🔗 원문 전체 보기 → Venturesquare.net
요약
한국딥러닝이 보험금청구서와 진단서, 영수증, 위임장, 검사결과지 등 보험 문서 약 40종을 처리하는 ‘딥에이전트 for 보험’을 출시했다. 솔루션은 여러 서류를 하나의 청구 건으로 묶어 필수서류 누락과 정보 불일치를 확인하고 정상 건은 후속 시스템으로, 예외 건은 담당자에게 전달한다. 한국딥러닝은 실제 청구 문서를 활용한 사전 검증에서 비용과 시간을 최대 91% 절감했으며 일본 등 해외 보험시장으로 적용 범위를 확대한다.
본문
- 청구 조건에 맞춰 필수서류 확인…누락·정보 불일치 건만 담당자에게 전달
- 실제 청구 문서 사전 검증서 비용·시간 최대 91% 절감…일본 등 해외시장 적용 추진
보험금 한 건을 청구하려면 청구서와 진단서, 영수증, 진료비 세부내역서 등 여러 문서를 함께 제출해야 한다. 대리청구에는 위임장과 가족관계증명서가 추가되고, 질환이나 사고 유형에 따라 검사결과지와 입퇴원확인서도 필요하다. 보험사는 서로 다른 문서에서 진단명과 진료일, 청구금액을 찾아 대조하고 누락이나 불일치 여부를 확인해야 한다. 한국딥러닝은 이 과정을 자동화해 정상 건은 후속 시스템으로 보내고 추가 확인이 필요한 건만 담당자가 검토하는 보험 특화 문서 AI를 출시했다.
공공·기업용 시각지능 솔루션 기업 한국딥러닝은 보험금 청구 업무에 특화된 문서 AI 솔루션 ‘딥에이전트 for 보험’을 선보였다. 딥에이전트 for 보험은 보험금청구서와 진단서, 진료비 영수증, 진료비 세부내역서, 입퇴원확인서 등 보험금 청구·심사에 사용되는 문서 약 40종을 처리한다. 위임장과 가족관계증명서 같은 대리청구 서류와 질환별 진단·검사 자료도 청구 조건에 따라 구분한다.
서류를 개별 파일로 읽는 데서 끝나지 않고 동일한 고객과 사고에 관련된 문서를 하나의 청구 건으로 연결하는 것이 특징이다. 여러 문서에 흩어진 정보를 청구 단위로 묶어 서류 준비 상태와 데이터 일치 여부를 확인할 수 있도록 설계했다.
처리 과정은 청구 내용과 사고 유형, 진단명, 입원·통원·수술 여부를 파악하는 단계에서 시작한다. AI가 청구 조건별 필수서류를 구분한 뒤 제출된 문서와 비교하고, 필요한 서류가 빠졌으면 누락 건으로 분류해 담당자에게 알린다.
구비서류가 갖춰진 청구 건에서는 진단명과 진료일, 청구금액 등 핵심 정보를 추출한다. 이어 청구서와 진단서, 영수증, 세부내역서에 기재된 내용을 서로 대조하고 보험 계약 및 청구 기준을 적용해 정상 처리 가능 여부와 추가 확인 필요성을 1차로 검토한다.
모든 서류 다시 보던 전수 검수, 예외 건 중심으로 전환
기존 업무에서는 문서 인식 기술로 정보를 추출한 뒤에도 담당자가 여러 서류를 다시 확인하며 누락과 불일치를 찾아야 했다. 딥에이전트 for 보험은 추출 이후의 서류 대조와 교차검증, 업무 규칙 적용까지 자동화하는 데 초점을 맞췄다.
검토 결과 문제가 발견되지 않은 청구 건은 후속 업무 시스템으로 전달한다. 서류가 누락됐거나 문서 사이에 정보가 일치하지 않는 건, 별도의 판단이 필요한 건만 담당자에게 보낸다. 담당자가 모든 청구 건을 같은 수준으로 확인하는 방식에서 예외 건에 검수 역량을 집중하는 구조로 바꾸는 것이다.
다만 솔루션이 보험금 지급 여부를 최종 결정하는 것은 아니다. 반복적인 문서 확인과 1차 분류를 자동화해 담당자가 복잡하거나 추가 검토가 필요한 청구 건에 집중하도록 지원한다.
