保險業(yè)者將機器學習運用到業(yè)務(wù)的實際案例越來越多元，據(jù)DataRobot研究指出，包括索賠預測、動態(tài)價格調(diào)整、詐欺偵測、產(chǎn)品推薦、風險評級、安全與隱私等，都是保險業(yè)者利用機器學習優(yōu)勢的類別。

AIG個人物產(chǎn)管理負責人George Argesanu表示，保險業(yè)高層決策者必須精算預期損失，才能合理分配資源，而機器學習更能找出傳統(tǒng)方法不能洞察之處。

如保險科技公司Praedicat結(jié)合自有預測模式工具與德國安聯(lián)人壽(Allianz)的風險責任資料，分析下個世代的災難責任風險。Praedicat的建模引擎使用機器學習讀取大量科學出版物，描繪出產(chǎn)品或物質(zhì)在生命周期可能會產(chǎn)生的訴訟風險。

保險業(yè)者利用機器學習建立合理化價格模式，優(yōu)化價格決策。MetLife Auto & Home的UBI車險即監(jiān)控駕駛?cè)说男熊噭討B(tài)，并回報智能型手機App，App可立即給予駕駛回饋或建議，以促駕駛行為改善并降低保費的等級。

新創(chuàng)公司Shift Technology運用機器學習，助歐洲的保險業(yè)聯(lián)盟分析1,300萬個保險索賠案例后，發(fā)現(xiàn)3,000個案例是潛在的保險詐欺，且包括大型、組織化的詐欺計畫，數(shù)年來可能已吸走數(shù)百萬歐元。

Transamerica的企業(yè)營銷與分析平臺(EMAP)集成自身保險、退休金與投資產(chǎn)品與外部資料，包括消費者收入與社群媒體資料等；也使用Cloudera的分散式資料儲存管理平臺Enterprise Data Hub儲存結(jié)構(gòu)化、半結(jié)構(gòu)化與非結(jié)構(gòu)化資料。

澳洲投資新創(chuàng)公司Cytora，使用AI技術(shù)與開源資料助降低損失比例，增加保費并改善耗資比例。Cytora的機器學習算法引擎Risk Engine結(jié)合保險業(yè)者內(nèi)部資料與外部信息，產(chǎn)生風險等級，看出整個產(chǎn)品組合中可能面臨的預期索賠事件。

美國保險公司Aetna對手機與網(wǎng)站用戶發(fā)布新的安全系統(tǒng)，提供用戶不同的安全選擇，除了口令或指紋等登入需求外，新的安全系統(tǒng)會透過軟件功能、操作系統(tǒng)版本、甚至用戶在打字時如何持取及地點等，偵測用戶使用機器的行為模式，確定使用帳號的是用戶本人。