【.com快译】利用机器学习成果提升业务绩效的实践在过去18个月得到了广泛认可，我们一直在与各保险机构进行讨论.该技术所能带来的应用潜力和价值。首先，机器学习必将改变保险公司开展业务的方式。长期以来，预测未来事件并评估这些事件的价值/影响一直是保险公司使命的核心。该评估过程由预测模型启用——具体而言，是索赔损失的预测和定价。随着大数据和新数据源的出现，数据技术在传感器/远程信息处理、外部数据源、数字化（交互）、社交和网络（情感倾向）等领域的应用将使保险业务有更实质的运营.空间。机器学习已成为当今保险公司的重要工具，广泛应用于核心价值链，以了解风险、理赔和客户体验。由此产生的更灵活/复杂的模型可以帮助保险公司提高预测准确性。但是，与传统的统计方法相比，机器学习需要强大的数据分析能力，以及对看似无关的结构化、半结构化和非结构化数据集进行计算的能力。例如，基于机器学习的数据模型现在可以分析：结构化数据：损失类型、损失金额、医生身份等文本：笔记、日记、医疗账单、事故报告、存款、社会数据和发票等空间图：事故地点、工作地点、各方关系（医生、索赔人、维修机构）等时间序列：事件/行动顺序、索赔日期、事故日期、事件/行动持续时间等比以往任何时候都更能评估承保/义务票据和记录（非结构化数据），同时还能够高效地处理各种标准化文件。定价风险、评估损失和监控欺诈对于机器学习解决方案至关重要。保险公司引入机器学习算法，主要用于处理风险相似性分析、风险倾向和保费评估。此外，它还广泛用于评估索赔频率/严重程度、管理费用、代位权（一般保险）、诉讼和欺诈。机器学习最有影响力的用例是从过去的索赔审计中学习，确保保险公司发现过去的问题并从中获取绝对价值。理赔审计长期以来一直由人工完成，但机器学习技术现在可以增强整个生命周期的评估能力，并通过持续的处理来改进自身。此类索赔处理算法还可用于监控和检测欺诈活动。然而，唯一的限制因素是保险公司实际拥有的索赔欺诈案件/实例的数量。这也是决定传统和机器学习模型实际效果的基本条件。许多保险公司询问机器学习是否可以显着降低欺诈率。我的回答是，机器学习实际上可以影响各种早期识别或“反欺诈”技术。其中的一个关键要素是减少误报并利用机器学习算法来确定哪些索赔可能具有欺诈性。保险公司可以通过两种方式使用技术来减少欺诈活动的数量：及早发现欺诈行为并投入时间和资源进行欺诈调查。由此产生的更快的理赔支付也将带来更高的客户满意度。使用机器学习技术，保险公司将能够将索赔数据（无论其具体类型如何）加载到巨大的存储库中，称为“数据湖”。在欺诈检测中，索赔审计、日志和文件将是发现欺诈活动的关键。具体过程包括：学习阶段：数据训练或从欺诈索赔和真实索赔中学习。这包括预处理（归一化、降维、图像处理、航拍等）、学习（有监督、无监督、最小化等）和错误分析（精度、召回、过度拟合、测试/交叉验证等）.预测阶段：正式使用学习阶段的模型并将其应用于新数据，然后将其部署用于欺诈检测和标记。持续学习阶段：然而，用新数据和行为校准模型是成功的关键。除了机器学习，保险公司也越来越多地使用图像分析机制来获得可视化欺诈模式的能力。许多保险公司还将图像分析与ApacheSpark/GraphX相结合，可以使用神经网络和社交网络来分析欺诈性索赔。这样的方案可以有效降低传统评估中过高的误报率。图像分析技术可以帮助理解数据关系并用于调查个人索赔欺诈案件，最终使保险公司能够更快地可视化欺诈模式。原标题：MachineLearningandItsImpactOntheFutureforInsurance，原作者：CindyMaike
