[音乐]

大家好，感谢参加今天的最后一场研讨会。我是丹尼斯（Dennis），我将分享一些关于保险理赔数据的内容，以及它如何成为企业级人工智能项目的强大助力。让我们开始吧。在座有多少人从事保险行业？寥寥无几。那有多少人想进入保险业呢？嗯，有趣，还是很少人。好吧，保险是一个非常有意思的经济部门，人们往往以各种方式进入这个行业，但它支撑着我们生态系统中极其重要的一部分。

我们将简要讨论整个保险行业，并最终聚焦于我们如何借此改善整体生活。本次演讲的重点将放在医疗理赔上，旨在通过优化理赔流程来改善患者结果，我会始终围绕这一核心展开。我认为在金融科技、金融和保险的讨论中，有时过于侧重商业利益而忽略了人文关怀。因此，我希望大家都关注这一方面。

简单介绍一下我自己：我是丹尼斯，在Wisdocs领导人工智能项目。我们协助公司处理复杂的医疗理赔事务。我在这个岗位上已经工作了两年，自2024年以来，我们见证了巨大的变革。大家可能看过一些关于医疗覆盖和保险行业的新闻报道。GLP-1药物（如减肥药）带来的经济和健康环境变革，也改变了保险的定价模式。

此外，配偶保险及更广泛的保险覆盖范围随着成本上升和其他因素的变化而不断演变。本次演讲将分为三个主要章节：首先是技术转型；其次，我将简要介绍保险行业的一些细节背景；最后，探讨人工智能如何进一步改善保险服务和患者体验。

让我们谈谈技术转型。在工作中，我们可能都在公司内部启动了某种形式的数字化转型，无论我们是初创公司还是大型企业成员。然而，挑战在于我们从未真正完成过这种转型。2023年和2024年人工智能浪潮袭来，但大多数公司尚未完成云迁移，未充分发挥大数据的潜力，也未部署干净的数据湖。在座谁拥有让自己自豪的数据湖？寥寥无几。

真的可能存在一个让人自豪的数据湖吗？在此基础上，我们现在又面临着人工智能的炒作热潮。在真正部署实际应用之前，我们必须确保其他先决条件已经到位。在许多行业（包括保险业）中，纸质文件曾是主要的处理方式。你会收到一堆医疗理赔的纸张，需要整理它们，制作包含大量信息的表格，并使用卡片将文件分类到特定部分。

这种方式非常困难，因为很难从理赔单本身之外获取任何信息。当所有东西都是纸质时，如何进行跨索赔分析呢？你可以放很多文件夹，但这非常困难。至今我们仍未完全脱离纸质时代。在世界各地的医生办公室、法律部门或保险公司内部，仍有许多实践使用纸张。我们虽接近脱离纸质时代，但尚未完全实现。

在数字化方面，我们也仍未摆脱传真机。全球传真市场规模超过70亿美元，这总是令人惊讶。我在去年旧金山工程师大会的演讲中曾提到这一点，且情况未变，传真仍在被使用。我们现在所做的只是将传真“拼凑”进我们的数字系统中，将其转换为相对清晰的格式，但这并未解决医疗保健系统内信息交换的根本问题。

如果我们思考技术采用的速度：电子健康记录（EHR）在2008年的采用率仅为8%。直到新冠疫情爆发，其采用率才真正达到80%-90%的水平。即便如此，许多医院仍运行在纸质基础上。因此，我们仍未完全度过数字化和数字化转型时代，但每个人都想搞人工智能。

如果我们考虑人们在处理理赔时收到的表格类型，这里展示了来自三个大州的工伤赔偿样本表单。工伤赔偿是指你在工作中受伤时提交的索赔，例如：“嘿，我摔伤了手臂”或“我在驾驶叉车时出了事故”。这些表单看起来都不相同。在美国50个不同的州，通常有50种不同类型的表单。

它们要求的信息各不相同，没有标准化。虽然每张进入的表单在格式上看起来一致（具有一定的确定性），但其中的信息是不同的。因此，即便在美国这样一个国家，更不用说世界上的其他国家了，我们并没有以相同的方式捕捉信息，而且这些版本有时还会发生变化。

