數(shù)字化資產(chǎn)盤活機器人解決方案

數(shù)字化資產(chǎn)盤活機器人解決方案技術創(chuàng)新，變革未來到2025年，全球數(shù)據(jù)總量達175ZB、非結(jié)構(gòu)化數(shù)據(jù)的占比達80%，非結(jié)構(gòu)化數(shù)據(jù)在金融行業(yè)大量存在。在金融行業(yè)，因為業(yè)務需求必須收集大量的非結(jié)構(gòu)化數(shù)據(jù)，例如：在醫(yī)療保險行業(yè)，客戶在處理案件時收集復印處方或電子收據(jù)用于理賠；在資本市場，客戶希望從金融新聞中提取財務標簽，以預期市場的走向;在銀行業(yè)，客戶正在尋找柜面與客戶交談的柜員標簽，以提高質(zhì)量和管理風險.業(yè)務的創(chuàng)新往往受限于如何活化靜態(tài)和非結(jié)構(gòu)化方式存在的數(shù)據(jù)資產(chǎn)業(yè)務部門希望可以提高業(yè)務的自動化處理能力，并利用歷史數(shù)據(jù)進行預測算法工程師和數(shù)據(jù)科學家，已經(jīng)在使用一些機器學習的服務來從原始數(shù)字資產(chǎn)中提取語義標簽希望將精力集中于基于數(shù)據(jù)的業(yè)務創(chuàng)新，可以靈活的根據(jù)業(yè)務場景去定制。例如保險客戶，投入不同的工作人員，以不同的格式閱讀資產(chǎn)，如接收、審計、重新審查等，其中包括了多語言的處理，由于缺乏數(shù)字標記/記錄，難以重復使用資產(chǎn)中的常見見解進行業(yè)務預測。希望使用自己的歷史數(shù)據(jù)來訓練和調(diào)優(yōu)，并做到數(shù)據(jù)可控。業(yè)務場景不斷的變化和迭代，過程中希望充分的去降低訓練的成本。什么是數(shù)字化資產(chǎn)盤活機器人解決方案數(shù)字化資產(chǎn)盤活機器人是一個將機器學習應用于業(yè)務場景的解決方案，通過本解決方案：用戶可以將其歷史數(shù)據(jù)上傳到

Amazon

S3

中?？梢允褂脵C器學習軟件機器人在這些資產(chǎn)（例如，照片、PDF文檔、視頻等非機構(gòu)化數(shù)據(jù)）中找到知識標簽。標記知識將幫助用戶實現(xiàn)業(yè)務流程自動化，并為業(yè)務預測建立精確的知識圖；同時，用戶可以將機器人“拉”到自己在AWS上的生產(chǎn)環(huán)境中，既可以通過SPOT實例降低成本，又可以保護自己的數(shù)據(jù)隱私，更能針對用戶自己的數(shù)據(jù)持續(xù)的優(yōu)化更新基于自己數(shù)據(jù)定制的機器人模型；由于機器人都是開源的，用戶可以通過檢驗代碼和模型來進一步實現(xiàn)對數(shù)據(jù)資產(chǎn)的管控。資產(chǎn)盤活機器人典型用例OCR機器人醫(yī)療保險公司擁有很多業(yè)務處理流程中的掃描文檔和圖片，過去是使用人工審核+第三方服務的方式，通過本解決方案，可以訓練自己的模型，節(jié)省了大量人工審核的費用，提升了準確率和響應速率。車險理賠機器人當汽車發(fā)生事故時，保險公司需要定責，用戶拍的事故現(xiàn)場照片，使用本機器人，可以快速的返回事故發(fā)生的車的類型，生產(chǎn)年限信息，提高用戶體驗。情感分類機器人金融投資公司希望調(diào)研熱點新聞對于股票市場的影響，通過對收集的歷史財經(jīng)新聞進行分析建模，并對于熱點新聞進行情感分析，可以得到準確的市場反饋信息。病人診所醫(yī)院小病，例如費用小于一定金額大病轉(zhuǎn)介傳統(tǒng)流程：基于語言派送到不同的審核中心對于小病，采用先賠后審大病，采用先審后配傳統(tǒng)審核團隊審核后，數(shù)據(jù)用于防欺詐的模型增強OCR機器人團隊創(chuàng)新流程：派送給OCR機器人團隊資產(chǎn)盤活機器人典型用例:

OCR機器人資產(chǎn)盤活機器人典型用例:

OCR機器人的收益業(yè)務團隊將歷史數(shù)據(jù)中的知識活化，可以降低“騙?！钡娘L險，和提高診所和該保險公司的合作滿意度。審核團隊對于業(yè)務審核中心，提高初次識別的準確度，降低和和診所或醫(yī)院溝通成本，降低審核周期；利用機器學習，積累識別的經(jīng)驗，將“人眼和人腦”的知識積累沉淀到“模型”；未來可以從事后審核，逐步過渡到事中風險提示和事前預警。IT團隊從靜態(tài)索引，逐步可以提供按照業(yè)務審核的新需求去靈活的更新查詢索引；將”歷史數(shù)據(jù)資產(chǎn)“上云，降低歷史負債。數(shù)字化和業(yè)務創(chuàng)新團隊根據(jù)自己的業(yè)務場景和歷史數(shù)據(jù)來訓練和優(yōu)化模型，同時可控數(shù)據(jù)安全性；利用Amazon

