一种基于人工智能大模型的骑手交通事故处置的风控模型的制作方法

摘要: 本发明涉及人工智能与风险控制,具体涉及一种基于人工智能大模型的骑手交通事故处置的风控模型。该模型创新性地将ai大模型应用于风险因子智能提取和隐性风险识别,通过构...
一种基于人工智能大模型的骑手交通事故处置的风控模型的制作方法

本发明涉及人工智能与风险控制,具体涉及一种基于人工智能大模型的骑手交通事故处置的风控模型。该模型创新性地将ai大模型应用于风险因子智能提取和隐性风险识别,通过构建可配置的风险因子拓扑网络、基于json条件表达式的智能匹配引擎、ai大模型赋能的风险因子自动发现机制以及多维度风险评分算法,实现对骑手交通事故案件的自动化风险识别、动态风险评估和智能处置方案推荐。

背景技术:

1、随着即时配送行业的快速发展,骑手群体规模持续扩大,骑手在配送过程中发生的交通事故案件数量也随之增长。交通事故案件涉及人员伤亡、财产损失、保险理赔、法律诉讼等多种复杂情形,需要专业的理赔处置团队进行跟进处理。然而,传统的骑手交通事故处置模式存在以下技术问题:

2、1. 风险识别依赖人工经验,效率低下且标准不统一。 传统模式下,案件风险识别完全依赖处置人员的个人经验判断,不同人员对同一案件的风险评估结果可能存在显著差异,导致风险漏报或误报。同时,随着案件数量增长,人工逐一审查的模式无法满足时效要求。

3、2. 风险因子之间缺乏关联建模,无法表达因果依赖关系。 现有风控系统通常采用扁平化规则匹配方式,各风险因子独立评估,无法表达"因子a命中后才检查因子b"这种因果依赖关系,也无法表达"因子a关闭后因子b自动关闭"这种级联关系。这导致业务上需要人工判断因子间的逻辑关系,无法通过系统配置实现自动化。

4、3. 条件表达式缺乏灵活性,难以适应复杂业务场景。 传统风控规则通常采用硬编码方式,条件判断逻辑固化在程序代码中,新增或修改规则需要修改代码并重新部署,无法实现业务的敏捷迭代。部分系统虽然支持配置化规则,但条件表达能力有限,无法支持嵌套字段提取、时间差比较、跨因子状态引用等复杂场景。

5、4. 缺乏动态风险评估和智能处置推荐能力。 现有系统大多只提供静态的风险标记功能,无法根据案件信息的变化动态更新风险状态,也无法根据风险类型自动推荐对应的处置方案,处置人员需要手动查找适用的处置流程。

6、5. 高并发场景下缓存策略不足,系统性能瓶颈突出。 在案件高峰期,大量并发请求同时访问风险因子配置数据,若每次都查询数据库,将导致数据库负载过高、响应延迟增大,影响案件处置时效。

7、6. 非结构化文本信息利用不足,隐性风险无法有效识别。 事故案件中存在大量非结构化的文本信息,如事故简述、骑手陈述、三方描述等,这些文本中蕴含了丰富的风险信号。传统规则匹配方式只能处理结构化字段值,无法理解文本语义,导致"骑手多次提及头晕"、"事故描述前后矛盾"等隐性风险信号无法被系统捕获,只能依赖人工逐条阅读。

8、7. 风险因子依赖人工定义,缺乏自动发现和提取能力。 现有系统中,风险因子规则完全依赖业务专家手工定义和维护,面对海量历史案件数据,无法自动从中挖掘出新的风险模式。当新的风险类型出现时,需要经过"发现→分析→定义→开发→测试→上线"的冗长流程,响应周期长,无法快速适应业务变化。

9、因此,亟需一种能够自动化识别骑手交通事故案件风险、支持风险因子间依赖关系建模、具备动态评估和智能处置推荐能力、且在高并发场景下保持高性能,同时能够利用ai大模型从非结构化文本中智能提取风险因子、挖掘隐性风险信号的风控模型。

技术实现思路

1、本发明的目的在于克服现有技术的上述缺陷,提供一种基于人工智能大模型的骑手交通事故处置的风控模型。该模型通过构建风险因子有向无环图(dag)拓扑网络、设计基于json的条件表达式体系、实现拓扑排序逐层评估算法、构建多维度ai风险评分模型、引入ai大模型进行风险因子智能提取和隐性风险识别以及多级缓存降级策略,实现骑手交通事故案件风险的自动化识别、动态评估和智能处置方案推荐。

