一、保險(xiǎn)行業(yè)關(guān)于反欺詐的痛點(diǎn)及常見(jiàn)案例

保險(xiǎn)行業(yè)欺詐問(wèn)題日益嚴(yán)重，據(jù)統(tǒng)計(jì)，欺詐滲漏率已達(dá)到20%。保險(xiǎn)欺詐的特征主要表現(xiàn)為形式多樣、手段專業(yè)化和主體團(tuán)伙化。該行業(yè)面臨的痛點(diǎn)包括發(fā)現(xiàn)難、確認(rèn)難和追償難。

• 發(fā)現(xiàn)難：隨著黑產(chǎn)和保險(xiǎn)欺詐形式的多元化，欺詐行為變得越來(lái)越難以發(fā)現(xiàn)。
• 確認(rèn)難：在傳統(tǒng)金融行業(yè)中，為了服務(wù)好客戶，遇到風(fēng)險(xiǎn)問(wèn)題時(shí)無(wú)法直接從模型端阻攔。因此，需要通過(guò)更多的畫像來(lái)輔助業(yè)務(wù)人員發(fā)現(xiàn)欺詐或相關(guān)風(fēng)險(xiǎn)，以提高模型行為的可解釋性。
• 追償難：由于保險(xiǎn)理賠需求的特殊性，許多理賠案件在理賠完成后才發(fā)現(xiàn)存在風(fēng)險(xiǎn)。此外，在追償歷史案件時(shí)，還需應(yīng)對(duì)時(shí)效問(wèn)題。

下面介紹一下保險(xiǎn)行業(yè)中高發(fā)領(lǐng)域的車險(xiǎn)和健康險(xiǎn)的含義及其識(shí)別方法。

1、車險(xiǎn)

車險(xiǎn)主要是團(tuán)伙類風(fēng)險(xiǎn)。車險(xiǎn)主要包括內(nèi)外部勾結(jié)、擺放現(xiàn)場(chǎng)、偽造交通事故風(fēng)險(xiǎn)，為了對(duì)抗以上風(fēng)險(xiǎn)，我們通常采用圖譜方式進(jìn)行防范。然而，對(duì)于低品質(zhì)修復(fù)套取高品質(zhì)配件、重復(fù)理賠類風(fēng)險(xiǎn)，僅靠保險(xiǎn)公司內(nèi)部數(shù)據(jù)可能還不足支援，需引入行業(yè)大數(shù)據(jù)做進(jìn)一步防范。此外，倒簽單、駕駛員酒駕調(diào)包、虛報(bào)盜搶類可以通過(guò)構(gòu)建風(fēng)險(xiǎn)畫像、評(píng)分模型進(jìn)行識(shí)別。

2、健康險(xiǎn)

健康險(xiǎn)同樣存在團(tuán)伙類和僥幸個(gè)案類的風(fēng)險(xiǎn)。對(duì)于團(tuán)伙類風(fēng)險(xiǎn)，例如醫(yī)患勾結(jié)、冒名頂替等，我們可以通過(guò)圖譜方式進(jìn)行防范。對(duì)于僥幸個(gè)案類的風(fēng)險(xiǎn)，如帶病投保、虛假理賠材料等，我們會(huì)用評(píng)分卡模型對(duì)理賠案件進(jìn)行打分，從而識(shí)別這種風(fēng)險(xiǎn)。另外，對(duì)于過(guò)度醫(yī)療、濫用藥物以及夸大損失這類不合理醫(yī)療行為的風(fēng)險(xiǎn)，我們會(huì)建立不合理醫(yī)療識(shí)別引擎，通過(guò)醫(yī)學(xué)圖譜結(jié)合費(fèi)用預(yù)測(cè)模型進(jìn)行識(shí)別。

