【薄荷保】勇于尝试,做保险行业的资深AI导师

“核保查查” 是一款基于微信小程序开发的 保险智能销售机器人 ,该工具可以 针对寿险领域的销售常见问题进行全机器自动回复随时响应,并能基于机器学习实时迭代,优化问答效果

640?wx_fmt=jpeg

目前知识库涵盖上千种常见疾病的核保建议,人身险理赔标准,常见保险词条释义及常见投保前后的咨询问题解答,提升保险销售人员的专业性和效率。 截止目前已累计千万条保险垂直领域的真实问答数据,累计服务了几十万专业保险人

客户背景

薄荷保是一家基于大数据和AI的保险科技公司,专注于智能推荐决策模型行业知识图谱数据挖掘等人工智能技术在保险营销端的应用,提供智能核保咨询系统,用户风险识别,精准营销等全面的保险营销解决方案。目前薄荷保服务了几十万新一代的专业保险人,帮助他们提升保险服务的专业性和效率。

640?wx_fmt=png

基于微信服务号和小程序 ,薄荷保为保险销售人员提供智能核保咨询智能名片获客风险评测及智能推荐保单管理等展业工具和服务。 其中,智能核保咨询服务便是与来也深度合作,运用人工智能技术,针对用户全方位的核保问题,建立庞大的知识库,整理录入了近万条用户关心的保险干货语料库。

成功故事

授人以渔,薄荷保全面自主优化

核保,顾名思义,由保险公司审核是否接受你的投保申请,这对于每一个投保人都是至关重要的一步。核保的目的在于防范带病投保,有些人在医院查出病了,就想着赶紧买份保险,花点小钱拿笔理赔款。

要是每个人都这么干,保险公司就真的是赔本生意了,遭殃的是那些老老实实守规矩的投保人。因此,各家保险公司都配有资深的核保人员,他们一般都具备很强的医学功底,把控着保险公司的风险。

640?wx_fmt=png

在搭建核保知识库的过程中,来也发现知识点的专业性极强,训练师对医学核保的知识完全“应付不来”,根据相关统计全球通用疾病记录有近26000条,常见的疾病也不下千种,薄荷保需要指派专人来搭建庞大的知识库,为医疗核保知识点给出精确的答案,而来也能提供的只有快速搭建知识库的方法。

所谓授人以鱼,不如授人以渔,作为来也的第一批种子客户,薄荷保决策快,执行力强,配合度高,通过来也的专业培训后,快速上手搭建,利用一月的时间基本完成了对知识库的搭建,涵盖近千条核保理赔知识点,并在上线后的第五周迅速达到了接近90%的机器人召回率

直接对接C端,高效回复提高准确性

薄荷保通过吾来平台的IM功能直接接待C端客户。可以通过推荐sug的功能,给到接待人员候选回复,接待人员通过点击的形式快速选择准确答案进行回复,如果没有正确答案,可以直接进行编辑回复。既能保证准确,又能提升效率。

640?wx_fmt=png

在薄荷保为用户提供的智能咨询服务中,包含许多关于疾病是否符合核保的问题,这些问题简短且相似度高,如“甲状腺结节”、“乳腺结节”、“肺结节”,或“高血压”、“高血脂”、“高血糖”等病状。起初机器人刚刚上线,针对于专业的医学词汇,机器人仍需要深度学习,在用户问询“乳腺炎是否符合核保标准”时,机器人却给出了“乳腺癌是否符合核保标准”的答案,这种误召回的情况时有发生,让人头疼不已。

在多次探讨、分析后,来也为薄荷保提供了“知识点关联实体”功能,采用此功能可以在添加知识点实体(即各种病症:肺炎、肺结节···)后,通过提高实体在知识点匹配打分中的权重,从而大幅提升了此类问题的准确性。

与此同时,薄荷保的线上真实问题也为来也机器人模型提供了海量的数据,这些宝贵的数据优化和沉淀了来也的深度学习模型,从而得出更高的机器人精度以及独有的、更具价值的行业数据。


随着AI在保险业的进一步应用和发展,不论是保险从业者还是投保人,我们都希望每一位与保险有过交集的用户能在“核保查查”中找到自己想要的答案,获得足够清晰、准确的回复。

吾来愿意携手薄荷保,在传统的保险行业中勇于探索,拥抱变化,让保险行业焕发新的科技活力,做保险行业的资深AI导师。

640?wx_fmt=jpeg

👇点击“阅读原文”,免费试用吾来对话机器人

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值