XiaoMi-AI文件搜索系统
World File Search Systemunderwriting
使用Amazon Bedrock使用生成AI的简化保险
该解决方案利用了Amazon Bedrock的力量，Amazon Bedrock是一项全面管理的服务，可选择高性能的基础模型，以在保险承保过程中自动化关键任务。通过将生成性AI模型与亚马逊S3，EventBridge和STEP功能等AWS服务相结合，该解决方案解决了文档理解，规则验证，承保准则的遵守和决策理由的关键挑战。
成为承保开拓者
传统的财产和意外险风险评估和定价方法正面临重大挑战。2019 年至 2024 年，商业（7.8%）和个人（5.4%）财产和意外险保费的复合年增长率 (CAGR) 有所上升，超过了同期全球 GDP 2.3% 的复合年增长率。1 2 3 然而，推动增长的是费率上涨，而不是保单销售。虽然财产和意外险保费有所增长，但承保却举步维艰。在此期间，综合比率突破 100%，因为损失超过了新业务保费。在消费者期望很高的情况下，传统做法现在无法应对气候变化、网络风险和流动性转变等市场转型。过时的承保引擎需要注入准确性、效率和透明度的技术来恢复盈利能力。此外，商业险保费在 2022 年首次超过个人险保费，而且这一趋势有望持续下去（图 1）。1
FinRegLab：研讨会——“人工智能与经济：为负责任和包容的人工智能规划道路”联合活动，邀请著名政策制定者参加，重点关注金融服务领域的负责任人工智能。华盛顿特区，2022 年 4 月 22 日——FinRegLab 将与美国商务部、美国国家标准与技术研究所 (NIST) 和斯坦福以人为本人工智能研究所 (HAI) 合作，于 2022 年 4 月 27 日举办一场研讨会，汇集政府、行业、民间社会和学术界的领导人，探讨人工智能和机器学习在不同经济部门部署带来的潜在机遇和挑战，特别关注金融服务和医疗保健。已确认的发言人包括商务部副部长 Don Graves；参议员 Joni Ernst；代理货币监理署署长 Michael Hsu；万事达卡执行副总裁兼首席数据官 JoAnn Stonier；富国银行执行副总裁兼模型风险主管 Agus Sudjianto、斯坦福大学商学院教授兼 HAI 副主任 Susan Athey 博士、布鲁金斯学会技术创新中心主任 Nicol Turner Lee 博士以及哈佛大学计算与社会研究中心博士后研究员 Manish Raghavan 博士。演讲者和小组成员将讨论研究、政策建议和新兴行业实践。FinRegLab 首席执行官兼主任 Melissa Koide 表示：“人工智能与新型数据相结合，为改善金融包容性和平等性提供了巨大的潜力。然而，也存在加剧偏见和排斥的巨大风险。认真、有针对性地研究消费者受到的影响对于制定正确的规则至关重要。” FinRegLab 还将于 4 月 28 日举办一场虚拟会议，详细介绍该组织和斯坦福大学商学院 Laura Blattner 教授和 Jann Spiess 教授就机器学习在信用承保中的应用开展的研究，特别关注机器学习模型对可解释性和公平性的潜在影响。这项研究对当前可用工具的性能和功能进行了实证评估，这些工具旨在帮助贷方开发、监控和管理机器学习承保模型。媒体成员如有兴趣亲临或以虚拟方式参加研讨会或寻求评论，请联系 Alex Bloomfield，邮箱地址为 alex.bloomfield@finreglab.org。有关研讨会的更多信息，包括所有演讲者和小组讨论，请访问此处的活动页面。