二、保險(xiǎn)反欺詐核心能力建設(shè)方案

針對(duì)以上風(fēng)險(xiǎn)，太平金科相應(yīng)地構(gòu)建了保險(xiǎn)反欺詐的核心能力，主要包括以下三個(gè)方面：

1、欺詐識(shí)別核心引擎

我們積極探索前沿技術(shù)，如大數(shù)據(jù)、機(jī)器學(xué)習(xí)和AI算法，構(gòu)建保險(xiǎn)欺詐識(shí)別核心引擎。

2、風(fēng)險(xiǎn)評(píng)分、畫像、提示

我們的關(guān)注點(diǎn)在于如何讓引擎服務(wù)好業(yè)務(wù)人員，輔助他們發(fā)現(xiàn)風(fēng)險(xiǎn)，而不是完全依靠模型來(lái)阻斷風(fēng)險(xiǎn)。因此，我們需要將引擎能力轉(zhuǎn)化為一種評(píng)分、畫像和風(fēng)險(xiǎn)提示的形式，以便業(yè)務(wù)人員能夠發(fā)現(xiàn)風(fēng)險(xiǎn)并據(jù)此完成審案、核賠、質(zhì)檢等工作。

3、事中化識(shí)別與處置

為了解決事后發(fā)現(xiàn)風(fēng)險(xiǎn)涉及追償難的問(wèn)題，我們需要將引擎能力嵌入各個(gè)業(yè)務(wù)流程中，通過(guò)與業(yè)務(wù)全流程的融合，實(shí)現(xiàn)事中化發(fā)現(xiàn)風(fēng)險(xiǎn)、對(duì)抗風(fēng)險(xiǎn)的作用，從而實(shí)現(xiàn)早發(fā)現(xiàn)、早確認(rèn)和早追償。

三、保險(xiǎn)反欺詐故事

下面介紹兩個(gè)保險(xiǎn)反欺詐的案例，一個(gè)是車險(xiǎn)團(tuán)伙欺詐，另一個(gè)是健康險(xiǎn)團(tuán)伙欺詐。

首先，我們來(lái)看車險(xiǎn)欺詐案例。我們的前端識(shí)別引擎發(fā)現(xiàn)了三個(gè)風(fēng)險(xiǎn)：第一個(gè)是通過(guò)圖譜發(fā)現(xiàn)胡某駕駛不同車輛多次出險(xiǎn)；第二個(gè)是通過(guò)圖像識(shí)別引擎使用以圖搜圖的方式，識(shí)別出胡某駕駛兩輛不同車子碰撞了同樣的石墩；第三個(gè)是通過(guò)評(píng)分模型根據(jù)案件已觸發(fā)的條件計(jì)算得到高風(fēng)險(xiǎn)分?jǐn)?shù)預(yù)警。進(jìn)一步地，通過(guò)畫像引擎關(guān)聯(lián)該案件的標(biāo)記車、駕駛員、被保人以及相關(guān)歷史關(guān)聯(lián)案件，呈現(xiàn)給理賠業(yè)務(wù)員。從畫像可以看出，該理賠案件已經(jīng)關(guān)聯(lián)到了歷史的28個(gè)案件，擴(kuò)展到了17輛車，而且自然語(yǔ)言算法提示案件的出險(xiǎn)人員都是姓胡。最后，我們會(huì)去調(diào)取一些外部數(shù)據(jù)，比如關(guān)聯(lián)銀保信的數(shù)據(jù)，同時(shí)將該團(tuán)伙擴(kuò)展到其他保險(xiǎn)公司的歷史案件。經(jīng)以上操作發(fā)現(xiàn)，該團(tuán)伙涉及199個(gè)案件、9家保險(xiǎn)公司。

接下來(lái)，我們看一個(gè)健康險(xiǎn)欺詐案例，是關(guān)于代理人聯(lián)合醫(yī)院資源騙取津貼費(fèi)的情況。我們可以通過(guò)圖譜中代理人與醫(yī)院的關(guān)聯(lián)情況、出險(xiǎn)頻率、出險(xiǎn)類型(骨折類、呼吸道類、背部疾病)就可以完成風(fēng)險(xiǎn)識(shí)別和預(yù)警。