한국딥러닝은 제품 출시에 앞서 실제 보험금 청구 문서와 업무 기준을 활용해 사전 검증을 진행했다. 보험금청구서와 진료비 세부내역서, 영수증, 신분증, 통장사본 등 여러 증빙서류를 하나의 청구 건으로 구성하고 문서 분류부터 데이터 추출, 대조, 검증까지의 처리 과정을 점검했다.
회사에 따르면 해당 검증 환경에서 기존 수작업 방식과 비교해 업무 처리 비용과 시간을 최대 91% 줄였다. 측정 결과는 사전 검증에 사용한 문서 구성과 업무 조건을 기준으로 산출됐다.
보험사별 문서와 업무 규칙은 VLMOps를 통해 관리한다. 새로운 서식이나 검증 기준이 추가되면 기존에 검증한 모델과 처리 규칙을 재사용해 해당 보험사의 업무 환경에 맞게 조정할 수 있도록 했다.
한국딥러닝은 딥에이전트 시리즈에 ‘3 Zero AI Worker’ 전략을 적용하고 있다. 검증한 모델과 업무 기준을 다시 활용해 반복 구축을 줄이는 ‘제로 트레이닝’, 문서 간 교차검증과 원문 근거를 활용하는 ‘제로 할루시네이션’, 정상 건을 자동 처리하고 예외 건을 사람이 확인하는 ‘제로 리뷰’로 구성된다.
국내 보험 업무에서 축적한 문서 처리 기준과 검증 경험을 바탕으로 해외시장 진출도 추진한다. 현재 일본 대형 보험사를 포함한 해외 보험시장으로 적용 범위를 확대하고 있으며, 보험금 청구·심사에서 계약과 인수, 보상 등 보험산업 전반의 문서 업무로 활용 분야를 확장할 계획이다.
김지현 한국딥러닝 대표는 “앞으로는 사람의 검수 시간을 얼마나 줄이고 청구 건당 처리비용을 얼마나 낮췄는지가 보험 AI의 성과가 될 것”이라며 “딥에이전트 for 보험은 문서 인식 이후에도 남아 있던 대조·검증 업무를 줄여 보험사의 처리시간과 운영비를 동시에 낮추는 데 초점을 맞췄다”고 말했다.
Like this:
Like Loading...Related
40 Types of Medical Certificates and Receipts in a Single Process… Korea Deep Learning Automates Initial Review of Insurance Claims
To file a single insurance claim, various documents such as a claim form, medical certificate, receipt, and detailed medical expense statement must be submitted together. For claims made by proxy, a power of attorney and a family relationship certificate are additionally required, and depending on the type of illness or accident, test results and admission/discharge confirmations are also necessary. Insurance companies must locate and compare diagnoses, treatment dates, and claim amounts across these different documents to verify for any omissions or discrepancies. Korea Deep Learning has launched an insurance-specific document AI that automates this process, sending valid cases to a follow-up system while allowing staff to review only those requiring further verification.
Korea Deep Learning, a visual intelligence solution provider for the public and enterprise sectors, has introduced 'DeepAgent for Insurance,' a document AI solution specialized for insurance claim processing. DeepAgent for Insurance processes approximately 40 types of documents used for insurance claims and review, including claim forms, medical certificates, medical expense receipts, detailed medical expense statements, and admission/discharge confirmations. It also classifies documents for proxy claims, such as power of attorney and family relationship certificates, as well as diagnosis and test data by disease, according to claim conditions.
It is characterized by going beyond simply reading documents as individual files to linking documents related to the same customer and incident into a single claim. It is designed to group information scattered across multiple documents into a claim unit, allowing verification of document readiness and data consistency.
The processing begins with identifying the claim details, accident type, diagnosis, and whether the patient was hospitalized, outpatient, or underwent surgery. The AI distinguishes essential documents based on claim conditions, compares them with the submitted documents, and if necessary documents are missing, classifies it as an omission and notifies the person in charge.
For claims with complete documentation, key information such as the diagnosis, treatment date, and claim amount is extracted. Subsequently, the contents of the claim form, medical certificate, receipt, and detailed statement are compared, and insurance contract and claim standards are applied to conduct a preliminary review of whether normal processing is possible and whether further verification is necessary.
Shift from full inspection reviewing all documents to focusing on exceptions
In existing workflows, even after extracting information using document recognition technology, personnel had to manually review multiple documents to identify omissions and discrepancies. DeepAgent for Insurance focused on automating everything from document comparison and cross-verification following extraction to the application of business rules.
