Внутри ИИ в страховании
Обучение искусственных нейронных сетей для проверки качества
Страховой полис отличается от любого другого розничного продукта. Правила страхования постоянно меняются, в то время как договор полиса и страховое покрытие требуют тщательного обучения клиентов. Еще больше усложняет ситуацию тот факт, что в сфере страхования наблюдается высокая текучесть кадров у брокеров.
Несмотря на продвижение цифровых каналов, мы по-прежнему сталкиваемся с большим объемом звонков, поскольку потребители требуют подтверждения человеком для большинства решений, связанных со страхованием. Полная оцифровка может повлиять на лояльность к бренду, которую страховщики могут надеяться получить от обслуживания клиентов. Таким образом, страховые компании неуклонно увеличивают инвестиции в машинное обучение и искусственный интеллект, чтобы улучшить качество обслуживания клиентов в своих колл-центрах.
Основная проблема, стоящая перед страховыми операциями, связана с человеческим капиталом, роль брокера находится под угрозой. Такие компании, как Allstate, пытаются предоставить брокерам лучшие инструменты, используя машинное обучение для создания помощников ИИ, которые помогут им добиться успеха и соответствовать требованиям.
Компании начинают это с того, что сначала применяют машинное обучение для оценки качества звонков в колл-центре страховых компаний с большим объемом звонков, что означает решение проблемы «сигнал-символ» и хороший вариант использования искусственной нейронной сети. Сложный продукт затрудняет разработку парадигм машинного обучения, оценивающих качество. Основываясь на моих знаниях в области страхования, а также на исследовательском интересе к глубокому обучению,
Я предлагаю глубокую нейронную сеть со слоями, предназначенными для значительного уменьшения размерности для оценки качества звонков в страховании.
Также представлен общий обзор разработки алгоритма для каждого слоя. Было бы лучше позволить процессору естественного языка обрабатывать сигнал голосовых данных и передавать расшифровку, которую он производит, в качестве сигнала в A.N.N.
ВХОДОбучающие данные. Сигнал будет представлять собой аннотированную расшифровку звонка, помеченную человеком после прослушивания звонка.
Вопрос о двоичной классификации. Оценка качества, полученная с помощью изученного классификатора, позволяет предположить, должен ли звонок быть проверен человеком.
1-й уровень: изучите классификацию типов политик: обучающие наборы данных в виде аннотированных расшифровок должны быть в состоянии помочь нейронной сети научиться различать домашние и автоматические вызовы политик по распространенности, частоте. и плотность некоторых слов, таких как «дом», «машина».
2-й уровень. Изучите классификацию типов транзакций. Существует слишком много типов транзакций, которые могут происходить в контексте домашней или автоматической политики, поэтому лучше иметь вторичный уровень классификации, чтобы еще больше уменьшить размерность функций. .
В рамках домашних политик тип транзакции можно было снова узнать путем распознавания шаблонов распространенности и частоты определенных слов из расшифровок звонков. Например, функции, которые ищут такие слова, как «закрытие», «переезд», за которыми следует «новый адрес», «тип отопления» и т. д., могут быть смоделированы для классификации вызовов о продаже жилья.
3-й уровень. Научитесь проверять соответствие требованиям андеррайтинга. Узлы на этом уровне знают, что звонок касался «политики дома» и «покупки дома на одну семью», как показано на изображении выше. Эти узлы относятся к определенному типу полиса (например, арендованной квартире), и они предсказывают, соответствует ли вызов регламентирующей его процедуре андеррайтинга. Это делается путем отметки процедурных ключевых слов в расшифровке и проверки «исключительных» ключевых слов ответа, которые необходимо пометить.
Например, как показано в приведенной ниже таблице решений, если нужно было купить стандартный домашний полис, корпоративные инструменты, позволяющие привязывать полисы, побуждают агентов задавать клиенту стандартные вопросы приемлемости, такие как «есть ли у вас альтернативный источник тепла?», которые определяют соблюдение андеррайтинга. Поскольку существует стандартизация звонка со стороны представителя, мы должны иметь возможность настроить логику, чтобы проверить, действительно ли такие вопросы задавались. Мы также можем настроить оповещения для исключительных ответов, которые требуют дополнительной обработки, например, когда клиент отвечает «да, у меня есть дровяная печь».
Выделение соответствия требованиям андеррайтинга на отдельный уровень позволяет упростить постоянные изменения в правилах андеррайтинга.
4-й уровень: научитесь обрабатывать исключения: исключения из стандартного потока процедуры очень распространены в процессах страхования, этот уровень изучает, как правильно обрабатывается каждое исключение. Алгоритмы обработки исключений специфичны для «исключительных» слов, таких как «деревянная печь», и выполняют анализ фрагментов стенограмм вокруг этих исключительных слов, чтобы оценить, правильно ли была обработана транзакция.
Пример: ЕСЛИ у клиента есть «дровяная печь» И такие слова, как «сертифицировано WETT» и «требуется подтверждение», встречаются вокруг исключительного слова it в стенограмме, ТО ВОЗНАГРАЖДЕНИЕ, поскольку исключение, вероятно, было правильно обработано агентом.
5-й уровень: научитесь оценивать качество. Последний уровень качества будет включать в себя различные «точки зрения» на качество звонков. Это связано с тем, что в зависимости от звонка будут применяться разные точки зрения.
Пример: может потребоваться проверка продажи полиса на жилье с точки зрения звонка и качества полиса, как показано на рисунке выше.
Функция «качества полиса» может сосредоточиться на сравнении покрытия полиса, проданного во время звонка, с «идеальным» полисом и оценить продажу, которая затем может быть мерой мастерства продаж агента.
ВЫВОД:обученный классификатор сигналов должен выводить числовую оценку качества, которая, если она ниже порогового значения, вызовет проверку человеком. Он также должен выводить объект классифицированного символа, который коррелирует с помеченным сигналом.
В заключение следует отметить, что этот подход позволяет использовать модульные уровни, которые можно повторять по мере того, как взгляд организации на качество вызовов меняется с течением времени.