2、本发明提供了一种基于人工智能大模型的骑手交通事故处置的风控模型,包括以下模块:

3、(一)风险因子配置模块

4、所述风险因子配置模块用于定义和管理风险因子规则,每个风险因子包含以下配置属性:

5、- 风险因子编码:唯一标识一条风险因子规则;

6、- 风险因子名称:描述风险因子的业务含义;

7、- 风险分类:包括案件跟进信息、商保信息、新职伤信息、骑手基本信息、三者基本信息;

8、- 前置条件json:定义风险因子命中所需满足的条件表达式;

9、- 关闭条件json:定义风险因子自动关闭所需满足的条件表达式;

10、- 依赖因子编码列表:声明当前因子所依赖的其他因子编码,用于构建因子间依赖关系;

11、- 风险权重:包括高、中、低三级,用于风险评分计算;

12、- 因子类型:区分客服已介入和客服未介入两种场景;

13、- 同层排序序号:在拓扑排序同一层内的评估顺序。

14、所述风险因子配置模块还包含条件表达式校验子模块,用于在保存风险因子时校验前置条件json和关闭条件json的合法性,包括:json格式校验、字段完整性校验(每条规则必须包含field和op字段)、操作符有效性校验(op必须是已注册的操作符)、条件值必要性校验(需要条件值的操作符必须提供value)。

15、(二)条件表达式体系模块

16、所述条件表达式体系模块支持两种逻辑组合格式:

17、and条件组:json数组格式,所有条件必须同时满足:

18、[

19、  {"field": "casetype", "op": "equals", "value": "injury"},

20、  {"field": "claimamount", "op": "gt", "value": 10000}

21、]

22、or条件组:json对象格式,任一and子组满足即可:

23、{

24、  "or": [

25、    [{"field": "casetype", "op": "equals", "value": "death"}],

26、    [{"field": "casetype", "op": "equals", "value": "injury"}, {"field": "claimamount", "op": "gt", "value": 50000}]

27、  ]

28、}

29、所述条件表达式体系模块包含以下子模块:

30、(1)操作符注册工厂子模块

31、采用工厂模式统一管理条件操作符,所有操作符在系统初始化时统一注册。所述操作符包括:

32、| 操作符 | 功能描述 |

33、|--------|----------|

34、| equals | 相等比较 |

35、| not_equals | 不等比较 |

36、| gt / lt / gte / lte | 数值大于/小于/大于等于/小于等于比较 |

37、| in / not_in | 集合包含/不包含判断 |

38、| is_null / is_not_null | 空值/非空值判断 |

39、| days_since_gt / days_since_lte | 距今天数大于/小于等于比较 |

40、| field_days_since_gt | 距目标字段日期天数大于比较 |

41、| factor_matched | 指定因子是否已命中(运行时上下文操作符) |

42、| factor_closed | 指定因子是否已关闭(运行时上下文操作符) |

43、| factor_disposition_status | 指定因子处置状态判断(运行时上下文操作符) |

44、每个操作符实现统一接口,包含评估方法、操作符名称获取方法、是否需要条件值的判断方法以及是否为运行时上下文操作符的判断方法。

45、(2)案件字段提取子模块

46、通过点号分隔的字段路径和动态调用属性访问方法,从嵌套对象结构中提取字段值。支持以下功能:

47、- 简单字段提取:如"casetype",从根对象直接获取属性值;

48、- 嵌套字段提取:如"insuranceinfo.hascommercialinsurance",逐级递归获取嵌套对象属性;

49、- 集合字段展平:如"riderinfolist.ridername",从list集合中每个元素提取字段并展平为统一列表;

50、- 命名风格转换:自动将命名风格自动转换,兼容不同命名规范;

51、- 字段访问方法缓存:使用线程安全映射表缓存类和方法映射关系,避免重复反射查找。

52、(3)数值标准化子模块

53、用于解决json解析时整数被反序列化为浮点数导致的比较失败问题。将整数值统一为标准整数类型以确保数值比较的一致性。具体逻辑为:判断数值的小数部分是否为零,若为零则转换为整数类型,否则保持原值;同时排除无穷大值,避免转换异常。

