1、機(jī)器學(xué)習(xí)在互聯(lián)網(wǎng)保險(xiǎn)中的應(yīng)用實(shí)踐技術(shù)創(chuàng)新，變革未來(lái)一個(gè)互聯(lián)網(wǎng)保險(xiǎn)公司全新業(yè)務(wù)模式駕考保險(xiǎn)寵物保險(xiǎn)醫(yī)療美容保險(xiǎn)面臨的挑戰(zhàn)投保和理賠全面線上化，更加 便捷，但是風(fēng)控挑戰(zhàn)增大傳統(tǒng)的大數(shù)定律在定價(jià)和風(fēng)控 上, 有很大局限需要從傳統(tǒng)線下的事后風(fēng)控, 轉(zhuǎn)為線上的實(shí)時(shí)風(fēng)控我們需要人工智能來(lái)幫助應(yīng)對(duì)挑戰(zhàn)一、提出問題應(yīng)該像這樣, 游弋在人工智能海 洋一、提出問題其實(shí)是這樣去開始 星辰大海初創(chuàng)公司, 怎樣從0到1, 建立人工智能應(yīng)用初創(chuàng)階段, 沒有成熟商業(yè)模式, 沒有團(tuán)隊(duì), 沒有技術(shù)架構(gòu).到現(xiàn)在, 機(jī)器學(xué)習(xí)模塊已經(jīng)集成到核心業(yè)務(wù)流程中, 包括線上的投保、核保 流程以及風(fēng)控. 成為核心業(yè)務(wù)流程中必不可少的環(huán)節(jié).過程

2、中要面對(duì)的問題:要適應(yīng)快速的商業(yè)模式變化 數(shù)據(jù)缺失資源/人才的短缺拋磚引玉 : 一個(gè)線上實(shí)時(shí)核保模型的實(shí)際案例目 錄CONTENTS實(shí)戰(zhàn)經(jīng)歷更多案例 提出問題二三總結(jié)&感悟四一、提出問題“當(dāng)我們收到 一 保單申請(qǐng)， 是應(yīng),接受還 是拒絕”這是一個(gè)二分類問題基于對(duì)風(fēng)險(xiǎn)的判斷模型響應(yīng)時(shí)間必須在 毫秒量級(jí)二、實(shí)戰(zhàn)經(jīng)歷1、前提條件-基礎(chǔ)設(shè)施1、前提條件數(shù)據(jù)、數(shù)據(jù)、數(shù)據(jù)有用的 數(shù)據(jù)對(duì)數(shù)據(jù)的理解面對(duì)的問題:沒有全周期數(shù)據(jù), 如 何估算風(fēng)險(xiǎn)(駕考保)1、數(shù)據(jù)分布問題: 沒有歷史賠付數(shù)據(jù)假設(shè): 駕考未通過事件, 屬于伯努利實(shí)驗(yàn)(獨(dú)立、無(wú)記憶) 二項(xiàng)式分布應(yīng)用中心極限定理基于真實(shí)數(shù)據(jù)的分布2、建模-以駕考保險(xiǎn)為

3、例:對(duì)候選特征進(jìn)行相關(guān)性 校驗(yàn) - 相關(guān)系數(shù)特征工程,歸一化處理P值檢驗(yàn)選擇特征2、建模-算法選擇二分類算法邏輯回歸, LR決策數(shù), DT支持向量機(jī), SVM深度學(xué)習(xí)對(duì)應(yīng)實(shí)際問題, 根據(jù)不同算 法優(yōu)缺點(diǎn)進(jìn)行選擇有條件的, 分別用不同的算 法進(jìn)行建模/優(yōu)化, 再對(duì)比 效果監(jiān)督學(xué)習(xí)過去一年實(shí)際業(yè)務(wù)數(shù)據(jù)70%訓(xùn)練數(shù)據(jù), 30% 測(cè)試數(shù)據(jù)實(shí)際運(yùn)用, 需要考慮 數(shù)據(jù)“成熟度”2、建模-模型訓(xùn)練2、建模-模型評(píng)估AUC/ROC- 準(zhǔn) 與 確混淆矩陣 - Confusion MatrixConfused adj. 迷惑預(yù)測(cè)有風(fēng)險(xiǎn), 真的發(fā)生理賠預(yù)測(cè)安全, 真實(shí)發(fā)生理賠 (type II error, 漏掉)