SageMaker逐步建立自己的數(shù)據(jù)活化、分析、建模和應用的能力。展示的項目是汽車自動定損評估系統(tǒng)；該系統(tǒng)將減少過去僅將汽車圖片發(fā)送到系統(tǒng)中以獲取索賠表的通知過程；該系統(tǒng)有助于防止錯誤并提高評估的準確性。減少各種文件的處理。資產(chǎn)盤活機器人典型用例:

車險理賠機器人事故故障 派單現(xiàn)場 確認預估維修和賠付牌照自動核損維修和賠付資產(chǎn)盤活機器人典型用例:

車險理賠機器人的收益業(yè)務團隊傳統(tǒng)的核保和理賠核損方法，都是人工在現(xiàn)場采集標的全方位信息，然后回傳到公司，并由專人進行車輛情況的評估。這種方法服務效率低且成本高，而且人工操作不可避免的會有工作失誤和徇私舞弊，保險公司也很難責任追究。在核保環(huán)節(jié)，主要涉及到車身劃痕識別和自然場景下的OCR識別。通過算法模型的建立以及車身圖像數(shù)據(jù)對算法的訓練優(yōu)化，可以實現(xiàn)智能核保，提升效率。理賠核損環(huán)節(jié)，通過圖像識別技術，將后臺的標的照片以部位維度進行智能分類，之后使用圖像識別技術進行損傷程度的評估，并輸出核損報告。數(shù)字化和業(yè)務創(chuàng)新團隊根據(jù)自己的業(yè)務場景和歷史數(shù)據(jù)來訓練和優(yōu)化模型、同時可控數(shù)據(jù)安全性；利用AWS

SageMaker逐步建立自己的數(shù)據(jù)活化、分析、建模和應用的能力。資產(chǎn)盤活機器人典型用例:

情感分類機器人資產(chǎn)盤活機器人典型用例:

情感分類機器人的收益業(yè)務團隊隨著互聯(lián)網(wǎng)的飛速進步和全球金融的高速發(fā)展，金融信息呈現(xiàn)爆炸式增長。如何從海量的金融文本中快速準確地挖掘出關鍵信息，成為了投資者和決策者重點考慮的問題之一。使用金融文本中的信息主體的挖掘和面向主體的負面消息檢測，在風控和輿情分析等領域有很大現(xiàn)實意義。數(shù)字化和業(yè)務創(chuàng)新團隊根據(jù)自己的業(yè)務場景和歷史數(shù)據(jù)來訓練和優(yōu)化模型、同時可控數(shù)據(jù)安全性；利用AWS

SageMaker逐步建立自己的數(shù)據(jù)活化、分析、建模和應用的能力。數(shù)字化資產(chǎn)盤活機器人解決方案系統(tǒng)架構(gòu)?AWS

CloudFormation模版幫助快速部署；指定所需要盤活的數(shù)據(jù)資產(chǎn)的Amazon

S3路徑及對應所需要啟動的機器人；處理完當前任務后會將結(jié)果寫入AmazonElasticSearch和Amazon

S3。如果某個實例發(fā)生異常，則相應的任務會交給其他的實例來重做；可以通過Amazon

Elastic

Search查詢?nèi)蝿盏慕Y(jié)果，并且了解整個任務的執(zhí)行狀態(tài)；每個機器人都是由兩層構(gòu)成的，一層實現(xiàn)的業(yè)務需求，具體的任務可需要多個模型協(xié)作完成為業(yè)務層提供能力支持。數(shù)字化資產(chǎn)盤活機器人的特點之一使用內(nèi)置算法開始工作直接使用經(jīng)過預先訓練的模型來完成諸如OCR

/車輛識別/

情感分類之類的工作;使用自己的模型利用預定義的Jupyter

Notebooks，在自己的數(shù)據(jù)集上訓練自己的模型;使用自己的機器人按照我們的指導將您的預訓練模型注冊為機器人。Use

Built-inalgorithmstostart

yourjobBringyourown

ModelBring

yourownBot數(shù)字化資產(chǎn)盤活機器人的特點之二可定制帶有一個基于容器的訓練框架。用戶可以使用Amazon

Sagemaker或者其它Notebook托管服務來打開訓練框架軟件，并導入自己標注過的數(shù)據(jù)進行訓練。訓練后的結(jié)果用戶可以導出到本解決方案的機器人框架中。部署的生產(chǎn)環(huán)境將使用二次訓練后的模型進行推理，以更好地適應不同用戶的需求。數(shù)字化資產(chǎn)盤活機器人的特點之三成本優(yōu)化實際業(yè)務場景中在啟動階段，并不希望投入大量資金用來提取這些問題信息；該服務利用spot

instance中閑置的計算資源，可以大幅度降低客戶的資金投入。為什么要使用數(shù)字化資產(chǎn)