在保险领域，人们真正关心的是损失率（loss ratio）。即你收取了多少保费，又支付了多少钱。我将进一步解释这些数字及其含义，但总的来说，这驱动着组织的底线。当你报告季度或年度收益时，你会强调你的损失率、预测风险的能力、承保能力、反欺诈管理以及费用控制。

企业希望降低成本并赚取更多利润，这也就是所谓的资本主义。如果我们看一些统计数据，我们通常在50%左右的损失率徘徊，即相对于收取的保费，我们需要支付的保险理赔金额比例。我引入了所有这些背景信息，而到目前为止我只提到了一次人工智能。

再次强调，重要的是思考我们要解决的问题，然后仅在人工智能是合适解决方案时才选择它。为了获得正确的人工智能解决方案，我们需要经过适当程度的转型。我们需要有明确的目标，需要有一个能够清晰阐述人工智能应用方向的团队。我们不能仅仅让一些人……

走上讲台说“AI、AI”，对吧？我们需要合适的人力和技能来真正完成这一转型，并且需要建立合适的框架，无论是治理、安全、基础设施管理还是数据。现在有个问题：在企业环境中工作的人中，谁能在请求后一周内获得数据库或虚拟机？好的。谁能不能？

好吧，这是进步。谁能在一个月内将新应用程序部署到生产环境？好的。谁能不能？好吧，所以我们仍需取得一些进展。谁能在一个月内选择一个新的AI供应商啊，我们做到了。没有举手。对吧？所以我们需要时间来完成所有这些不同的流程。

在数字化转型方面，它们肯定比10到20年前要好得多，但许多公司仍然陷入治理和安全的困境。其中很多因素与此有关：谁曾被高管要求提供类似这样的查询？给我一些完美的数据集。（笑声）几个人，对吧？我们以前见过这种情况。嘿，你能帮我快速拉出那份报告吗？

现在有了AI会容易得多，但你必须假设数据存在。所以如果我们提出一个更复杂的查询：比如我们有一个索赔案例，针对特定患者及其病情（在这种情况下是脚踝受伤），我们要确保能将其分配给前50%的患者结果最好的医生。这个查询相当复杂，但如果你真的能在你的数据集上写出这个查询并得到结果，我会很惊讶。

数据在企业环境中非常具有挑战性。为了获得这些类型的成果和见解，我们必须以非常明确的方式构建我们的数据系统。让我们谈谈医疗索赔吧。一般来说，我已根据NAIC分类将保险分为财产和意外伤害、人寿险、意外和健康以及更广泛的医疗保险。我将主要讨论财产和意外险，因为那里的索赔通常最为复杂。

如果你想到P&C（财产与意外保险），我主要在责任险方面工作过：如汽车保险、各种类型的责任险（一般产品责任险）、工伤赔偿。还有整个财产部分，它有其自身的复杂性。但总的来说这是一个万亿美元的市场（基于保费），再保险则是另一种形式。

关于这些蓝色方框，其中许多处理复杂的医疗索赔：某人因产品缺陷受伤、遭遇车祸或在工作中受伤。现在裁定一个索赔并向患者或申请人回复需要很长时间。最好的情况下只需几周，最坏的情况下可能拖上几年。这取决于场景的复杂程度、监管环境的复杂性以及诉讼环境的情况。

即使医疗服务已经提供，索赔仍可能持续拖延很久。所以这不是一个简单的过程，我希望我们都能想象如果我们将这个过程缩短10倍，医疗保健系统会变得多么高效：你在工作中受伤并提交申请，整个过程数字化且顺畅。

为什么需要这么长时间？即使不考虑法律方面和实际的保险部分，仅医疗环节就有许多交接点。当你在这些情况下受伤并需要处理复杂索赔时，你必须获得诊断、看各种专科医生。有时专家意见不一致；你还要确保拥有正确的保险覆盖（无论是初级保健还是其他形式的责任）。

