人工智能应用领域 -AI金融保险.docx

人工智能应用领域--AI金融保险 Cape Analytics--房屋财产险云平台及API 采用空间地理图像、计算机视觉和机器学习技术为准确评估房产保险费率提供大量信息。 通常房主提供的信息一般都倾向于降低保险费率,公共信息又往往过时,而派追检察员的成本很高,而且不及时。 Cape Analytics的航拍图像能够即时观测房屋的外观改动,例如被风暴摧毁的情况,以及相关的安全风险,例如房屋被树木环绕。同时还能对屋顶的形状和状况作出判断,迅速自动提取专有的财产数据,提升保险公司中财产承保的自动化程度。 Cape Analytics推动保险公司财产承保自动化，来自加州的Cape Analytics最初的业务是根据一些图片来评估房屋的价值，从而让保险公司能进行准确而又快速的报价。 保险公司希望为客户提供快速、准确、无障碍的报价。传统上而言，报价的信息是不完整或不可靠的，主要来自公共记录，或者来自财产检查员的现场汇报，这种获取信息的渠道效率低、费用高。 针对这一现象，Cape Analytics已经开发了一个云平台，该公司从合作伙伴那获得地理图像（包括户外图片和卫星图片），将图像置入其内部平台（这一点类似于Google Earth），然后通过其专有的计算机视觉和AI深度学习算法 “理解”这些图像并提取结构化数据。该数据可以是与房产有关的任何数据，比如家庭可使用面积，又比如屋顶状况、类型和材料，或者天窗、太阳能板和其他详细信息。这个平台包含了非常丰富的房产信息，以此帮助保险公司为用户提供更准确的报价。 Cyence—经济网络风险建模平台 将经济/风险建模、网络安全和大数据分析相结合,创建了一个经济网络风险建模平台。Cyence的平台和分析由保险业领导者利用,帮助了解和管理网络风险,并推出新的转型保险产品。 Cyence是一家致力于量化网络风险的创业公司，他们为保险公司打造了一款数据分析平台，帮助保险公司对网络风险这一新兴险种进行建模和定价。其分析平台和解决方案可以让保险公司更高效地选择、勘测和管理网络风险，并且引入动态风险定价，帮助保险公司能够灵活应对快速变化的网络风险。 网络风险建模的痛点 越来越多的大型企业开始意识到，网络安全风险不仅仅是一项技术难题，更是企业面临的商业风险之一。企业应对和管理网络风险，不仅要通过技术手段来防范和减轻风险，还需要利用保险产品来转移风险。保险经纪公司Marsh的研究报告显示，目前全球网络安全险的市场规模超过了30亿美元，并且预计将在未来几年内翻倍。 但是网络风险的评价和建模方式和传统风险有着很大的不同，保险公司在开展网络风险业务前，往往会受困于该险种异于传统的分析逻辑，无法有效地对风险进行定价。Cyence认为原因有三，这三点正是保险公司目前在网络风险领域经历的痛点。 1、数据收集的痛点 建立网络风险模型的第一个挑战就是数据。保险业的传统建模方法中，数据是取自权威统计机构的。比如美国保险公司在评估地震风险时，会从美国地质勘探局（USGS）获取地震相关的数据；在评估飓风和热带风暴风险时，会从国家海洋和大气局（NOAA）获取相关数据。对于上述这些自然灾害来说，风险相对来说处于稳定状态，同样的风险模型可以用上十几年。 而对于网络风险来说，并不存在一个可以提供大量数据的权威统计机构。而互联网的发展是动态而又迅猛的，随着技术的发展，互联网本身的构造也越发复杂。网络风险也会随着互联网的发展而大幅波动，不断变化，不断进化。所以，建立网络风险模型时，保险公司不仅需要想方设法收集相关数据，还需要在一个动态的、实时变化的大环境下跟上网络风险发展的脚步。 数据收集和风险建模相辅相成，并且会互相影响互相反馈。一个优秀的网络风险模型是可以在两者间建立起可持续发展的正反馈闭环的，随着数据量的增加，模型的准确度会越高，而更高的正确度会带来更有意义的数据，从而进一步提升模型的准确度。 2、人和流程的痛点 网络风险建模的第二个挑战就是在分析好技术原因之后，分析人和流程。任何首次接触网络安全领域的人，都会首先关注技术层面的原因，这也是情理之中的，毕竟网络风险是基于网络技术发展产生的。但是大多数网络安全事故发生的直接原因是涉及人为操作和流程的。 有部分网络安全事故是由内部人员故意造成的，比如说对公司愤愤不满的员工，他们可以轻而易举的接触到公司的重要数据。另一个造成网络安全事故的主要原因是操作上的意外或失误，比如有人忘了关电脑、点击了恶意链接或者无意间透露了自己的账号密码等。这些原因所造成的网络安全事故是与技术层面无关的。 据IBM在2014年的研究显示，95%的网络犯罪事件都或多或少夹杂这人为失误的因素，而这些失误中又有59%是属于无心之过。 网络风险模型需要关注纯技术以外的因素，让整个模型也能反映人和流程的问题。这才能创造出一套完整的由数据