四、反欺詐核心能力平臺(tái)藍(lán)圖

目前，我們正在構(gòu)建反欺詐核心能力平臺(tái)，整體藍(lán)圖由數(shù)據(jù)基礎(chǔ)層、能力層、平臺(tái)層和產(chǎn)品層構(gòu)成。

1、數(shù)據(jù)基礎(chǔ)

我們將利用整個(gè)壽、財(cái)、養(yǎng)客戶及業(yè)務(wù)的數(shù)據(jù)、集團(tuán)的數(shù)據(jù)、外部行業(yè)的大數(shù)據(jù)來(lái)構(gòu)建數(shù)據(jù)基礎(chǔ)層。

2、能力層

能力層可以分成以下三個(gè)方面的能力：

（1）數(shù)字化

我們將直接使用底層集成的數(shù)據(jù)來(lái)構(gòu)建風(fēng)險(xiǎn)畫像標(biāo)簽體系和知識(shí)圖譜，或者通過(guò)隱私計(jì)算對(duì)接各種行業(yè)大數(shù)據(jù)。同時(shí)，我們還將收集用戶實(shí)時(shí)數(shù)據(jù)，通過(guò)可穿戴設(shè)備和物聯(lián)網(wǎng)設(shè)備等手段來(lái)構(gòu)建我們的數(shù)字化能力；

（2）模型化

我們將對(duì)畫像標(biāo)簽進(jìn)行數(shù)據(jù)分析、大數(shù)據(jù)建模，構(gòu)建各種類型的模型來(lái)應(yīng)用于定價(jià)、核保、運(yùn)營(yíng)、理賠等業(yè)務(wù)環(huán)節(jié)，完成模型決策；

（3）智能化

我們將通過(guò)構(gòu)建圖像自動(dòng)分類、影像數(shù)據(jù)結(jié)構(gòu)化、影像件重復(fù)理賠、圖像PS檢測(cè)、語(yǔ)音情緒識(shí)別和語(yǔ)音聲紋識(shí)別等能力來(lái)對(duì)抗欺詐風(fēng)險(xiǎn)。

3、平臺(tái)層

在技術(shù)層面，我們的平臺(tái)提供了四個(gè)核心模塊：健康險(xiǎn)風(fēng)險(xiǎn)識(shí)別引擎、車險(xiǎn)風(fēng)險(xiǎn)識(shí)別引擎、財(cái)產(chǎn)險(xiǎn)風(fēng)險(xiǎn)識(shí)別引擎以及保險(xiǎn)智能風(fēng)控平臺(tái)。

（1）健康險(xiǎn)風(fēng)險(xiǎn)識(shí)別引擎

主要負(fù)責(zé)賠付預(yù)測(cè)模型、理賠案件分層模型、圖譜反欺詐模型、不合理醫(yī)療行為識(shí)別模型和影像件風(fēng)險(xiǎn)識(shí)別模型等任務(wù)。這些模型能夠幫助我們更好地評(píng)估和管理健康險(xiǎn)風(fēng)險(xiǎn)。

（2）車險(xiǎn)風(fēng)險(xiǎn)識(shí)別引擎

構(gòu)建了一個(gè)車險(xiǎn)業(yè)務(wù)領(lǐng)域的風(fēng)險(xiǎn)評(píng)分、畫像和提示的全流程體系。這個(gè)系統(tǒng)可以有效地評(píng)估車險(xiǎn)欺詐風(fēng)險(xiǎn)。