还有利用审查，医生必须同意某项程序是必要的。我们有治疗、账单：你试图弄清楚你的账单是什么意思（通过利益说明和覆盖范围）。然后收到付款，继续治疗。这里有很多额外的环节可以添加以及岔路取决于步骤，但总的来说这不是一个简单的过程。

在这个过程中很多事情可能会出错：我刚刚列出大约15个立即想到的问题，这与人力资源状况和保险公司理赔员的高流动率、高退休率有关；也与人们反复重新处理相同数据的技术问题相关。还涉及我们最终面临的局面：申请人感到压力巨大，有时会犯错且处于非理性状态——如果你经历了创伤性车祸就不会是最理智的人。

让我们谈谈技术如何帮助我们：以工伤赔偿索赔为例有人见过吗？几个人，好的。通常当某人受伤时他们必须在 workplace 内报告并提交申请。我展示的德克萨斯州、纽约州和加利福尼亚州的表格是典型的 intake 表单。你经历这个过程：访问各种人员（急诊室、额外治疗等）。

随着你的进展，有不同类型的索赔。这里我生成了一些合成示例作为参考但它们非常接近生产环境中的真实数据：你经历所有这些类型的治疗、不同的程序；可能在网络内也可能在网络外旅行有时还会遇到冲突的信息。

随着我们经历每个流程，所有文档看起来都不同：每家医院都有自己的账单结构方式；每位医生都有不同的书写进度笔记的方式。它没有任何一致性可言因此数据是非结构化且很多时候不是电子格式而是PDF、电子邮件或传真。

所以你在所有这些业务复杂性之上叠加了技术复杂性然后出现这样的情况：某人……

会进行评估，并得出三种不同的结果。以某人的活动范围为例，你打算如何解决这些问题以便对理赔进行裁决？现在我们甚至还没有将其他部分叠加在这之上。在这些医疗流程进行的同时，还存在诉讼的风险。因此，在保险中，通常保险公司处于被诉方（被告），而原告则处于起诉方。

原告的激励机制是尽可能处理大量案件，并获得最大的和解金额。因此，你会面临两种不同的激励结构。在原告方，目标是尽可能快地行动，提出最大金额的索赔，并在各地竖起巨大的广告牌。我们在飞行时可能见过那些广告，到处都是。与保险公司或被诉方相比，原告方采用人工智能的速度要快得多。

因为你的收益取决于你移动的速度以及索赔的大小。律师的实际赔偿百分比因司法管辖区而异，在加利福尼亚州的工伤赔偿费用中可能为9%到15%，在其他司法管辖区，可能会达到三分之一甚至40%。因此，在医疗保健、保险和技术挑战以及行政工作之上，现在又增加了诉讼因素，保险公司为已诉案件预留了大量资金。

这里的挑战在于，如果你没有经过适当的数字化转型，你特别容易受到不良行为者的侵害。你可以收到重复的索赔或欺诈性索赔，而现在这使得这一切变得更加容易进行。因此，如果你没有实际处理这些情况并高效处理能力，系统中的欺诈行为就会越来越多。这就像如果你的网站容易遭受DDoS攻击一样，人们会不断对你进行DDoS攻击。

当我们开始解决所有这些子问题时，往往会忘记最重要的事情是什么？就某人护理的质量、降低成本、确保流程快速以及提供良好的体验而言，这些才是最重要的。因此，让我们来解决其中一些问题。我将讨论三个阶段及其如何提供帮助。第一，谈谈清洁数据，我们如何实现这一目标；第二，谈谈文档内分析；第三，谈谈跨索赔因素。

好的，清洁数据。在座有人处理过理赔数据或任何类型的保险数据吗？少数人。你们处理或见过多少重复记录？很多？是的，数百万条。根据你工作的司法管辖区不同，重复率可能高达50%甚至更高。因此，你会收到大量重复记录，有时这是故意的。为了处理索赔，你实际上必须不断催促相关人员，跟进我的理赔，再次跟进我的理赔。