54、(4)时间差计算子模块

55、支持多种日期类型的统一解析,包括多种日期类型和字符串格式。使用统一时区和可配置的时钟源,确保不同部署环境下行为一致,并支持测试中设定固定时间。计算字段日期与参考日期(当前日期或目标字段日期)之间的天数差,与阈值进行比较。

56、(三)拓扑排序与逐层评估模块

57、所述拓扑排序与逐层评估模块是风控引擎的核心,包括以下子模块:

58、(1)依赖图构建子模块

59、遍历所有启用的风险因子,解析每个因子的依赖因子编码列表(依赖因子字段,逗号分隔),构建有向无环图(dag)。具体步骤为:

60、- 构建"因子编码→因子对象"索引映射;

61、- 构建邻接表:被依赖因子→依赖该因子的因子列表;

62、- 计算每个节点的入度:入度等于该因子依赖的其他因子数量;

63、- 跳过依赖不存在或已禁用因子的依赖声明。

64、(2)循环依赖检测子模块

65、采用dfs三色标记法检测有向图中是否存在环路:

66、- 颜色定义:0=未访问,1=访问中,2=已完成;

67、- 对每个未访问节点执行dfs,遇到颜色为1的节点表示发现环;

68、- 发现环时,通过parent映射回溯出完整的环路径;

69、- 在保存风险因子时调用,若检测到环则拒绝保存并返回环路径信息。

70、(3)kahn算法分层排序子模块

71、使用kahn算法(bfs)对风险因子进行分层拓扑排序:

72、- 将入度为0的因子加入队列作为第一层;

73、- 依次出队,将出队因子的后继节点入度减1,入度变为0的后继节点加入下一层;

74、- 同层内按sortorder升序排列(null排在最后);

75、- 输出list>分层结果,同层因子可并行评估;

76、- 若排序后的因子总数不等于输入因子总数,输出循环依赖警告。

77、(4)运行时上下文管理子模块

78、在拓扑排序逐层评估过程中,维护一个"因子编码→运行时状态"的映射表。每个因子的运行时状态包括:

79、- 是否已命中(matched);

80、- 是否已关闭(closed);

81、- 处置状态(dispositionstatus):pending/completed/null。

82、当某一层中的因子被评估为命中时,将其状态写入运行时上下文,供后续层中依赖该因子的条件评估使用。运行时上下文操作符(factor_matched、factor_closed、factor_disposition_status)从该映射表中读取值,而非从案件数据中提取字段值。

83、(5)逐层评估执行子模块

84、执行风险匹配的核心流程:

85、步骤1:通过缓存管理器加载所有启用的风险因子,进行拓扑排序分层;

86、步骤2:构建"因子id→因子对象"映射和初始运行时上下文(来自已有命中记录);

87、步骤3:处理已有命中记录——对于已关闭的因子,重新检查前置条件,若满足则重新开启;对于未关闭的因子,检查关闭条件,若满足则自动关闭;

88、步骤4:逐层评估未命中因子的前置条件——跳过已有命中记录的因子,使用运行时上下文评估前置条件json,命中后匹配处置方案并创建命中记录,更新运行时上下文;

89、步骤5:发布风险命中事件,通知下游模块进行处置跟进。

90、(6)处置方案匹配子模块

91、风险因子命中后,根据处置方案的匹配字段(matchfield)和匹配值(matchvalue)进行二次过滤:

92、- 方案无matchfield → 无条件命中,直接采用;

93、- 方案有matchfield → 通过案件字段提取子模块从案件数据中提取对应字段值,与matchvalue进行精确匹配。

94、一个风险因子可关联多个处置方案,不同方案可根据案件字段值的不同匹配不同的处置手段。风险因子与处置方案为多对多关系,通过中间表关联。

95、(四)ai风险评分模块

96、所述ai风险评分模块用于对案件的总体风险进行量化评估,输出0-100的ai风险评分和风险等级。评分算法包括:

97、权重计分:根据各命中因子的风险权重转换为分值:

98、- high权重 = 30分

99、- medium权重 = 20分

100、- low权重 = 10分

101、- 空权重 = 10分

102、评分公式:

