数据堂:双十一“剁手党”疯狂的背后

双十一刚过,由双十一带来的“退货潮”即将来临。据统计,2015年双十一退货运费险出单3.08亿笔的成绩。针对这种情况,蚂蚁金服表示,将引入图像识别技术处理核赔,以应对双十一一大批剁手党冲动购物之后汹涌而至的退货要求。

随着电子商务越来越发达,剁手党越来越冲动、在网上买东西的品类越来越多,可是其中的痛点也越来越明显,拍错了尺码怎么办?买到的护肤品过敏只能怪自己运气不好,但这真的很不爽?因此,针对这一系列的痛点,互联网保险公司也围绕消费设计出了很多神奇的险种,比如退运费险、物流破损险、保价险等。

这些海量的理赔保单是怎么实现顺畅的交易呢?

以蚂蚁金服保险平台为例,系统自动识别理赔凭证(图片)、生物验证身份(核身)再加上理赔报案人的信用记录,人工智能系统基本可以审核处理超过90%的报案,剩下一成的疑案、复杂案件会传送给人工处理。

那么,这种自动理赔的背后到底是什么呢?它的效果如何?

带着这些问题,记者采访了一家我国较早从事数据资源运营的企业——数据堂的人工智能产品技术部总监程兰颖。程兰颖告诉记者,大数据和图像识别,为这种智能式自动理赔提供了技术基础。图像识别技术包括两类智能识别技术:文字图像识别和物体识别。可以通过图像识别技术对用户报案图片进行识别,识别图片中理赔标的物的有效信息,例如商品标签代码、理赔凭证的内容等,然后及时做出反馈(理赔流程的进行)。这就是人工智能在现实场景中的应用。

对于这种图像识别的机器是如何做到这一点,精准率有多高?程兰颖告诉记者,在人类图像识别系统中,对复杂图像的识别往往要通过不同层次的信息加工才能实现。图像内容通常用图像特征进行描述。事实上,基于计算机视觉的图像搜索引擎大致有三个步骤:提取特征、建索引以及查询。同时,要实现机器快速准确的识别图片,就需要给机器提供海量的图像数据以完成机器的“学习”。数据的多样性和标注的准确性对学习结果有重大影响。在图像数据方面,数据堂拥有大量的、不同环境及不同场景下的图像数据集、比如街景数据集、OCR数据等;同时也可以根据客户的需要提供各种定制采集和标注服务。

那么,客户就不能随便从网上下载相关的图片,而谎报退货吗?

程兰颖告诉记者,当然光看客户上传的照片就做出理赔,数据维度肯定是不够的。验证身份以及和物品的所属关系已经不是一个新话题。这个客户上传照片后,图像识别机器也会拿客户的照片和自身数据库里的照片进行对比,来判断是不是客户自己拍摄的真实照片。比如,在生鲜腐烂、化妆品过敏这些消费保险上,技术可以在一个庞大的图片库中,比对识别出报案人上传的是真实拍摄图片,还是重复使用了别人皮肤过敏的图片,亦或是网上下载了腐烂水果的图片。因此,在大数据时代,造假其实不容易。

除了核实图片真实性外,蚂蚁金服还结合对理赔者信用程度的判断,来决定是否行使该理赔。这背后其实是大数据在征信行业的应用。比如,通过用户的注册账号,判断客户的消费统计信息,入网时间等;通过注册账号关联的银行卡号查询客户最近一年的交易流水,得出持卡人消费数据报告等等。

通过这几个维度数据的支撑,绝大多数理赔都可以在短时间内在线完成,无需人工干预。买了东西不合适可以退货,而且还能够快速得到理赔,消费者消费行为有保障这才是双十一“剁手党”疯狂背后的真正原因。而促成这一切变成现实的真正幕后推手是大数据和人工智能的应用。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 202,607评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,047评论 2 379
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 149,496评论 0 335
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,405评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,400评论 5 364
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,479评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,883评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,535评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,743评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,544评论 2 319
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,612评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,309评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,881评论 3 306
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,891评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,136评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,783评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,316评论 2 342

推荐阅读更多精彩内容