由于人们行动缓慢，你会陷入我们在技术领域看到的这种级联故障效应中。记录与其他患者的信息混杂在一起，例如你有鲍勃·乔和鲍勃·小乔。这些医疗记录经常混合在一起。这违反了《健康保险流通与责任法案》（HIPAA），存在大量的监管风险，但系统和数字化转型并未为此做好准备。当其他人的医疗记录混合其中时，可能会做出错误的决定。

这在复杂程度较高的索赔中尤其敏感，因为可能会有遗漏事项。如果上游的医生或行政人员将某人的记录混合其中，整个索赔可能会突然崩溃。此外，还有更常见的糟糕扫描或未数字化数据的问题。有些手写内容你无法理解，尤其是医生的笔迹，因为有些信息是通过纸质文件传入的。

我们不断收到这些清洁数据不佳的例子，原因有很多。其中一些发生是因为医疗系统中存在大量的复制粘贴操作。当医生或护士更新医疗记录时，他们会在患者之间、就诊之间进行复制粘贴。你可能亲自见过这种情况，但在该领域非常普遍。电子病历（EMR）的设置并不一致。

在座有人见过自己的医疗记录吗？有人在不同的提供者或网络之间转换过吗？是的。它们看起来一样吗？不，不一样。我来自加拿大多伦多，我们的许多医院在每次设置EMR时都会进行全新的实施。这通常是由于医院内部存在的初始流程所致，跨网络也会发生这种情况。关于为何以特定方式设置系统，存在着非常有趣的动态因素。

如果你想谈论数据清洁度，人们在EMR中使用嵌套字段时会做一些很奇怪的事情。尽管我们有电子健康记录和医疗系统，但它们各不相同，结构怪异，因此你也必须对其进行一些转换。而且通常很难提取数据，所以人们最终选择发送传真或PDF文件。因此，解决清洁数据并不是一个简单的问题。

人工智能可以帮助我们，数字化转型也可以帮助我们，但上游有很多因素参与其中。这是一个重复记录的示例数据说明。真实的数据也非常相似，在某些网络中存在大量重复记录。如果你处于接收这些重复记录的末端，这确实令人沮丧。我们有一些客户表示：“这个组织能否停止向我们发送这么多重复记录？”

除非你有良好的系统来检测这种情况，否则你只会不断收到相同低质量的数据。因此，拥有技术实施和检测系统以实际确保保护你自己的数据池和数据清洁度非常重要。一旦你拥有了这些数据，就有机制来修复问题，无论是出于监管还是人际原因。但你仍然面临着作为基准的混乱数据存在这一事实。

一旦你能检测到重复等现象，这似乎是一个已解决的问题，你就不再激励人们以不同的日期或相同的索赔多次发送理赔。其他人也必须清理他们的数据。

除了数据本身的清洁度之外，另一个关键问题在于这些理赔文件极其庞大。当我刚开始工作时，看到数据库中有一个8GB大小的PDF文件，这令我非常惊讶。这些理赔文件中包含了各种各样的内容：有图像，比如车祸现场的照片、碰撞情况等；还有X光报告、超声波检查等所有相关影像资料。有时，这些文件甚至会导致许多PDF阅读器崩溃。如果你想想那些老旧的电脑，尝试打开一个8GB的文件将会极具挑战性。

即便在技术系统层面也是如此，我们常谈论上下文窗口（context windows）。如何将一个8GB的PDF放入上下文窗口中呢？这并不像说“嘿，Claude，看看我的10页PDF并给我回复”或是对ChatGPT、Gemini那样简单。此外，处理一个案件需要耗费大量时间。因此，无论是技术挑战还是由此引发的复杂业务挑战，都使得问题变得错综复杂。

随着我们不断深入处理并增加复杂性，许多理赔案件还存在不规则之处。例如，你可能会收到一份早期患者报告的进展记录，其中提到：“这是为某日期预约的X光片。”但当你收到索赔人提交的材料包时，那份X光片却不见了。如果没有以某种高亮方式提示这一点，很容易就会漏掉这一细节。

