RPA保险客户理赔的复杂处理场景

在第二个案例中，我们已经了解到保险公司处理理赔业务的场景。在这个场景中，我们有意简化了关于对客户所提交的证明材料的审核过程。其实，保险公司每年面对数百万计的理赔业务，理赔证明材料的核实是一项巨大的工作负荷，也带来了巨大的人力投入。例如，医疗保险材料中包含诊断证明、检验结果、收费单据等，这都需要理赔专员逐笔核对理赔材料、理赔金额与申请理赔内容是否一致。所以，基于第二个案例的流程图，我们增加了一个步骤“检查理赔附件是否正确完整”来体现此项工作，如图4-16所示。

图4-16　保险客户理赔的传统业务流程
如果我们依然只是采用RPA来解决理赔问题，检查理赔附件材料的过程仍然需要由理赔专员来处理，如图4-17所示。

图4-17　保险客户理赔的业务流程自动化处理场景（灰色标识）
为了真正解决材料的审核自动化处理流程，我们必须要结合人工智能技术。检查单据的流程主要包含两个部分，一个是检查单据的完整性，即需要提交的材料是否都已经提交；另一个是检查单据中信息的正确性，即单据中的数据与理赔申请请求是否一致。
为了检查完整性，首先需要对单据进行分类，然后检查单据的类别和数量是否与业务规范中的要求一致。分类问题可以利用机器学习（Machine Learning）和深度学习（Deep Learning）来解决，而且在应用前需要利用大量的样本数据对分类模型进行训练。有别于传统的识别方法——利用票据中的数据特征值分类的方式，深度学习采用的是对单据的完整扫描图片进行特征判断，生成分类模型。当然，在实际应用中为了分类效果更好，人工智能的方法可以和传统的特征识别方法相结合使用。这个处理过程和利用人工智能识别图片中哪些是狗、哪些是猫的方法是类似的。样本数据的训练过程如下。
为了检查正确性，我们需要使用OCR和NLP技术来对单据的内容进行处理。由于目前的OCR技术还无法完全实现对未知格式的图像的识别，这就需要基于前面单据图像分类进行OCR识别。OCR技术可以是对全局文字的识别，也可以是对切割后的局部文字的识别，主要依据是单据的特点。我们只要获取需要比对文字信息的最小集就可以，而没有必要将全部文字信息完整地识别出来。对于识别出来的那些用自然语言表达的文字，需要利用NLP技术将所需要的关键信息提取出来。当获得最终的信息后，理赔专员再和理赔申请表中的信息比对就可以了。当然在比对过程中，我们依然可以采用NLP技术来尽量减小OCR识别的错误率。
最终，我们得到的理赔处理流程如图4-18所示。

图4-18　保险客户理赔的目标业务流程
在这个场景中，通过机器学习、深度学习、NLP、OCR和RPA等技术尚不能100%解决所有单据的审查，但至少保险公司可以有针对性地选择处理业务量最大的那些单据，极特殊情况以及异常情况仍旧反馈给理赔专员来完成核对。