本解决方案内建三个机器人:
以上这些模型和示例的训练和部署代码都已经在开源的代码库中,您可以直接使用,也可以在这些模型的基础上用您自己的数据进行增量训练(Fine Tune),训练和部署需要用到Amazon SageMaker服务。
Xxx公司拥有很多业务处理流程中的扫描文档和图片,过去是使用人工审核+第三方服务的方式,通过本解决方案,可以训练自己的模型,节省了大量人工审核的费用,提升了准确率和响应速率
收益:
业务部门
对于简单病历,可以降低“骗保”的风险,和提高诊所和该保险公司的合作满意度; 对于负责病历,可以提升客户体验,降低等待理赔的时间。
审核中心
对于业务审核中心,提高初次识别的准确度,降低和和诊所或医院沟通成本,降低审核周期; 利用机器学习,积累识别的经验,将“人眼和人脑”的知识积累沉淀到“模型”; 未来可以从事后审核,逐步过渡到事中风险提示和事前预警。
IT
盘活“历史数据资产”,从静态索引,逐步可以提供按照业务审核的新需求去灵活的更新查询索引; 讲”历史数据资产“上云,降低历史负债。
数字化和业务创新
根据自己的业务场景和历史数据来训练和优化模型、同时可控数据安全性; 利用AWS SageMaker逐步建立自己的数据活化、分析、建模和应用的能力。
当汽车发生事故时,xxx保险公司需要定责,用户拍的事故现场照片,使用本机器人,可以快速的返回事故发生的车的类型,生产年限信息
业务部门 传统的核保和理赔核损方法,都是人工在现场采集标的全方位信息,然后回传到公司,并由专人进行车辆情况的评估。这种方法服务效率低且成本高,而且人工操作不可避免的会有工作失误和徇私舞弊,保险公司也很难责任追究。 在核保环节,主要涉及到车身划痕识别和自然场景下的OCR识别。通过算法模型的建立以及车身图像数据对算法的训练优化,可以实现智能核保,提升效率。 理赔核损环节,通过图像识别技术,将后台的标的照片以部位维度进行智能分类,之后使用图像识别技术进行损伤程度的评估,并输出核损报告。
数字化和业务创新 根据自己的业务场景和历史数据来训练和优化模型、同时可控数据安全性; 利用AWS SageMaker逐步建立自己的数据活化、分析、建模和应用的能力。
Xxx公司最近推出了新的金融产品,想要调研它的市场反响,通过对收集的用户评论进行情感分析,可以得到准确的市场反馈信息。
业务部门 随着互联网的飞速进步和全球金融的高速发展,金融信息呈现爆炸式增长。如何从海量的金融文本中快速准确地挖掘出关键信息,成为了投资者和决策者重点考虑的问题之一。使用金融文本中的信息主体的挖掘和面向主体的负面消息检测,在风控和舆情分析等领域有很大现实意义。
数字化和业务创新 根据自己的业务场景和历史数据来训练和优化模型、同时可控数据安全性; 利用AWS SageMaker逐步建立自己的数据活化、分析、建模和应用的能力。