Claims found to have no issues after review are forwarded to the follow-up system. Only cases requiring separate judgment, such as missing documents or inconsistencies between records, are sent to the relevant personnel. This shifts the structure from one where the person in charge reviews all claims at the same level to one where inspection capabilities are concentrated on exceptional cases.
However, the solution does not make the final decision on whether to pay out insurance claims. It automates repetitive document verification and initial classification, allowing staff to focus on complex claims or those requiring further review.
Prior to the product launch, Korea Deep Learning conducted preliminary verification using actual insurance claim documents and operational standards. They combined various supporting documents—such as insurance claim forms, detailed medical expense statements, receipts, identification cards, and bank account copies—into a single claim and examined the processing steps ranging from document classification to data extraction, comparison, and verification.
According to the company, the verification environment reduced work processing costs and time by up to 91% compared to the existing manual method. The measurement results were calculated based on the document structure and work conditions used for preliminary verification.
Documents and business rules specific to each insurance company are managed through VLMOps. When new forms or validation criteria are added, existing validated models and processing rules can be reused to adapt to the specific business environment of the insurer.
Korea Deep Learning is applying the '3 Zero AI Worker' strategy to its Deep Agent series. It consists of 'Zero Training,' which reduces repetitive builds by reusing verified models and work standards; 'Zero Hallucination,' which utilizes cross-verification between documents and original source evidence; and 'Zero Review,' which automatically processes normal cases and has humans verify exceptional cases.
Based on the document processing standards and verification experience accumulated in domestic insurance operations, we are also pursuing expansion into overseas markets. Currently, we are expanding the scope of application to global insurance markets, including major Japanese insurers, and plan to broaden the application areas from claims processing and review to document management across the entire insurance industry, such as contracts, underwriting, and compensation.
Kim Ji-hyun, CEO of Korea Deep Learning, stated, “Going forward, the performance of insurance AI will be measured by how much human inspection time is reduced and how much the processing cost per claim is lowered.” She added, “DeepAgent for Insurance focused on simultaneously lowering processing time and operating costs for insurance companies by reducing the comparison and verification tasks that remained even after document recognition.”
診断書・領収書40種一件で…韓国ディープラーニング、保険金請求の一次レビューの自動化
