RPA機器人如何處理保險客戶理賠的複雜場景？

// 保險客戶理賠的複雜處理場景

在之前的文章中，我們已經瞭解到保險公司處理理賠業務的場景。在這個場景中，我們有意簡化了關於對客戶所提交的證明材料的稽核過程。其實，保險公司每年面對數百萬計的理賠業務，理賠證明材料的核實是一項巨大的工作負荷，也帶來了巨大的人力投入。例如，醫療保險材料中包含診斷證明、檢驗結果、收費單據等，這都需要理賠專員逐筆核對理賠材料、理賠金額與申請理賠內容是否一致。所以，基於之前文章中的流程圖，我們增加了一個步驟“檢查理賠附件是否正確完整”來體現此項工作，如圖所示。

如果我們依然只是採用RPA來解決理賠問題，檢查理賠附件材料的過程仍然需要由理賠專員來處理，如圖所示。

為了真正解決材料的稽核自動化處理流程，我們必須要結合人工智慧技術。檢查單據的流程主要包含兩個部分，一個是檢查單據的完整性，即需要提交的材料是否都已經提交；另一個是檢查單據中資訊的正確性，即單據中的資料與理賠申請請求是否一致。

為了檢查完整性，首先需要對單據進行分類，然後檢查單據的類別和數量是否與業務規範中的要求一致。分類問題可以利用機器學習(Machine Learning)和深度學習(Deep Learning)來解決，而且在應用前需要利用大量的樣本資料對分類模型進行訓練。有別於傳統的識別方法——利用票據中的資料特徵值分類的方式，深度學習採用的是對單據的完整掃描圖片進行特徵判斷，生成分類模型。當然，在實際應用中為了分類效果更好，人工智慧的方法可以和傳統的特徵識別方法相結合使用。這個處理過程和利用人工智慧識別圖片中哪些是狗、哪些是貓的方法是類似的。樣本資料的訓練過程如下。

為了檢查正確性，我們需要使用OCR和NLP技術來對單據的內容進行處理。由於目前的OCR技術還無法完全實現對未知格式的影象的識別，這就需要基於前面單據影象分類進行OCR識別。OCR技術可以是對全域性文字的識別，也可以是對切割後的區域性文字的識別，主要依據是單據的特點。我們只要獲取需要比對文字資訊的最小集就可以，而沒有必要將全部文字資訊完整地識別出來。對於識別出來的那些用自然語言表達的文字，需要利用NLP技術將所需要的關鍵資訊提取出來。當獲得最終的資訊後，理賠專員再和理賠申請表中的資訊比對就可以了。當然在比對過程中，我們依然可以採用NLP技術來儘量減小OCR識別的錯誤率。

最終，我們得到的理賠處理流程如圖所示。

在這個場景中，透過機器學習、深度學習、NLP、OCR和RPA等技術尚不能100%解決所有單據的審查，但至少保險公司可以有針對性地選擇處理業務量最大的那些單據，極特殊情況以及異常情況仍舊反饋給理賠專員來完成核對。