（3）財(cái)產(chǎn)險(xiǎn)風(fēng)險(xiǎn)識(shí)別引擎

關(guān)注相關(guān)企業(yè)風(fēng)險(xiǎn)圖譜的構(gòu)建，同時(shí)還開(kāi)展了物聯(lián)網(wǎng)(IoT)的風(fēng)險(xiǎn)監(jiān)控和AI數(shù)字農(nóng)險(xiǎn)的一些預(yù)研工作。這些功能有助于我們更好地評(píng)估和管理財(cái)產(chǎn)險(xiǎn)風(fēng)險(xiǎn)。

（4）保險(xiǎn)智能風(fēng)控平臺(tái)

面向風(fēng)險(xiǎn)定價(jià)環(huán)節(jié)、智能核保環(huán)節(jié)、賠付預(yù)測(cè)、風(fēng)險(xiǎn)預(yù)警、賠中防滲漏和賠后風(fēng)險(xiǎn)圖譜等多個(gè)方面。這個(gè)平臺(tái)可以幫助我們更有效地管理保險(xiǎn)風(fēng)險(xiǎn)，提高業(yè)務(wù)效率。

4、產(chǎn)品層面

我們?yōu)榭蛻籼峁┝?ldquo;核保”智能助手、“物聯(lián)”風(fēng)險(xiǎn)管家和“理賠”保險(xiǎn)分等服務(wù)。這些產(chǎn)品旨在賦能業(yè)務(wù)，而不是僅僅通過(guò)模型來(lái)完成阻斷。通過(guò)與業(yè)務(wù)公司的緊密合作，我們希望為客戶提供更優(yōu)質(zhì)的服務(wù)，共同應(yīng)對(duì)保險(xiǎn)行業(yè)的挑戰(zhàn)。

五、車險(xiǎn)風(fēng)險(xiǎn)識(shí)別引擎

基于以上平臺(tái)，下面詳細(xì)介紹一下車險(xiǎn)風(fēng)險(xiǎn)識(shí)別引擎的構(gòu)建方法。

對(duì)于案件風(fēng)險(xiǎn)的識(shí)別，首先，我們利用大數(shù)據(jù)機(jī)器學(xué)習(xí)建模能力，建立類似銀行用的評(píng)分卡模型對(duì)案件進(jìn)行評(píng)分預(yù)測(cè)。通過(guò)分析報(bào)案電話、標(biāo)的車和被保人的維度風(fēng)險(xiǎn)評(píng)分，我們可以實(shí)現(xiàn)案件的分流，提高客戶服務(wù)體驗(yàn)。

在查勘環(huán)節(jié)，車險(xiǎn)分產(chǎn)品會(huì)提供給查勘人員關(guān)于當(dāng)前案件的風(fēng)險(xiǎn)提示以及收集風(fēng)險(xiǎn)信息的操作指引。查勘人員根據(jù)這些指引收集完信息后，這些信息可以用到后續(xù)的理賠環(huán)節(jié)，也可以作為風(fēng)險(xiǎn)評(píng)分模型的新證據(jù)。我們的車險(xiǎn)風(fēng)險(xiǎn)識(shí)別引擎致力于簡(jiǎn)化服務(wù)流程和理賠流程，因此，在沒(méi)有發(fā)現(xiàn)風(fēng)險(xiǎn)的情況下，查勘人員可以快速查勘。但一旦發(fā)現(xiàn)預(yù)警風(fēng)險(xiǎn)，查勘人員需針對(duì)性取證。例如，當(dāng)發(fā)現(xiàn)被保人出現(xiàn)多輛標(biāo)的車、駕駛員不是被保人等改變運(yùn)營(yíng)性質(zhì)的風(fēng)險(xiǎn)時(shí)，我們會(huì)讓查勘人員在線下確認(rèn)標(biāo)的車的使用性質(zhì)，并做錄音取證。當(dāng)發(fā)現(xiàn)標(biāo)的車為8年的老舊車、近期已理賠多次等重復(fù)理賠風(fēng)險(xiǎn)時(shí)，我們會(huì)把標(biāo)的車的歷史理賠圖像發(fā)給查勘人員，并通過(guò)車險(xiǎn)分工具展示其歷史碰撞部位，讓查勘人員根據(jù)風(fēng)險(xiǎn)提示去針對(duì)性拍照確認(rèn)是否為舊痕。如果發(fā)現(xiàn)有擺放現(xiàn)場(chǎng)嫌疑風(fēng)險(xiǎn)，我們會(huì)讓查勘人員著重拍一些環(huán)境照，通過(guò)以圖搜圖的方式檢索是否有相似的環(huán)境照或碰撞物體。