保険金一件を請求するには、請求書と診断書、領収書、診療費詳細書など、複数の文書を一緒に提出しなければならない。代理請求には委任状と家族関係証明書が追加され、疾患や事故の種類によって検査結果紙と入退院確認書も必要である。保険会社は、異なる文書で診断名と診療日、請求金額を探して対照し、欠けているか不一致かを確認しなければならない。韓国ディープラーニングはこの過程を自動化し、正常件は後続システムに送り、追加確認が必要な件だけ担当者が検討する保険特化文書AIを発売した。
公共・企業向け視覚知能ソリューション企業韓国ディープラーニングは保険金請求業務に特化した文書AIソリューション「ディープエージェントfor保険」を披露した。ディープエージェントfor保険は、保険金請求書と診断書、診療費領収証、診療費詳細書、入退院確認書など保険金請求・審査に使用される文書約40種を処理する。委任状と家族関係証明書のような代理請求書類と疾患別診断・検査資料も請求条件により区分する。
文書を個々のファイルに読み込むことで終わらずに、同じ顧客と事故に関連する文書を1つの請求書にリンクすることが特徴です。複数の文書に散在した情報を請求単位で束ねて、書類準備状態とデータの一致を確認できるように設計した。
処理過程は、請求内容と事故の種類、診断名、入院・通院・手術の有無を把握する段階から始まる。 AIが請求条件別必須書類を区分した後、提出された文書と比較し、必要な書類が抜けた場合は欠落件に分類して担当者に知らせる。
装備書類が整った請求件では、診断名と診療日、請求金額などの核心情報を抽出する。続いて、請求書と診断書、領収書、細部内訳書に記載された内容を互いに対照し、保険契約及び請求基準を適用し、正常処理可能可否と追加確認の必要性を一次に検討する。
全ての書類を見直した全数検収、例外を中心に切り替え
従来の業務では、文書認識技術で情報を抽出した後も、担当者が複数の書類を再確認し、欠落と不一致を見つけなければならなかった。ディープエージェントfor保険は、抽出後の書類の照合と交差検証、業務規則の適用まで自動化することに焦点を当てた。
審査の結果、問題が発見されなかった請求件は、その後の業務システムに伝達する。書類が欠落しているか文書間で情報が一致しないのは、別途の判断が必要なものだけ担当者に送る。担当者がすべての請求件を同じレベルで確認する方式で、例外件に検収能力を集中する仕組みに変えるのだ。
ただし、ソリューションが保険金を支払うかどうかを最終的に決定するわけではありません。繰り返し文書の確認と一次分類を自動化し、担当者が複雑または追加レビューが必要な請求件に集中するよう支援する。
韓国ディープラーニングは製品発売に先立ち、実際の保険金請求文書と業務基準を活用して事前検証を進めた。保険金請求書と診療費詳細書、領収書、身分証明書、通帳のコピーなど、複数の証明書類を一つの請求件で構成し、文書分類からデータ抽出、照合、検証までの処理過程を確認した。
同社によると、その検証環境で既存の手作業方式と比較して、業務処理費用と時間を最大91％削減した。測定結果は事前検証に使用した文書構成と業務条件を基準に算出した。
保険会社別文書と業務規則はVLMOpsを通じて管理する。新しい書式や検証基準が追加されると、既存に検証したモデルと処理ルールを再利用し、該当保険会社の業務環境に合わせて調整できるようにした。
韓国ディープラーニングはディープエージェントシリーズに「3 Zero AI Worker」戦略を適用している。検証したモデルと業務基準を再利用して繰り返し構築を減らす「ゼロトレーニング」、文書間の交差検証と原文根拠を活用する「ゼロハルシネーション」、正常件を自動処理し、例外件を人が確認する「ゼロレビュー」で構成される。
国内保険業務で蓄積した文書処理基準と検証経験をもとに海外市場への進出も推進する。現在、日本大型保険会社を含む海外保険市場に適用範囲を拡大しており、保険金請求・審査で契約と買収、補償など保険産業全般の文書業務として活用分野を拡大する計画だ。
キム・ジヒョン韓国ディープラーニング代表は「今後は人の検収時間をどれくらい短縮し、請求件当たりの処理費用をどれだけ下げたかが保険AIの成果になるだろう」とし「ディープエージェントfor保険は文書認識以降も残っていた対照・検証業務を減らして保険会社の処理時間と運営費を同時に。
一次流程即可处理 40 种医疗证明和收据……韩国深度学习实现保险理赔初步审核自动化
要提交一份保险索赔，需要同时提交各种文件，例如索赔申请表、医疗证明、收据和详细的医疗费用清单。如果是委托他人代为索赔，则还需要提供授权委托书和亲属关系证明；根据疾病或事故的类型，可能还需要提供检查结果和入院/出院证明。保险公司必须从这些不同的文件中查找并比对诊断、治疗日期和索赔金额，以核实是否存在任何遗漏或差异。韩国深度学习公司推出了一款专门用于保险文件的AI系统，可以自动完成这一流程，将符合条件的案例发送到后续系统，而工作人员只需审核那些需要进一步核实的案例即可。
面向公共和企业领域的视觉智能解决方案提供商韩国深度学习公司（Korea Deep Learning）推出了“DeepAgent for Insurance”，这是一款专为保险理赔处理而设计的文档人工智能解决方案。DeepAgent for Insurance 可处理约 40 种用于保险理赔和审核的文档，包括理赔申请表、医疗证明、医疗费用收据、详细医疗费用报表以及入院/出院确认函等。此外，它还能根据理赔条件，对代理理赔所需的文档（例如授权委托书和亲属关系证明）以及疾病相关的诊断和检验数据进行分类。
它的特点在于，它不仅将文档视为单个文件进行读取，还将与同一客户和事件相关的文档链接成一个完整的索赔。它的设计目的是将分散在多个文档中的信息整合到一个索赔单元中，从而验证文档的完整性和数据的一致性。
处理流程首先识别理赔详情，包括事故类型、诊断结果以及患者是住院、门诊还是接受了手术。人工智能会根据理赔条件识别必要文件，并将其与已提交的文件进行比对。如果缺少必要文件，则将其标记为遗漏，并通知负责人。
对于文件齐全的理赔申请，我们会提取诊断结果、治疗日期和理赔金额等关键信息。随后，我们会比对理赔申请表、医疗证明、收据和详细结算单的内容，并参照保险合同和理赔标准进行初步审核，判断是否可以正常处理，以及是否需要进一步核实。
从全面检查所有文件转向重点关注例外情况
在现有工作流程中，即使使用文档识别技术提取信息后，工作人员仍需手动审核多份文档以识别遗漏和差异。DeepAgent for Insurance 专注于实现从信息提取后的文档比对和交叉验证到业务规则应用的所有流程自动化。
经审核确认无问题的索赔申请将转入后续跟进系统。只有需要单独判断的案件，例如文件缺失或记录不一致等，才会发送给相关人员。这使得流程结构从负责人对所有索赔申请进行统一审核，转变为将审核能力集中于特殊案件。
然而，该方案并不能最终决定是否支付保险索赔。它通过自动化重复性的文件核实和初步分类，使工作人员能够专注于处理复杂的索赔或需要进一步审核的索赔。