4、預(yù)測(cè)有風(fēng)險(xiǎn), 其實(shí)沒有理賠 (type I error,冤枉)預(yù)測(cè)安全, 實(shí)際也沒有理賠準(zhǔn)確率 , accuracy精確率 , Precision靈敏度 , sensitivity/recallFPRFNR2、建模-模型評(píng)估2、建模-模型評(píng)估（真實(shí)案例）混淆矩陣可視化評(píng)估經(jīng)驗(yàn)分享2、建模-實(shí)踐中的模型選擇泛化能力 過擬合/欠擬合可解釋能力- 特征/輸出 對(duì)訓(xùn)練數(shù)據(jù)的需求訓(xùn)練難度- 時(shí)間與資源2、建模邏輯回歸(LR)激活函數(shù)優(yōu)化器損失函數(shù)2、建模-邏輯回歸(LR)算法：廣義線性模型邏輯回歸算法1模型表達(dá)公式：2P（駕考不通過風(fēng)險(xiǎn)）=#1在主流程抓取保單信息#2檢索內(nèi)部黑名單#3檢索外部黑名單#4

5、AI 模型進(jìn)行風(fēng)險(xiǎn)判斷#5實(shí)時(shí)決定承?；蚓鼙?6返回主流程3、模型線上部署-實(shí)際案例OpenScoring PMML模型REST web服務(wù)簡(jiǎn)單易用的REST API支持模型發(fā)布/更新/查看/刪除,單條/批量/csv 預(yù)測(cè)。高性能毫秒級(jí)響應(yīng),線程安全安全可拓展用戶身份認(rèn)證和授權(quán)以及監(jiān)控指標(biāo)3、模型線上部署-實(shí)際案例3、模型線上部署-實(shí)際案例模1部署高可用/-測(cè)試百萬(wàn)別請(qǐng)求/-測(cè)試TPSlSKx2分布式部署， 可52高可用云服務(wù),端分流4、部署后-持續(xù)優(yōu)化模型性能一般會(huì)隨時(shí)間推移而下降數(shù)據(jù)分布會(huì)改變更多的數(shù)據(jù) 更好的模型 業(yè)務(wù)邏輯對(duì)復(fù)合模型的要求三、更多案例圖形識(shí) 別分類器寵物個(gè) 體識(shí)別寵物保

6、險(xiǎn)應(yīng)用1、寵物保險(xiǎn)通過存檔和比對(duì)貓、狗照片, 判斷是否同一個(gè)體目標(biāo) 明確判斷準(zhǔn)確性達(dá)85%, 精確性80%同一個(gè)體必須是輕量級(jí)應(yīng)用, 不依賴額 外硬件支持寵物保險(xiǎn)-業(yè)務(wù)需求對(duì)寵物識(shí)別的技術(shù)探索嘗試使用開源項(xiàng)目 OpenCV, 進(jìn)行開發(fā)能夠在照片中分辨出貓臉, 但是不能辨別個(gè)體. 不能完全滿足要求對(duì)寵物識(shí)別的技術(shù)探索對(duì)寵物識(shí)別的技術(shù)探索繼續(xù)迭代, 加入圖片預(yù) 處理, 圖片模糊比對(duì) 取得較大進(jìn)展,在測(cè)試集合 中取得90%準(zhǔn)確性再加入一層機(jī)器學(xué)習(xí)模 型把前期輸出作為模型特征,進(jìn)一步提高準(zhǔn)確性 和靈活性寵物識(shí)別服務(wù)PIDS(PetIdentifyService)寵物主人, 通過量子保APP或小程序?qū)Ρ?/p>

7、投保寵物拍照.12寵物照片及相關(guān)信息(包括寵物和主人身份信息) 通過APP/小程序上 傳到量子保服務(wù)器3發(fā)起理賠: 由寵物醫(yī)院通過量子保APP/小程序拍攝寵物照片 + 主人 照片(可選,人臉識(shí)別) + 醫(yī)院二維碼及其它信息, 發(fā)送到量子保4接入量子保智能寵物識(shí)別服務(wù)PIDS, 自動(dòng)判別是申請(qǐng)理賠寵物否被投 保寵物. 實(shí)時(shí)理賠或拒賠科技讓保險(xiǎn)更有溫度芯片植入寵物個(gè)體AI 寵物識(shí)別技術(shù)個(gè)體原圖檔案庫(kù)智能比對(duì)機(jī)器學(xué)習(xí)模型判斷目標(biāo)寵物昂貴復(fù)雜2、智能核賠減少70%人工核賠成本與風(fēng)控系統(tǒng)無(wú)縫集成 減少85%核賠工作量95%準(zhǔn)確率/FNR是關(guān)鍵/最小化type II error四、總結(jié)&感悟提出問 題數(shù)據(jù)準(zhǔn) 備模型訓(xùn) 練&評(píng)估上線部 署&應(yīng)用總結(jié)結(jié)合實(shí)際案例高度集成數(shù)據(jù)類