對(duì)于團(tuán)伙類的風(fēng)險(xiǎn)識(shí)別，我們先會(huì)構(gòu)建一個(gè)關(guān)聯(lián)圖譜，該圖譜是基于歷史上的報(bào)案手機(jī)號(hào)、標(biāo)的車、標(biāo)的駕駛員、作業(yè)人員和修理廠等信息的。然后，在關(guān)聯(lián)圖譜的基礎(chǔ)上，針對(duì)業(yè)務(wù)風(fēng)險(xiǎn)點(diǎn)構(gòu)建關(guān)聯(lián)模式完成風(fēng)險(xiǎn)挖掘。與互聯(lián)網(wǎng)行業(yè)通過(guò)端到端的圖神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)算法來(lái)阻攔理賠案件不同，我們更注重發(fā)現(xiàn)風(fēng)險(xiǎn)模式。例如，我們可以通過(guò)關(guān)聯(lián)報(bào)案手機(jī)號(hào)、被保人、駛?cè)藛T、三者人員以及修理廠等信息，進(jìn)行后續(xù)針對(duì)性質(zhì)檢。

以報(bào)案手機(jī)號(hào)關(guān)聯(lián)模式為例，我們通過(guò)關(guān)聯(lián)歷史風(fēng)險(xiǎn)案件并應(yīng)用以圖搜圖、以臉?biāo)涯樀募夹g(shù)來(lái)發(fā)現(xiàn)風(fēng)險(xiǎn)。然而，如果我們?cè)诤Ａ堪讣?shù)據(jù)中直接使用以圖搜圖技術(shù)，可能會(huì)導(dǎo)致誤報(bào)率較高。為了解決這個(gè)問(wèn)題，我們引入了圖譜的關(guān)聯(lián)模式。通過(guò)將關(guān)聯(lián)手機(jī)號(hào)劃分區(qū)域并縮小范圍，我們可以降低誤報(bào)率，提高召回率。

在AI算法應(yīng)用方面，我們使用度量學(xué)習(xí)方來(lái)完成人臉識(shí)別和圖像識(shí)別。針對(duì)我們自己的保險(xiǎn)場(chǎng)景、查勘圖片及影像的特點(diǎn)，通過(guò)環(huán)境比對(duì)和特征抽取來(lái)提高效率。例如，對(duì)于相同環(huán)境中可能存在不同車輛的情況，我們通常采用語(yǔ)義分割技術(shù)對(duì)車輛進(jìn)行馬賽克或填充，然后再抽取環(huán)境的特征。對(duì)于石墩、電線桿、樹(shù)樁等交通路障，我們會(huì)針對(duì)性地進(jìn)行目標(biāo)檢測(cè)，并使用特征抽取算法提取相應(yīng)的特征。最后，我們將抽取的特征存儲(chǔ)到向量庫(kù)中進(jìn)行檢索。

通過(guò)將以圖搜索功能賦能給查勘人員，他們可以核查當(dāng)前理賠案件是否有歷史上的相似案件。這種方法不僅提高了工作效率，還有助于減少誤判和欺詐行為的發(fā)生。

