶”中,其中引用专家将审查数据并使用它来准备保险报价。

  考虑到大量不同的产品、经纪人和客户详细信息不仅必须与电子邮件内容相关联,而且必须与附件中包含的信息相关联,因此审查、提取和路由所有这些数据的过程本质上是繁琐的。更困难的是,电子邮件提交通常不遵循单一格式;有些人可能使用行业标准模板,而另一些人可能会以公司批准的结构组织数据,这使得一致、快速、准确地定位关键细节更加耗时。

  IDP 平台解决方案可以通过使用人工智能自动执行以下任务,显着提高此提交过程的准确性和效率:

  处理电子邮件内容和附件以提取目标数据。

  根据识别的产品、前景和业务类型对提取的数据进行分类和分类。

  将提取的数据路由到 CRM。

  使用 IDP 将进货周转时间从几小时缩短到几秒钟,将使公司能够更快地满足市场需求。

  损失运行报告

  对于保险公司来说,损失运行报告充当信用评分,提供潜在新客户的损失经验和索赔历史报告。通常,保险公司会要求潜在客户提供至少五年的承保历史,并在创建保单和相应定价时使用收到的损失运行数据来评估潜在风险。

  审查这些可能以多种格式交付的报告,并将其中包含的相关信息复制到公司的承保系统中是一项手动工作,需要时间并可能导致错误,从而对定价准确性产生负面影响。自动化此流程是降低成本同时提高效率和增加承保对贵公司损失运行数据准确性的信心的好方法。

  利用基于意义的 AI 方法的 IDP 平台将能够显着提高此类项目的速度和准确性。通过上下文建立意义的方法通常需要较少的培训文档来创建可行的模型,并且可以更快地将解决方案投入生产。其他功能,例如可靠地处理各种报告格式以及从复杂表格中准确提取信息的能力,也有助于确保 IDP 解决方案有效。

  权衡有效的 IDP 解决方案

  为了成为处理非结构化数据的有效解决方案,IDP 平台需要整合提供以下功能的人工智能:

  语义分类:IDP 解决方案应该能够根据文本的含义对术语和规定进行分类。

  语义数据提取:IDP 解决方案应该能够进行基于含义的提取,可以理解概念和整个条款,而不仅仅是关键字、简单的术语或日期。

  解释:许多条款需要解释,而不仅仅是摘录。IDP 解决方案应该能够读取诸如“雇员不承担保险费用”之类的临时文本,并自动将其解释为“雇主支付的 100%”。

  基于分类和提取的路由:该解决方案应该能够根据提取的信息的分类方式来路由文档(例如电子邮件和附件)。

  易于使用:IDP 解决方案应该使主题专家能够在没有 AI 专家或数据科学家帮助的情况下配置系统并为生产做好准备。

  持续学习能力:IDP 解决方案应允许主题专家持续验证和完善解决方案的提取和分类结果。

  集成:解决方案应该与内部系统或流程轻松集成。

  光学字符识别:IDP 解决方案应该能够准确读取和扫描结构化内容,通常是表格数据。

  Steve Levine 资料简介:

  Steve Levine 是Cortical.io 的CMO 。史蒂夫为他的角色带来了丰富的营销和销售经验。最近,他领导了 GovTech 初创公司 Civic Connect 的营销。他曾为多家网络安全公司提供咨询,包括 Flashpoint、RiskSense、Qualys 和 Panda Security。此前,Steve 是上市公司 Edgar-Online 和金融服务初创公司 UB matrix 的首席营销官。Steve 曾在 Oracle、Cassatt、Ketera 和 Arcot 担任营销副总裁职位。

相关文章

最新新闻

网警备案