103、基础分 = min(各因子权重分之和, 60)

104、最高权重加成 = min(最高权重分 + 因子数量 × 5, 40)

105、ai风险评分 = min(基础分 + 最高权重加成, 100)

106、风险等级判定:

107、- 评分 ≥ 70:high(高风险)

108、- 评分 ≥ 40:medium(中风险)

109、- 评分 > 0:low(低风险)

110、- 评分 = 0:none(无风险)

111、所述ai风险评分模块还整合了诉讼预估金额信息,结合案件诉讼记录中的预估最高赔偿金额,为处置人员提供综合的风险决策参考。

112、(五)缓存管理模块

113、所述缓存管理模块采用缓存存储结构存储风险因子和处置方案数据,提供高性能读取能力。包括以下策略:

114、(1)多级缓存架构

115、业务服务层 → 缓存管理器 → 缓存存储 → 数据库(降级查询)

116、(2)缓存key设计

117、- 风险因子缓存:`风险因子全量缓存键`,hash结构,field为因子id;

118、- 处置方案缓存:`处置方案缓存键`,hash结构,field为方案id。

119、(3)空结果哨兵机制

120、当数据库查询返回空结果时,在缓存存储中写入哨兵字段(`空结果哨兵`),标记"已缓存空结果",防止缓存穿透。读取时先检查哨兵字段,若存在则直接返回空列表。

121、(4)降级策略

122、当缓存不可用时(连接异常、超时等),自动降级到数据库查询,确保系统可用性。降级过程对调用方透明,仅在日志中记录警告。

123、(5)缓存刷新策略

124、- ttl:24小时自动过期;

125、- 主动刷新:在风险因子或处置方案保存/更新/状态切换后,通过事务提交后回调(事务提交后)触发缓存刷新,确保缓存与数据库一致性;

126、- 全量刷新:风险因子变更时刷新全量因子缓存;

127、- 增量刷新:处置方案变更时仅刷新对应因子的方案缓存。

128、(六)ai大模型风险因子智能提取模块

129、所述ai大模型风险因子智能提取模块是利用大语言模型(large languagemodel)的语义理解和信息抽取能力,从案件的非结构化文本数据中自动提取潜在风险信号的智能化模块。该模块包括以下子模块:

130、(1)prompt工程子模块

131、设计针对骑手交通事故领域的专用prompt模板,引导大模型按照预定义的风险因子提取规范输出结构化结果。所述prompt模板包含以下核心要素:

132、角色设定指令:定义大模型的角色为"专业的骑手交通事故风险分析专家",明确其分析目标和输出规范;

133、任务描述指令:指定需要从输入文本中提取的风险维度,包括但不限于:人身伤害风险、财产损失风险、保险理赔异常风险、诉讼风险、欺诈风险、骑手行为异常风险、案件升级风险、重复报案风险;

134、输出格式指令:要求大模型输出结构化的json格式结果,每条提取结果包含:提取的风险因子类型(factortype)、风险描述(riskdescription)、置信度评分(confidencescore,0-100)、关键证据摘录(evidenceexcerpt)、风险等级建议(suggestedlevel);

135、few-shot示例:提供3-5个经领域专家标注的典型示例,帮助大模型理解提取规范和输出格式。

136、(2)非结构化文本预处理子模块

137、负责对案件中的多源非结构化文本进行预处理,包括:

138、- 文本合并与拼接:将案件的事故简述(accidentdesc)、骑手陈述、三方描述、处置备注等多段文本进行合并,统一格式为 `【字段名】文本内容`,便于大模型理解各段文本的来源和上下文;

139、- 文本清洗:去除无关格式标记、特殊字符和冗余空白;

140、- 文本截断控制:根据大模型上下文窗口大小,对超长文本进行智能截断,优先保留事故简述、骑手陈述等核心信息,截断处置备注等辅助信息;

141、- 多模态信息提示:若案件包含图片或附件,在文本末尾附加"(本案件包含n张事故现场图片,已另行处理)"的提示信息。

142、(3)大模型调用与结果解析子模块

143、负责调用大模型api并解析返回结果:

144、- 大模型选择与适配:支持接入多种主流大模型服务,通过统一的大模型适配器接口(大模型适配器)抽象api调用差异,当前支持的大模型包括但不限于:通义千问、deepseek、百川等国产大模型以及国际主流大模型。适配器封装了模型调用所需的api端点、认证方式、请求体构建和响应解析逻辑;