缺乏这种提醒会导致整个案件走向发生变化：是否提供了足够的护理？当事人是否真的接受了所提供的医疗服务？你如何将其与账单部分进行交叉核对？这是一个非常常见的场景，由于上游数据混乱，你必须反复询问：“你能把这份记录发给我吗？”“哦，我们漏发了传真。”“哦，传真出故障了。”“哦，我们的后端系统变了。”

作为组织，必须建立这些防线以确保这些问题被标记出来。对于理赔调整员来说，他们可能同时处理200个案件。因此，他们无法在脑海中记住所有事项，比如“哦，是的，我需要跟进这张X光片”。他们可以记笔记并继续推进工作，但很多细节会丢失。因此，技术在这里能极大地提升解决此类问题的能力。

随后会出现相互矛盾的诊断结果，这种情况也时有发生。在座有多少人曾为病情寻求过第二诊疗意见？寥寥无几吧。有时我们会主动寻找其他视角，但有时会得到完全不同的答案。案件越复杂，出现某种冲突的可能性就越大。在这种情况下，通常的做法是：当你审核医疗理赔并看到相互矛盾的诊断时，或者想确认应预留多少资金用于赔付时，你会将其送往独立医疗评估（IME）。

接着会有另一位医生对档案进行审查。然后你需要管理这些医生、医疗服务提供商网络以及IME本身。这再次增加了复杂性：更多的人进入生态系统，更多的复杂因素叠加。现在AI在这里可以发挥很大作用。我想在2026年如果不谈谈评估（evals），那未免有些不合时宜。但我们确实利用AI试图以某种方式解决这些问题，包括相互矛盾的诊断、缺失的记录以及其他一些问题。

为此，我们与Artificial Analysis合作构建了名为MLCR的基准测试，以衡量AI在回答这些问题方面的有效性。请翻到我们的博客文章页面并向下滚动，看看这个基准测试的样子。我们发布了六个不同层级的与医疗理赔相关的问题集。其中一些非常简单，比如受伤发生的时间以及伤情是什么；然后问题会稍微复杂一些：进行了多少次手术？患者的功能容量是多少？

最终，我们会进入更难解决的更复杂问题。通常而言，理赔调整员、医生或管理员在提问时，并不具备事件的全貌背景。这正是幻觉出现的地方：人们假设医疗记录中包含某些内容，但实际上并没有。让我们再看看结果部分。这些数据在Artificial Analysis网站上公开可用。我们发布了前三个层级（即简单问题）的开源数据集，并托管了一个私有集用于一定程度上防止基准测试被过度拟合。

观察模型的表现非常有趣。我们实际上从三个不同的维度来衡量这一点：简洁性、准确性和完整性。首先看简洁性，即回答有多简练？我们将此与经过人类专家验证的答案进行对比。然后是准确性：答案是否正确？最后是完整性：问题中所有相关的信息点是否都已回答？

前沿技术一直在迅速演变，因此拥有评估机制至关重要。当我们发布该评估时，在我们要测试的推理层级上，看到的最高准确率仅为20%。几个月后，在高推理层级下，这一数字已达到75%。模型迭代非常快，但这很好，意味着我们可以开始将许多更复杂的问题产品化。

我们对系统内有人类审核的信心有了更多把握，因为我们的系统中始终保留“人在回路”（human in the loop），这非常重要。此外，你还能看到帕累托前沿上的成本曲线，即提出这个问题并获得合适答案所需的费用。过去几个月这一指标也在改善。同时你也看到了一些权衡取舍：在进行文档分析基准测试时，有趣的一点是GPT模型在准确性方面表现出色，但遗漏了一些关键信息。

Anthropic的模型表现相当不错，且完整性更高。

关于信息量的问题，这里的准确率也略低一些。>> 我可以问个问题吗？ >> 当然可以。 >> 关于准确率，与人工相比你们是如何衡量的？ >> 是的，我们将结果与人类答案进行对比，然后执行三重法官验证。所以，我们拥有这里的准确率数据。你可以看到曲线的走势，以及完整性指标——后者在大多数模型提供商中仍未得到解决。