為了進(jìn)一步提高車險(xiǎn)識(shí)別的準(zhǔn)確性，我們還引入了外部大數(shù)據(jù)，如銀保信和車聯(lián)網(wǎng)的數(shù)據(jù)。此外，我們?cè)O(shè)計(jì)了一套評(píng)分機(jī)制，用于將外部大數(shù)據(jù)納入我們的畫像指標(biāo)中，以便進(jìn)行風(fēng)險(xiǎn)預(yù)警。最后，我們通過(guò)雷達(dá)圖的方式展示分?jǐn)?shù)及其作為風(fēng)險(xiǎn)提示的解讀。這種方式使得我們能夠更直觀地了解各項(xiàng)指標(biāo)的得分情況，并快速識(shí)別潛在的風(fēng)險(xiǎn)。

六、健康險(xiǎn)反欺詐引擎

基于我們的平臺(tái)，下面介紹一下健康反欺詐的構(gòu)建方式。

為了提高健康險(xiǎn)反欺詐的準(zhǔn)確性，首先，我們從客戶維度、保單機(jī)構(gòu)維度、本案與過(guò)往維度、疾病維度和代理人維度構(gòu)建了一個(gè)健康險(xiǎn)反欺詐的畫像指標(biāo)，健康險(xiǎn)個(gè)案類反欺詐評(píng)分模型更側(cè)重于風(fēng)險(xiǎn)標(biāo)簽的挖掘與構(gòu)建。事實(shí)上，保險(xiǎn)領(lǐng)域欺詐案件的標(biāo)簽很少，更多的是拒付類標(biāo)簽。因此，我們根據(jù)歷史拒付情況和風(fēng)險(xiǎn)標(biāo)簽畫像體系通過(guò)機(jī)器學(xué)習(xí)獲取評(píng)分卡模型。

相比于以前只根據(jù)醫(yī)學(xué)背景知識(shí)判斷反欺詐風(fēng)險(xiǎn)，我們引入了大數(shù)據(jù)技術(shù)和大數(shù)據(jù)維度。通過(guò)學(xué)習(xí)拒付案例，讓模型可以學(xué)到客群維度、銷售人員維度指標(biāo)對(duì)拒賠的影響，將風(fēng)險(xiǎn)標(biāo)簽呈現(xiàn)給作業(yè)人員。同時(shí)，我們將入?yún)⒁蜃討?yīng)用到運(yùn)營(yíng)環(huán)節(jié)去管理客戶和監(jiān)控銷售人員。

我們通過(guò)構(gòu)建畫像標(biāo)簽做評(píng)分卡模型的目的不是去找欺詐，而是輔助業(yè)務(wù)人員發(fā)現(xiàn)欺詐。我們不光是做核賠核保的風(fēng)險(xiǎn)識(shí)別，還希望風(fēng)險(xiǎn)識(shí)別的評(píng)分項(xiàng)可以作為運(yùn)營(yíng)指標(biāo)輔助業(yè)務(wù)進(jìn)行管理和監(jiān)控。

在構(gòu)建完圖譜后，我們會(huì)去圍繞手機(jī)號(hào)、醫(yī)院代理人、疾病類型、收款賬號(hào)去發(fā)現(xiàn)風(fēng)險(xiǎn)集或風(fēng)險(xiǎn)模式。

與端到端發(fā)現(xiàn)風(fēng)險(xiǎn)模式不同的是，我們是通過(guò)模型算法發(fā)現(xiàn)某種風(fēng)險(xiǎn)模式后，將其固定化為規(guī)則再應(yīng)用到線上。我們的目標(biāo)是發(fā)現(xiàn)更多的風(fēng)險(xiǎn)模式，而不是通過(guò)圖算法直接端到端地預(yù)警案件的風(fēng)險(xiǎn)。這是因?yàn)楸ｋU(xiǎn)金融服務(wù)行業(yè)要求風(fēng)險(xiǎn)的可解釋，我們不能僅根據(jù)風(fēng)險(xiǎn)直接阻斷案件，而是要提供有理有據(jù)的風(fēng)險(xiǎn)提示給相關(guān)作業(yè)人員。