145、- 流式响应处理:支持大模型的流式和非流式两种响应模式,流式模式适用于实时性要求较高的场景,非流式模式适用于批量处理的场景;

146、- 结果解析与校验:将大模型返回的json字符串解析为结构化的风险因子提取结果列表,并进行结果校验,包括:json格式校验、必填字段完整性校验、置信度取值范围校验(0-100)、风险因子类型白名单校验;

147、- 结果去重与合并:对于多次调用产生的提取结果,基于风险因子类型进行去重,同一类型保留置信度最高的一条。

148、(4)置信度自适应过滤子模块

149、根据提取结果的置信度评分进行分级处理:

150、- 置信度 ≥ 85分:高风险信号,自动采纳并生成对应的风险因子命中记录,标记来源为"ai大模型自动提取";

151、- 置信度 60-84分:中等风险信号,生成待审核提示,推送给人工进行确认,人工确认后生成命中记录;

152、- 置信度 < 60分:低置信度信号,仅记录为观察项,不触发风险命中,供后续人工审核参考。

153、(5)大模型提取结果与规则引擎融合子模块

154、将大模型提取的风险因子与规则引擎进行深度整合:

155、- 虚拟因子映射:将大模型提取的每类风险信号映射为对应的虚拟风险因子编码(如ai识别人身伤害风险、ai识别欺诈风险),这些虚拟因子与通过条件表达式匹配的规则因子的数据结构保持一致;

156、- 协同触发机制:大模型提取的虚拟因子可作为规则引擎拓扑网络中其他因子的依赖因子(依赖因子),实现ai识别结果与规则引擎的联动。例如,规则因子"诉讼风险"可配置依赖因子为"ai识别欺诈风险",当大模型从文本中提取到欺诈风险信号时,可协同触发诉讼风险评估;

157、- 时间窗口控制:大模型提取的风险因子设置有效时间窗口(默认7天),超时后自动失效,避免因历史文本信息的时效性衰减导致的误报。

158、(七)ai大模型隐性风险识别模块

159、所述ai大模型隐性风险识别模块是利用大语言模型的深度语义理解和推理能力,识别传统规则引擎无法捕捉的隐性风险信号。该模块包括以下子模块:

160、(1)文本语义一致性检测子模块

161、对案件中的多方文本描述进行交叉验证,识别描述不一致的隐性风险:

162、- 多方描述对比分析:将骑手陈述、三方陈述、客服记录中的描述分别作为输入,通过大模型进行语义级别的对比分析,检测是否存在矛盾或不一致之处;

163、- 矛盾类型识别:大模型输出矛盾类型标签,包括但不限于:时间矛盾(时间线不一致)、因果矛盾(事故原因描述冲突)、责任矛盾(责任归属不一致)、损失矛盾(损失描述不一致);

164、- 矛盾严重度评分:为每个检测到的矛盾输出0-100的严重度评分,评分基于矛盾涉及的关键事实要素数量和矛盾程度;

165、- 矛盾证据定位:精确定位矛盾所在的原文片段,便于人工复核。

166、(2)风险信号语义聚类与分析子模块

167、对海量历史案件的大模型提取结果进行语义聚类,从全局视角发现隐性风险模式:

168、- 文本嵌入向量提取:利用大模型的文本向量化接口,将每个案件的风险描述文本转换为向量表示;

169、- 无监督聚类:采用dbscan或hdbscan聚类算法对向量进行聚类,自动发现相似风险描述的群组;

170、- 聚类标签生成:调用大模型对每个聚类群组进行总结,生成该聚类的风险标签和描述;

171、- 新型风险模式发现:识别高频但尚未被配置为规则因子的聚类标签,作为新增风险因子的候选,推送至风险因子配置模块供业务专家审核确认。

172、(3)案件升级风险预判子模块

173、通过分析案件全生命周期文本数据,预判案件的升级风险:

174、- 升级信号模式库构建:基于历史升级案件(如从普通理赔升级为诉讼案件)的文本数据,通过大模型归纳出常见的升级前兆模式,形成升级信号模式库;