FinRegLab：研讨会——“人工智能与经济：为负责任和包容的人工智能规划道路”联合活动，邀请著名政策制定者参加，重点关注金融服务领域的负责任人工智能。华盛顿特区，2022 年 4 月 22 日——FinRegLab 将与美国商务部、美国国家标准与技术研究所 (NIST) 和斯坦福以人为本人工智能研究所 (HAI) 合作，于 2022 年 4 月 27 日举办一场研讨会，汇集政府、行业、民间社会和学术界的领导人，探讨人工智能和机器学习在不同经济部门部署带来的潜在机遇和挑战，特别关注金融服务和医疗保健。已确认的发言人包括商务部副部长 Don Graves；参议员 Joni Ernst；代理货币监理署署长 Michael Hsu；万事达卡执行副总裁兼首席数据官 JoAnn Stonier；富国银行执行副总裁兼模型风险主管 Agus Sudjianto、斯坦福大学商学院教授兼 HAI 副主任 Susan Athey 博士、布鲁金斯学会技术创新中心主任 Nicol Turner Lee 博士以及哈佛大学计算与社会研究中心博士后研究员 Manish Raghavan 博士。演讲者和小组成员将讨论研究、政策建议和新兴行业实践。FinRegLab 首席执行官兼主任 Melissa Koide 表示：“人工智能与新型数据相结合，为改善金融包容性和平等性提供了巨大的潜力。然而，也存在加剧偏见和排斥的巨大风险。认真、有针对性地研究消费者受到的影响对于制定正确的规则至关重要。” FinRegLab 还将于 4 月 28 日举办一场虚拟会议，详细介绍该组织和斯坦福大学商学院 Laura Blattner 教授和 Jann Spiess 教授就机器学习在信用承保中的应用开展的研究，特别关注机器学习模型对可解释性和公平性的潜在影响。这项研究对当前可用工具的性能和功能进行了实证评估，这些工具旨在帮助贷方开发、监控和管理机器学习承保模型。媒体成员如有兴趣亲临或以虚拟方式参加研讨会或寻求评论，请联系 Alex Bloomfield，邮箱地址为 alex.bloomfield@finreglab.org。有关研讨会的更多信息，包括所有演讲者和小组讨论，请访问此处的活动页面。
利用人工智能提高承保的准确性和透明度，从而改变人寿保险行业
人寿保险是数百万家庭的重要金融工具，它通过减少过早死亡带来的经济影响，为家庭提供保障。仅在美国，人寿保险公司就共同管理着数万亿美元的保障，每年向受益人支付数十亿美元；根据美国人寿保险协会的数据，截至 2018 年底，个人的有效保险金额接近 12.1 万亿美元，向受益人支付的金额为 570 亿美元。1 为了支持这个大规模的金融生态系统，同时提供可承受的价格，保险公司必须通过承保流程估计个人人寿保险申请人的死亡风险。承保的准确性最终推动了人寿保险行业的长期稳定，因为承保后固定的保费总额必须足以抵消未来保证死亡抚恤金的支出。
人寿保险中的数字化和人工智能承保
事实上，如今大多数加速途径仅限于简单的产品，如定期和最终费用保险单。此外，无流动性选项仅适用于符合年龄和面值要求的相对狭窄的客户群体（图 1）。在许多情况下，这些限制因重要的医疗标准而加剧（即保险公司只会加速高质量风险），导致许多客户开始加速旅程，但在旅程结束前，他们必须回到传统的承保流程时感到沮丧。此外，选择加速承保的消费者通常不符合接受全面医疗承保（包括辅助医疗检查和实验室测试）的人可获得的优惠费率。差异可能很大：从标准评级变为优先或优先加评级可以将年费率降低一半。
可解释的人工智能决策支持系统，用于自动化贷款承保
由于计算能力的显著进步和优化算法（尤其是机器学习 (ML)）的改进，人工智能 (AI) 的自动决策得到了广泛采用。复杂的 ML 模型提供了良好的预测准确性；然而，ML 模型的不透明性并不能为它们在贷款决策自动化中的应用提供足够的保证。本文提出了一个可解释的人工智能决策支持系统，通过信念规则库 (BRB) 实现贷款承保流程的自动化。该系统可以容纳人类知识，也可以通过监督学习从历史数据中学习。BRB 的层次结构可以容纳事实规则和启发式规则。该系统可以通过激活规则的重要性和规则中先行属性的贡献来解释导致贷款申请决策的事件链。抵押贷款承保自动化的商业案例研究表明，BRB 系统可以在准确性和可解释性之间提供良好的权衡。规则激活产生的文本解释可以作为拒绝贷款的理由。申请的决策过程可以通过规则在提供决策中的重要性及其先行属性的贡献来理解。