用于理赔处理和核保的定制 AI 模型

    借助 Ertas,保险公司可以用自己的理赔记录、保单和理赔员决策训练定制模型,然后在自有服务器上运行,生产环境中处理的投保人数据留在您这里;也可以通过自适应模型端点使用。

    The Challenges You Face

    理赔处理文件繁多、进展缓慢

    每一笔理赔都涉及病历、警方报告、维修估价、往来信件和保单文件。人工提取相关信息、核实保障范围、分派案件,耗费理赔员大量时间,拖延也让投保人不满。

    投保人数据受到严格监管

    各州保险法规、GLBA,以及健康险理赔适用的 HIPAA,都对投保人信息的处理方式有严格要求。把每一笔理赔都发给外部 AI API,会带来供应商审查和数据协议,拖慢落地。

    核保模型需要机构积累的经验

    有效的核保依赖几十年积累下来的风险因素、损失规律和定价策略经验。通用 AI 模型缺少这些专业知识,而核保数据的专有性质又让与外部合作训练充满风险。

    识别欺诈需要细致的模式判断

    保险欺诈形式多样,从故意制造事故、夸大损失到医疗机构的计费骗局,每种都有细微的迹象,而且因险种而异。通用的异常检测会漏掉资深理赔员能识别出的行业特有模式。

    How Ertas Solves This

    Ertas Studio 用您自己的理赔历史训练定制模型:附带理赔员提取字段的首次出险报告、附带团队分派决定的理赔案件、附带对应保障问题的保单条款。资深理赔员和核保人员可以在 Studio 的引导式数据集构建工具 Data Craft 中审核、修正和批准这些示例,把他们的判断变成训练数据。开放模型的训练在可视化画布上完成,可同时运行多个训练任务进行比较。

    训练在 Ertas 的云端 GPU 上进行,因此训练集需要上传到 Ertas。上传前请删除任务用不到的投保人标识信息,不再需要的数据集也请及时删除。

    训练好的模型归您所有,可以下载为 GGUF 或完整的 safetensors,用 llama.cpp、Ollama 或 vLLM 在您自己的服务器上运行。生产环境中处理的理赔留在您的数据中心。满足各州数据安全规定和 GLBA 仍然是您自己的工作;在内部运行模型,可以让生产环境的理赔数据不进入其他供应商的系统。

    对于目前在前沿 API 上运行的高流量任务,自适应模型端点会在定制模型通过您的评估后,把越来越多的请求交给它,困难的请求仍留在前沿模型上。它可以由 Ertas 托管,也可以部署在您自己的云上或本地。

    Key Features for 保险公司

    Studio

    由理赔员审核的训练数据

    在 Data Craft 中,理赔员和核保人员可以编辑示例对话、进行版本管理并标记为已批准,把他们对保障细节、风险信号和风险因素的认识写进训练集。

    Studio

    针对本公司保单的模型训练

    用您真实的保单措辞、保障结构和理赔结果微调开放模型。模型学会的是您的具体产品,因此它的提取结果和分派建议更接近理赔员的实际做法。

    Hub

    在您的数据中心运行

    训练好的模型列在 Hub 中,可下载为 GGUF 或完整的 safetensors。用 llama.cpp、Ollama 或 vLLM 部署在您自己的硬件上,运行时不依赖 Ertas。

    Cloud

    自适应模型端点

    针对一项高流量任务,自适应模型端点为您提供一个统一的 API。用您自己的请求和团队反馈训练出的定制模型,在通过您的评估后承担越来越多的请求,困难的请求仍交给您正在使用的前沿模型。

    Why It Works

    • 在 QMSum 会议摘要基准上,一个用 Ertas 训练的 1.2B 模型取得 35.41 的 ROUGE-1 分数,五个托管前沿模型中最好的一个为 32.43。为单一任务训练的小模型,在这项任务上可以胜过大得多的通用模型。
    • 导出的模型可以在您掌控的硬件上用 llama.cpp、Ollama、LM Studio 或 vLLM 运行,生产环境的推理无需连接 Ertas。
    • 理赔员通过 Data Craft 参与。它是一个用于创建和批准训练示例的对话式编辑器,理赔员的经验无需任何人写代码就能进入模型。

    Example Workflow

    一家财产险公司希望构建一个模型,从首次出险报告(FNOL)中提取关键数据,并给出损失类型和严重程度建议,用于分派案件。理赔运营团队导出 5,000 份历史 FNOL 报告及理赔员当时记录的字段,去掉投保人姓名和联系方式,整理成 JSONL 数据集。

    资深理赔员在 Data Craft 中审核这些示例,修正不一致的损失类型标签,并批准数据集。团队在 Ertas Studio 中基于两个基础模型并行训练,再用一组保留的近期报告进行比较。

    公司的 IT 团队把效果更好的模型下载为 GGUF 文件,部署在内部服务器上。受理理赔员在每份新报告旁看到提取出的字段和建议的分派结果,确认或修改后,这些修正又会用于下一轮训练。

    Related Resources

    Ship AI that runs on your users' devices.

    Start free with 150 credits after card verification. Paid plans from $20/mo USD.