我們對(duì)復(fù)雜的圖譜關(guān)系簡(jiǎn)單抽象化后，可以將健康反欺詐模式簡(jiǎn)單歸類為疾病類和事件類。在疾病類中，節(jié)點(diǎn)主要包括業(yè)務(wù)員、被保人、疾病和醫(yī)院。就診行為雷同模式的維度包括同時(shí)住院和出院；偽造單據(jù)模式的維度包括費(fèi)用相似和掛床模式的維度包括住院時(shí)間的不合理；過(guò)度醫(yī)療模式的維度包括費(fèi)用的不合理。

另外，對(duì)于時(shí)效性事件類，我們可以通過(guò)圖譜關(guān)聯(lián)方式去發(fā)現(xiàn)短期出險(xiǎn)風(fēng)險(xiǎn)和高頻出險(xiǎn)風(fēng)險(xiǎn)。

在健康險(xiǎn)領(lǐng)域，我們也嘗試做了AI算法的應(yīng)用，除了以圖搜圖發(fā)現(xiàn)重復(fù)理賠的應(yīng)用場(chǎng)景外，我們還引用了OCR技術(shù)識(shí)別篡改風(fēng)險(xiǎn)，如票據(jù)大小寫不一致、票據(jù)模板不一致等。

此外，我們還探索了影像造假PS檢測(cè)技術(shù)。在這個(gè)場(chǎng)景中，我們不追求召回率很高，而是希望查準(zhǔn)率很高，提升預(yù)警案件的調(diào)查成功率，來(lái)降低調(diào)查成本。由于保險(xiǎn)行業(yè)的票據(jù)大多數(shù)過(guò)度壓縮，通過(guò)AI算法的手段去發(fā)現(xiàn)篡改區(qū)域是我們目前要突破的一個(gè)難點(diǎn)。

七、與業(yè)務(wù)流程深度融合的事中化風(fēng)險(xiǎn)管理機(jī)制

盡管以上所述主要涉及的是技術(shù)手段，但我們的實(shí)際工作更著重于將這些技術(shù)手段嵌入到業(yè)務(wù)環(huán)境中。

以車險(xiǎn)為例，在續(xù)保時(shí)，我們會(huì)根據(jù)歷史客戶建立的風(fēng)險(xiǎn)指標(biāo)體系對(duì)客戶進(jìn)行評(píng)分，并提供風(fēng)險(xiǎn)提示。出險(xiǎn)時(shí)，我們通過(guò)情緒識(shí)別來(lái)判斷對(duì)方是否酒駕。在電話報(bào)案時(shí)，根據(jù)聲紋識(shí)別來(lái)判斷對(duì)方是否為修理廠人員或黑名單員。在查勘時(shí)，我們會(huì)使用評(píng)分模型。在定損時(shí)，我們通過(guò)環(huán)境照識(shí)別、PS檢測(cè)和以圖搜圖等手段進(jìn)行相關(guān)風(fēng)險(xiǎn)預(yù)警。最后，我們通過(guò)知識(shí)圖譜的方式進(jìn)行事后質(zhì)檢。

總之，我們是面向服務(wù)類的，通過(guò)風(fēng)險(xiǎn)產(chǎn)品的風(fēng)險(xiǎn)評(píng)分和畫像提示來(lái)輔助作業(yè)人員識(shí)別風(fēng)險(xiǎn)，而不是完全提供技術(shù)手段直接阻斷風(fēng)險(xiǎn)。我們希望我們的能力體現(xiàn)在我們的產(chǎn)品中，讓業(yè)務(wù)人員通過(guò)我們的產(chǎn)品發(fā)現(xiàn)更多維度的畫像，并基于這些畫像輔助他們?cè)诂F(xiàn)場(chǎng)發(fā)現(xiàn)風(fēng)險(xiǎn)。

來(lái)源：DataFunTalk