175、- 实时预判:对新进案件的文本数据与升级信号模式库进行匹配,计算升级风险概率;

176、- 预判结果输出:输出结构化预判结果,包括:升级风险概率(0-100%)、匹配到的升级信号模式、模式匹配的文本证据、建议的预防性处置措施。

177、(4)大模型评估结果可视化与可解释性子模块

178、为大模型的隐性风险识别结果提供可解释性支持:

179、- 证据链构建:对每个识别出的隐性风险,从原始文本中提取支撑该判断的关键语句,构建"风险结论→支撑证据1→支撑证据2→..."的证据链;

180、- 风险来源标注:明确标注每条风险识别结果的来源(大模型提取/规则匹配/协同触发),支持按来源进行筛选和统计;

181、- 模型决策追溯:记录大模型识别过程中的关键输入参数(包括prompt模板版本、模型名称、推理参数),支持对识别结果进行回溯审计。

182、有益效果

183、本发明相比现有技术具有以下有益效果:

184、1. 实现了风险因子间依赖关系的自动化建模。 通过引入依赖因子编码列表和拓扑排序算法,将传统的"扁平规则匹配"升级为"有向流水线"评估模式。风险因子之间可以表达因果依赖和级联关系,无需人工判断因子间逻辑关系,显著提升了风险识别的准确性和自动化程度。

185、2. 条件表达式体系灵活性高,支持复杂业务场景。 json格式的条件表达式支持and/or逻辑组合、嵌套字段路径提取、时间差比较、跨因子状态引用等多种操作符,且通过工厂模式支持操作符的灵活扩展。新增或修改风险规则无需修改代码,通过配置即可实现,大幅提升了业务敏捷性。

186、3. 运行时上下文机制实现了因子间状态传递。 在拓扑排序逐层评估过程中,前序因子的命中/关闭/处置状态通过运行时上下文传递给后续因子,使后续因子的条件评估可以引用前序因子的状态,实现了真正的因果依赖评估。

187、4. ai风险评分提供量化决策支持。 多维度风险评分算法综合考量因子权重、因子数量、最高权重等因素,输出0-100的量化评分和风险等级,结合诉讼预估金额,为处置人员提供直观的风险决策参考。

188、5. 多级缓存降级策略保障系统高性能与高可用。 缓存存储配合空结果哨兵机制和自动降级策略,在保证数据一致性的同时,有效降低了数据库负载,提升了高并发场景下的系统响应速度。

189、6. 自动关闭与重开机制实现风险动态管理。 系统在每次匹配时自动检查已有命中记录的关闭条件和重开条件,实现风险状态的动态更新,无需人工干预即可完成风险的自动关闭和重新激活。

190、7. 处置方案智能推荐提升处置效率。 基于风险因子命中结果,自动匹配并推荐对应的处置方案,处置人员无需手动查找适用流程,显著缩短了案件处置周期。

191、8. ai大模型实现非结构化文本中的风险因子自动提取。 通过prompt工程和大模型api调用,系统能够从事故简述、骑手陈述、三方描述等非结构化文本中自动提取结构化的风险因子信息,包括风险类型、风险描述、置信度评分和关键证据摘录。置信度自适应过滤机制实现了自动化处理与人工审核的分级管理,显著降低了对人工经验判断的依赖,提升了风险因子发现的自动化程度和覆盖范围。

192、9. ai大模型实现隐性风险信号的语义级识别。 不同于传统规则引擎只能处理结构化字段的二元判断,ai大模型通过深度语义理解能力,能够识别"骑手多次提及头晕"、"事故描述前后矛盾"等隐性风险信号;多方文本对比分析可检测叙述中的时间矛盾、因果矛盾、责任矛盾等不一致情况;基于embedding向量聚类的风险模式发现机制,能够从历史案件中自动挖掘新的风险模式,突破了规则引擎"只能发现已知风险"的局限。

193、10. 大模型风险提取结果与规则引擎深度融合,实现协同增强。 大模型提取的虚拟风险因子可无缝接入规则引擎的拓扑评估网络,作为其他规则因子的前置依赖条件,实现"ai发现+规则联动"的双引擎协同模式。例如,当大模型从文本中识别到欺诈风险信号时,可自动联动触发反欺诈规则组件的进一步核查,形成层层递进、相互验证的智能风控闭环。