机器人类型
机器人类型
本解决方案内建三个机器人：
- 场景文字识别机器人：可识别图片中的印刷体中文文本信息。该机器人使用两个模型来完成身份证识别任务。模型一是Connectionist Text Proposal Network（CTPN）模型，图片经过CTPN后可以取出文字位置的坐标信息，之后，包含文字的图片被送入第二个名为Convolutional Recurrent Neural Network（CRNN）的模型去识别图片中文字的内容。
- 车型分类机器人：通过图像分类方法，将输入车辆图像进行分类，识别出车辆生产厂商、车辆型号等信息。本模型基于AutoML技术，利用AutoGluon在ResNet50基础上生成新的对车辆类别进行分类的图像分类模型。
- 情感分析机器人：通过调优预训练的中文BERT模型，将输入中文文本分类为正面/负面评论。我们基于公开的评论数据集预训练了机器人背后的模型。
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。
1. OCR 机器人
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。
2. 车型分类机器人
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。
3. 情感分类机器人
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。