是的，针对之前的问题，这是基于人工验证的答案和经过校准的法官组得出的结论。在我们的博客文章中描述了这里的方法，我们也发布了一篇后续文章说明如何进行校准。因此，尽管我们使用 AI 来结构化数据和提取重要见解，但我们希望确保该过程的每一步都经过良好校准。

因为如果上游数据不正确并开始在下流使用，你就没有任何收获。所以再次强调，在处理理赔流程时校准法官、建立好的评估体系非常重要。我认为这是 Ed Most 演讲中反复出现的主题。你需要确保拥有能够实际验证这些信息的专家，以便跨团队协作达成目标。

好的，所以在单个理赔内部，我们在一定程度上知道可以提取某些类型的见解：我们可以标记相互矛盾的诊断、去重、搜索缺失的记录。让我们转向更有趣的部分，即跨理赔分析。如果你是一家中型保险公司，可能在一系列业务组合中收取 10 亿美元的保费。

你可能每年支付约两万起理赔，甚至更多，具体取决于你处理的业务线类型。现在你需要更多的见解来了解实际影响损失率的因素：人们提出什么样的索赔？在哪些地区？涉及什么类型的伤害和医生类型。

我认为这也变得相当有趣，一旦从理赔中提取数据，你就可以开始进行有趣的可视化、回归分析等工作。我们被问及并致力于回答的两个问题是：人们在网络内的流动情况如何？例如，如果患者在旧金山或纽约治疗，他们是在当地接受治疗的吗？以及提供治疗的人是否合适。

我们还拥有关于谁在合作工作的网络数据。这是来自加利福尼亚州的部分脱敏数据，你可以追踪看到哪些律师在一起工作、哪些医生一起工作、哪些脊椎按摩师和物理治疗师合作，以及实际的协作关系如何，从而揭示理赔背后的故事。

这是从理赔数据提取中获得的高级见解之一。接着你会进入一些有趣的医疗结果分析，例如哪些病症会并发？以背部受伤为例，你可能会有一系列映射到 ICD 代码的共同存在的诊断。你可以看到为什么某位医生的记录会出现这种情况，而另一位医生则不会。

在这种情况下，只有解决了单个理赔内的数据提取问题，并将其汇总到更广泛的保险组合中，才能获得这些能力。现在进入资金部分。我们选取物理治疗两种治疗的子细分数据来看，不同的医生收取的费用不同，我们都见过这种情况。

有时这是可以接受的。如果你是一位更好的医生，你应该能够收取更高的费用。例如，如果你能在五次治疗中让人尽快康复而不是十次，你就应该能收取更多费用。但理解成本并专注于最小化它们非常重要，因为一旦医疗系统的不同部分出现通胀，它就会不断累积。

保费增加，我们被收取的费用也增加，而我们得到的价值却减少了。因此在这种分析中，你可以看到在理赔之间是否存在一致的因素？你应该提供多少覆盖范围？以及如何为这些理赔承保成本。

你可以估计事物随时间的变化，例如在这里的逐年比较中，某位医生的此类治疗费用增加了 10%。这会在整个司法管辖区发生吗？还是在行业普遍存在？然后你可以开始进行反事实分析或变化分析，比如如果我们改变网络、引导人们走向特定方向、或者改变计费方式。

潜在节省是多少？基于现有的护理标准，人们应该接受什么样的程序？最近有一篇文章提到关于超额计费的问题，涉及约 10 亿美元的额外账单。你看到过吗？这些例子再次说明，如果你不能有效处理数据，人们会找到途径提交额外记录或进行更隐蔽的行为。

所以总而言之，一旦拥有良好的数据，你就可以开始做出这些决策。然后基于这些理赔信息，你可以将其写入更广泛的系统中。例如在其他业务线中使用：如果你知道汽车伤害或工伤赔偿的趋势，在一般责任保险中是否看到同样的情况？

如果你的承保模型遗漏了某些趋势或解释性不足，我们能否利用所见数据使模型更具可解释性？如何提供那种我们希望存在于数据湖中的神奇数据表。所以再次强调，你拥有的数据越多，你就能构建更完整的画面，从而更好地为消费者承保和定价产品。