在产品发布前，韩国深度学习公司利用实际的保险理赔文件和操作标准进行了初步验证。他们将各种辅助文件——例如保险理赔申请表、详细的医疗费用清单、收据、身份证件和银行账户复印件——整合到一个理赔案例中，并审查了从文件分类到数据提取、比对和验证等各个处理步骤。
据该公司称，与现有的人工方法相比，验证环境可将工作处理成本和时间降低高达 91%。测量结果基于初步验证所用的文档结构和工作条件计算得出。
VLMOps 管理着各保险公司特有的文档和业务规则。当添加新的表单或验证标准时，可以重用现有的已验证模型和处理规则，以适应保险公司的特定业务环境。
韩国深度学习公司在其深度智能体系列产品中应用了“3 Zero AI Worker”策略。该策略包括“零训练”，通过复用已验证的模型和工作标准来减少重复构建；“零幻觉”，利用文档与原始证据之间的交叉验证；以及“零审核”，自动处理正常案例，并由人工审核异常案例。
基于在国内保险业务中积累的文档处理标准和验证经验，我们也在积极拓展海外市场。目前，我们正在将应用范围扩大到包括日本主要保险公司在内的全球保险市场，并计划将应用领域从理赔处理和审核扩展到涵盖整个保险行业的文档管理，例如合同、承保和赔偿等。
韩国深度学习公司首席执行官金智贤表示：“未来，保险人工智能的性能将以人工审核时间的减少量和单次理赔处理成本的降低量来衡量。”她补充道：“DeepAgent for Insurance 专注于通过减少文档识别后剩余的比对和验证工作，同时降低保险公司的处理时间和运营成本。”
40 types de certificats et reçus médicaux en un seul processus… L’apprentissage profond en Corée automatise l’examen initial des demandes d’indemnisation
Pour déposer une demande de remboursement auprès d'une assurance, plusieurs documents doivent être fournis simultanément : formulaire de demande, certificat médical, reçu et relevé détaillé des frais médicaux. Pour les demandes effectuées par procuration, une procuration et un certificat de lien de parenté sont également requis. Selon la nature de la maladie ou de l'accident, les résultats d'examens et les confirmations d'hospitalisation/de sortie sont également nécessaires. Les compagnies d'assurance doivent rechercher et comparer les diagnostics, les dates de traitement et les montants des demandes de remboursement dans ces différents documents afin de déceler toute omission ou incohérence. Korea Deep Learning a lancé une intelligence artificielle dédiée au traitement des documents d'assurance. Cette solution automatise ce processus en transmettant les dossiers valides à un système de suivi et en permettant au personnel d'examiner uniquement ceux qui nécessitent une vérification complémentaire.
Korea Deep Learning, fournisseur de solutions d'intelligence visuelle pour les secteurs public et privé, a lancé « DeepAgent for Insurance », une solution d'IA documentaire spécialisée dans le traitement des demandes d'indemnisation. DeepAgent for Insurance traite une quarantaine de types de documents utilisés pour les demandes d'indemnisation et leur vérification, notamment les formulaires de demande, les certificats médicaux, les reçus de frais médicaux, les relevés de frais médicaux détaillés et les confirmations d'hospitalisation/de sortie. La solution classe également les documents relatifs aux demandes d'indemnisation par procuration, tels que les procurations et les certificats de lien de parenté, ainsi que les données de diagnostic et d'examen par pathologie, en fonction des critères de la demande.
Ce système se caractérise par sa capacité à dépasser la simple lecture de documents individuels pour regrouper, au sein d'une même réclamation, les documents relatifs à un même client et à un même incident. Il est conçu pour centraliser les informations dispersées dans plusieurs documents, permettant ainsi de vérifier la conformité des documents et la cohérence des données.
