前言：
本文为蚂蚁保险理赔科技负责人：方勇，在“隐语开源社区meet up 北京场“的分享内容。点击可跳转观看：全场内容精华+视频。随着个保法的落地，对保险排查既往病史的数据有一定范围要求，但在用户全量的医疗数据中，往往会包含其他与条款无关的病史记录。因此，「基于隐语的最小粒度方案」能够有效保护用户隐私。那么，隐语隐私计算是如何让保险查勘这件事情既合规又更加高效的呢？来看看方勇老师对“传统线下调查方案”和“联合多方数据线上筛查高效方案”的对比和解析。
小程序
蚂蚁保险是蚂蚁集团内部的隐语用户，大约从去年开始应用，用在联合各地医保数据进行线上查勘的场景中，并且近期荣获了“IDC2022中国金融行业技术应用场景创新案例大奖”，是今年所有IDC金融奖项中唯一一个保险应用案例，今天就与大家分享一下这个案例。
相信今天到场的很多朋友是技术人，应该对一种现象非常有共鸣，就是技术再厉害、再先进，如果没有应用场景，那么整个技术的进步和成熟程度就可能会大打折扣，因为没有数据能够来训练、没有场景能够来打磨，或者缺少社会层面的资源投入，那技术的进展将会非常缓慢。
我们其实正好处在一个很好的时间节点，因为近十年来整个保险领域在科技应用方面的发展还比较有限，尤其是在真正用来保质保量地提升传统作业效能这个点上，其实遇到了非常多的挑战。包括刚才信通院袁博老师讲到合规挑战、技术挑战等。
蚂蚁保是一家保险代理公司，希望能够用技术去推动整个行业的发展。所以我们的定位就是，建设蚂蚁保险科技的SaaS服务，并协同平台上的保险公司共同向上层的用户提供从保险用户意识教育、产品展示、产品组合配置再到售后保权、申请理赔以及到最后的结论、争议等全流程的服务，服务用户的主体是保险公司，而我们则是更多地使用技术助力保险公司，从而双方能够充分发挥各自的优势服务客户。
在这个过程当中，我们做了非常多的技术创新，与保险科技相关的发明专利在近三年就获得了40多项授权，其中不少还获得了美国的专利权，同时也会持续参加全球范围的各种竞赛和打榜，如图所列就是2022年我们的参赛情况，前面ECCV和ACM两个顶会比赛的都与视觉处理相关，我们的应用场景就是，理赔过程中，辅助进行医疗票据影像的实体分割识别进而去做NLP、语义理解。我们蝉联了2021、2022年ECCV这个领域的冠军，也蝉联了CHIP医疗清单发票提取2021、2022年的冠军，另外还荣获了CCL中国计算语言学大会阅读理解等三项第一；并且我们今年在中文阅读理解上刷新了CLUE历史榜第一名的记录。我们的希望是能够将相对成熟的案例与能力开放给保险公司，进而促进一个更加健康、健全的行业生态圈的建立。
合规是蚂蚁保险医疗隐私数据应用的底线，目前被各地监管认同的方式主要由这样几环综合构成。
第一环从法律上来讲：《中华人民共和国保险法》129条规定了，保险活动当事人（保险公司）可以委托保险公估机构等依法设立的独立评估机构或者具有相关专业知识的人员，对保险事故进行评估和鉴定。
第二环，2013版的国卫医31号文件，这份文件是由国家卫生计生委和中医药管理局联合发布的对于医疗机构病历管理的规定，其中第20条非常明确地列出了，保险机构因商业保险审核等需要，提出审核、查阅或者复制病历等要求的，经办人员在提供保险凭证以及患者本人或代理人的授权后，是可以合规提供部分或全部病历的。
第三则是银保监会的倡议，监管部门一直在呼吁这件事，并在今年9月9日的会议中，再次明确倡导建立大病保险信息共享平台，推动保险行业的信息与医保信息的互联互通。
相应的，我们是这样符合这些法规要求的：
第一，对应于保险法的要求，我们蚂蚁保，是银保监会批准的保险代理公司，在营业范围内允许做相应保险理赔的查勘工作。
第二，与保险公司对相关产品签有委托售卖和理赔代理协议。
第三，在理赔申请的时候，我们明确告知用户，需要用户授权调阅其医疗信息，用于支持理赔核实。
第四，在选择数据源的时候，我们只合作拥有这些数据合法使用权的合规数据源，并且在调用的时候，我们将出险用户的保单信息和用户在理赔申请时签署的授权，同时传输给这些数据源进行备案备查，确保不滥用。
第五，我们基于隐语这个框架，做到了最小粒度获取理赔用户医疗信息，而且是基于用户的保险条款必须要用到的医疗信息。正如刚才信通院袁博老师所讲，并不是有授权的情况下，就不需要用隐私计算了。因为随着个保法的落地，越来越多的数据源要求保险排查既往病史是有一定范围的，因为用户全量的医疗数据中，可能包含其他与条款无关的病史记录（比如一些生育类的信息对某些险种就不特别必要），所以，我们基于隐语的最小粒度方案会增加这些机构对应用这项技术的认同感。我们也认为，通过隐私计算的方式，能够让保险查勘这件事情做得既合规又更加高效。
接下来分享一下这个实例。传统的理赔调查，其实非常像破案，有着非常严格的调查体系，如根据当地用户的就医习惯，去推测用户患病前序行为，如果用户是带病投保，之前初始症状时第一次最有可能到哪个医院就诊，进而去调查初始症状或者第一次就诊的时间点是在保险的等待期之前还是在那之后，还包括去当面的访谈、线下体检机构等排查，这样一套调查下来，我总结为一个词“耗在路上”。一旦涉及到这样的线下调查，周期至少在10个工作日以上，甚至达到15个工作日的调查周期，单案成本非常高。
我们联合隐语以后，能在线地进行保险敏感范围疾病筛查，这几乎能获得准实时的反馈。如果明确用户在我们指定的投保时间点之前，就有相应病症的话，返回命中疾病范围的标签和对应医院，这种情况，保险公司其实已经可以直接跟用户沟通了，如果觉得还不够严谨的话，可以再发一个单点任务，就到那个医院去把对应详细病历证据带回来，从左边盲目排查变成精准指向的线索。还有一个很大的好处，我们可以去做免调查范围的排除，从而大大提高了整个调查的效率。
主要的案例已经讲完了，希望大家对于自己怎么去应用可以有一些自己不同的思考。我给大家的分享就到这里，谢谢大家。