这是实际驱动有效 AI 应用所需的信息，无论是在承保端、欺诈检测端还是理赔端。所以如果想象一个理想的世界，我们想要更广泛地减少某些东西。如果我们想为每个人降低成本……

经验表明，如果我们希望缩短理赔案件的开放时长，提高人们重返工作岗位的速度以及获得治疗的效率，就必须确保拥有正确的数据并进行相应的数字化转型。这是我们在WiseDocs工作中所做的一个示例性案例，我们也看到了显著的节省效果。因此，经历数字化转型过程并拥有正确的数据至关重要。

在此结束本次研讨会的内容。我特意留出较多时间用于提问，因为这是一个相当全面的话题。感谢大家的聆听，我很乐意回答一些问题。（掌声）好的，我将分享这篇博客文章。是的，这边有位提问者。刚才的问题是关于如何构建数据结构以整合所有这些信息。

这涉及多个不同的层级。我也会分享一些我在此主题上发表的演讲内容。基础层面，我们使用光学字符识别（OCR）和图像从底层记录中提取信息，这是一种标准的预处理方式。处理PDF文件并非易事，尤其是那些8GB大小的庞杂文档中可能包含一些百万分之一的怪异案例。

一旦获取了数据和文本图像，我们在其上部署了一系列模型，包括自然语言处理（NLP）模型和提取模型。我们有时使用视觉语言模型（VLMs）来构建结构，或者采用更标准的实体提取模型。此外，我们还构建了各种分类器作为上层应用。

随后是一个摘要层，用于对文档进行总结。这些内容会经过人工验证以确保信息准确无误。最后，我们在其上运行额外的分析层。这种抽象模式随着层级上升而集中信息密度，并在不同时间点通过模型和人工干预进行验证。

这意味着只有当数据到达最高价值层级时，人工智能才能发挥实效。这涉及那些能够得出正确答案的复杂理赔（MLCR）类型问题。在MLCR中，实际上是利用清洗后的数据来提问。现实世界的数据并不干净，因此必须经过前置步骤进行清理才能达成这一目标。

通常我们的客户中，大型企业内部拥有多条业务线，不同团队间的共享规则各异；而其他客户仅专注于单一业务线。他们可能只处理车险、残疾险或工伤赔偿等特定领域。我们会纵观全局的趋势，试图发现并标记这些情况。

这就引出了一个问题：在某个办公室层级内，如何揭示某些见解或地理分布情况？其上一层级可能是更广泛的公司层面。但保险公司内部有时也包含作为独立业务运营的子公司集合体。那么，如何将这些数据馈送到集中式的数据湖中呢？

每家公司情况略有不同，但我们按照合作伙伴要求的速度推进。我们专注于理赔业务，这是我们的核心所在，特别是复杂理赔案件。随着我们逐步解决 adjudicating（裁定）、处理索赔及提取信息等较为简单的挑战，开始显现出有助于组织做出投资组合层面决策的洞察性方面。

这是一个很好的问题。问题是当面临诸多挑战时，我们如何引导客户上手？通常我们认为最重要的是改变意愿。我们都曾与渴望变革的组织共事，也遇到过不愿改变的团队，体验截然不同。假设是一家愿意改变的公司，我们通常会通过多种格式的样本文件进行工作。

客户通常发送他们正在处理或试图回溯测试的材料。随后我们进入审查流程，查看提取结果是否一致：系统提取的内容是否符合您希望看到的信息？是否有不同的标准？例如，回到之前的不同类型的文档，以 intake form（入职/接收表）为例。

该表格上可能有多个日期字段：您是需要受伤日期，还是提交报告的报告日期？这些都属于业务目标对齐的范畴。我们会处理几个标准案例，如果运行良好，则启动更广泛的试点项目，进而进入有趣的集成阶段。除了手动上传文档外，还包括与上游提供商的API集成等复杂工作。

只要存在明确的业务成果和转型目标，整个过程相对直接。在此过程中，有时我们发现开箱即用的功能不足以满足需求，或者需要与内部系统进行多重集成。接下来回答问题的第一部分：如何处理法规问题以及如何与合作伙伴协作？