Le traitement commence par l'identification des détails de la demande d'indemnisation : type d'accident, diagnostic et statut du patient (hospitalisation, soins ambulatoires ou intervention chirurgicale). L'IA identifie les documents essentiels en fonction des conditions de la demande, les compare aux documents fournis et, en cas de documents manquants, signale l'omission et en informe le responsable.
Pour les dossiers de réclamation complets, les informations clés telles que le diagnostic, la date du traitement et le montant réclamé sont extraites. Ensuite, le contenu du formulaire de réclamation, du certificat médical, du reçu et du relevé détaillé est comparé, et le contrat d'assurance ainsi que les normes de réclamation sont appliqués afin de procéder à une première évaluation de la faisabilité du traitement et de la nécessité d'une vérification complémentaire.
Passer d'une inspection exhaustive de tous les documents à une focalisation sur les exceptions
Dans les flux de travail existants, même après l'extraction d'informations grâce à la reconnaissance de documents, le personnel devait examiner manuellement de nombreux documents pour identifier les omissions et les incohérences. DeepAgent for Insurance visait à automatiser l'ensemble du processus, de la comparaison et de la vérification croisée des documents après extraction jusqu'à l'application des règles métier.
Les dossiers jugés conformes après examen sont transmis au système de suivi. Seuls les cas nécessitant une évaluation particulière, comme des documents manquants ou des incohérences entre les dossiers, sont transmis au personnel compétent. Ce système fait évoluer la structure, passant d'un système où le responsable examine tous les dossiers au même niveau à un système où les capacités d'inspection sont concentrées sur les cas exceptionnels.
Toutefois, cette solution ne prend pas la décision finale quant au versement des indemnités d'assurance. Elle automatise la vérification répétitive des documents et leur classification initiale, permettant ainsi au personnel de se concentrer sur les dossiers complexes ou ceux nécessitant un examen plus approfondi.
Avant le lancement du produit, Korea Deep Learning a effectué une vérification préliminaire à l'aide de documents de demandes d'indemnisation réels et de normes opérationnelles. L'entreprise a regroupé divers documents justificatifs — tels que des formulaires de demande d'indemnisation, des relevés de frais médicaux détaillés, des reçus, des pièces d'identité et des copies de relevés bancaires — en une seule demande et a examiné les étapes de traitement, de la classification des documents à l'extraction, la comparaison et la vérification des données.
D'après l'entreprise, l'environnement de vérification a permis de réduire les coûts et les délais de traitement jusqu'à 91 % par rapport à la méthode manuelle existante. Ces résultats ont été calculés en fonction de la structure des documents et des conditions de travail utilisées pour la vérification préliminaire.
Les documents et les règles métier propres à chaque compagnie d'assurance sont gérés via VLMOps. Lors de l'ajout de nouveaux formulaires ou critères de validation, les modèles validés et les règles de traitement existants peuvent être réutilisés afin de s'adapter à l'environnement métier spécifique de l'assureur.
Korea Deep Learning applique la stratégie « 3 Zero AI Worker » à sa série Deep Agent. Cette stratégie repose sur trois piliers : « Zero Training », qui réduit les itérations répétitives en réutilisant des modèles et des normes de travail validés ; « Zero Hallucination », qui utilise la vérification croisée entre les documents et les sources originales ; et « Zero Review », qui traite automatiquement les cas normaux et fait vérifier les cas exceptionnels par des humains.
Forts de notre expertise en matière de traitement et de vérification de documents acquise dans le secteur de l'assurance au Japon, nous poursuivons notre expansion à l'international. Actuellement, nous étendons notre champ d'action aux marchés mondiaux de l'assurance, notamment aux principaux assureurs japonais, et prévoyons d'étendre nos applications du traitement et de l'analyse des sinistres à la gestion documentaire de l'ensemble du secteur, incluant les contrats, la souscription et l'indemnisation.
Kim Ji-hyun, PDG de Korea Deep Learning, a déclaré : « À l’avenir, la performance de l’IA dans le secteur de l’assurance sera mesurée par la réduction du temps d’inspection humaine et du coût de traitement par sinistre. » Elle a ajouté : « DeepAgent for Insurance vise à réduire simultanément le temps de traitement et les coûts opérationnels des compagnies d’assurance en diminuant les tâches de comparaison et de vérification restantes après la reconnaissance des documents. »