面对近期发生的洪水等一系列自然灾害,保险企业也遇上了自己的难题——如何迅速派遣理赔评估人员前往现场。有时候,洪水可能需要几天、甚至几周才会消退,接下来就是定损团队疲于奔命地游走于各受损区域之间。结果就是,保险雇员心力憔悴、理赔周期不断延长。在这方面,数字孪生技术能够伸出援手。

Sync Technologies公司CEO Carolina Dreifuss
数字孪生研究企业Sync Technologies公司CEO Carolina Dreifuss表示,“数字孪生技术很有希望缩短保险理赔周期。”
“我们使用Matterport摄像机、无人机配合激光扫描仪立足特定位置收集空间数据与视觉信息,这样多个位置的数据组合即可转换为全沉浸式、可导航的数字孪生副本。”
由此生成的视觉图像为3D形式,可对受灾位置开展准确测量。洪水或地震灾害发生后,保险公司可以快速部署这项技术,或利用其加快其他标准财产索赔流程的推进速度。
Dreifuss解释道,“在建立起数字孪生副本之后,我们就不必派遣众多定损员奔走于不同的受灾区域。”
她还提到,“在信息收集完成后,我们会将结果提供给保险经纪人或定损人员,由他们轻松查看内容并与工程师共享,全程基本无需前往现场。”
如此一来,保险公司的现场理赔信息收集周期就将大大缩短。她预估称,以往需要5到10天的索赔信息收集流程现在可能只需要48个小时。
“在短短48小时内,工作人员就实际掌握了理赔评估所需要的各项信息。”
以麦夸里港水灾为例,保险公司当时只能派出众多工程师、理赔及定损等人员。但现在,数字孪生技术将帮助一位员工在48小时内为保险公司收集到同等规模的数据。
Dreifuss还表示,去年他们公司与各澳大利亚保险合作方完成了约500个项目,帮助客户至少节约下2800个工作日。
而数字孪生技术的另一大优势,还体现在即时向受灾地点部署的能力。
她提到,“这代表着不必等待受灾现场完成初步清理,工作人员就已经能够了解现场情况。”
数字孪生技术相当于把以往涉及众多岗位的工作集中到一名熟练雇员的手中。在与第三方执行团队的配合下,整个定损理赔流程已经变得极为高效。
Dreifuss解释道,“再也不需要耗费那么多人力。虽然具体的看执行团队的水平人,但现在每人每天已经能够完成3到8次评估,就算是数字孪生副本的创建时长也远远低于向现场派遣人力所对应的总工作时间。”
“在墨尔本发生地震之后,大量数据瞬间将我们吞没,保险公司自然很难「吃下」这么多信息。”
而数字摄影与激光扫描仪则能产生100%准确的测量结果。
“所以现在,我们只需要面对办公桌上的数字孪生,直接观察其中的房屋、进入室内观察受灾情况,整个浏览过程与亲身前往几乎没有区别。”
至于定损员们对于信息质量的反馈,她的说法是“非常积极”。以往,由于时常出现的数据收集缺失问题,工程师们往往需要二次返回现场、进一步搜集信息。
但在最近的墨尔本地震中,效力于保险公司的工程师们由于新冠封城政策的限制而无法前往受灾地点。为此,他们决定使用数字孪生技术,从而在无需实际前往的情况下做出准确的评估结论。
从索赔方的角度来看,数字孪生也让他们不必在事件发生后持续接受保险公司雇员的咨询和来访。只须接待一次、只须采集一次,即可坐等理赔结果。
虽然这项技术仍处于早期发展阶段,但目前已经有部分澳大利亚保险公司实际使用。Dreifuss还提到,他们接下来将开展更为深入的案例研究与方案推荐。
最近一段时间,澳大利亚东海岸的洪水灾害创下历史纪录,也迫使包括悉尼西部在内的数千民众撤离家园。一部分居民质疑政府的救灾措施,也有不少政界人士呼吁联邦政府将洪水纳入飓风再保险计划的保障范畴。
澳大利亚保险委员会(ICA)做出估算,认为近期洪水造成的索赔损失已经接近20亿美元。再考虑到大多数企业并未事先购买洪水险,灾害引发的实际成本恐怕还要高得多。
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。