这取决于人们推进的速度以及法规更新的速度。我们目前的系统设置始终要求“人在回路”（human in the loop）来做出决策。例如，对于冲突的诊断信息，我们会提示：“嘿，在第2页和第20页之间，两位医生的诊断存在差异，请您查看。”

只要有人工介入，我认为可以消除人们70%的监管担忧。法规仍在追赶技术发展步伐，因此有很多内容需要阅读，比如我之前提到的NAIC（美国保险监管协会）报告及其发布的各类指南。我们也与内部政府和监管机构团队保持沟通。

如果他们希望查看某些信息片段，我们会分享人工智能管道的运作方式以及所使用的数据类型等细节。归根结底，只要不构建黑盒模型，确保一切可审计且有人工介入，就能解决许多问题。在监管方面……

还有一个完全不同的商业决策层面，比如如何处理核裁判决。所谓核裁决是指金额巨大的赔偿或索赔案件，通常在一千万美元以上；而“热核”级别则高达一亿美元。这些巨额裁决会重新分配企业的准备金。因此，针对这类案件，人们通常会制定如何处理它们的策略。在平台内部，你可以设定：“我将优先处理最复杂的索赔”，或者“我将从最先提交的案件开始处理”。这些都是人们可以做出的商业决策。

关于问题的第二部分，即组织内部的目标，我想说的是，我们希望与那些在改善患者护理、减少索赔积压以及提供最佳决策方面拥有相同理念的合作伙伴共事。很多时候，我们的客户甚至没有过多思考医疗保健本身的成本问题，而是关注其周边的因素。例如，大型保险公司实际上在律师费上花费了数亿美元。这与患者体验无关，但在那里有大量的优化空间可以提速增效。

此外还有监管方面的担忧，在某些司法管辖区如加利福尼亚州，诉讼非常普遍。你需要弄清楚如何应对这些情况。还有一大批中间方参与其中，他们同样效率低下。因此，根据客户不同，每个人的目标也不同。但在我们的对话中，始终有一个显而易见的技术待解难题：让我们先解决它。随后才会浮现出诸如“哦，我不知道我的业务还有这种情况”的见解，留待以后解决。

是的，所以问题涉及Jv中的决策API。我不确定是否有人看过会议分发的AI新闻副本，其中有一篇是我正在撰写的文章。我们长期以来一直使用分类模型，对此我通常有强烈的看法（今天没发表，将在后续版本中）。我认为这很有用，但LLM并非解决所有问题的正确方案。AI的这一细分领域也可以进一步划分：提取式与更复杂的基于决策的类型。对我们来说，成本至关重要，因此我们也训练了自己的模型；准确性和幻觉控制同样重要。

Jv对此结果并不惊讶，更令人意外的是耗时之久。LLM的“令牌最大推理”现象持续了很长时间，直到今年我们开始更多地考虑成本问题。一旦Javis推出，你就可以测试它。但我们秉持相同理念构建了自有模型。作为组织，我们尚未将更广泛的行业推动到我们期望的程度。我们希望说平均每位患者的索赔处理时间减少了5天，但我们尚未达到这一位置。

对于特定组织，如网站上的案例研究所示（我也快速上传了一些），在业务线内的成本降低和速度提升方面有显著成果。如果你需要更具体的背景信息，我们可以稍后讨论。关于初次通知伤害或损失，取决于子领域和司法管辖区的处理时限要求。例如在德克萨斯州，你只有几个小时来处理索赔并给出答案；在其他州可能是7天或21天。

情况变得更复杂，因为如果一名工人在工厂工作了30年且已60岁，他的医疗记录文件会很大。初始报告中有大量信息，但要进行完整的索赔分析，你必须回溯并尝试提取这些信息。也许你因结婚改了名字，或者搬了城市、更换了提供商等。你必须重构完整的历史记录。

不幸的是，在许多诉讼案件中，由于许多组织尚未实现数字化转型且无法快速处理案件，信息会被故意遗漏。如果只需要这些内容，速度会快得多；但更现实的情况是，背后还有更广泛的故事背景。