保险公司构建商业AI能力需要五大核心要素

实习记者 李林鸾/整理报道

随着人工智能等保险科技的不断进步，保险公司业务效率得到大幅提升的同时，也极大地优化了用户体验。当前，众安保险人工智能主要基于自然语言处理、图像识别和数据挖掘三个研究方面，立足点是从应用出发，即如何帮助我们的业务实现自动化和智能化升级。

众安数据智能中心负责人 孙谷飞

然而，虽然人工智能在不断优化保险业务全链路，但它仍然有一些局限性。首先它存在技术边界，没有100%准确率的模型，即使你有再多的数据，再强的算力，你的模型也无法达到百分之百的准确；不同任务的模型不能自动迁移：AlphaGo没办法直接拿来做人脸识别和OCR，需要进行重新训练，同样任务的模型可能因为样本类型不一样，也需要重新训练，比如说身份证OCR模型转做发票OCR的话也需要重新定义问题和训练。

其次，AI落地是应用问题，它对场景有很强的依赖。第一，只有场景才可以产生大量的数据；第二模型往往需要经过不断的更新迭代才能最终实用，而迭代就需要在场景中不断得到业务反馈；第三，AI在应用落地过程中还会面临一些平衡业务期待的困难，业务对人工智能的理解就是它能做或不能做，忽略识别率的问题，很多时候我们要把握技术边界，尽量用业务和流程弥补现在AI技术的缺陷。

最后我列举下保险公司该如何落地人工智能，首先就是数据，我们要尽可能的收集数据，这个数据不仅仅是保单明细或者理赔数据，我们要尽量采集一些可以反映用户行为的动态数据。其次是需要建立数字化的业务反馈闭环，前面说了成功的模型不是一蹴而就，是需要在业务闭环里进行不断迭代提升的。第三个要有工业化计算的平台，算法是从实验室走向工业化应用，需要从开发测试到发布和更新迭代，有一整套完整的生产平台，帮助我们去持续的追踪模型的进展。第四，需要复合型的人才储备，需要打造懂业务懂技术的复合型人才团队。从业务出发，实现从商业业务目标到算法模型目标的转换。最后，边界清晰的问题定义，目前机器还不具备主动、自发定义任务的能力，因此，清晰、明确的任务目标就是人工智能得以有效应用最为关键的先决条件。需要将物理世界的业务问题转换为算法问题，将业务指标对应到模型性能指标。

以下是文字实录：

众安在线财产保险股份有限公司作为国内首家互联网保险公司，始终秉承保险+科技双引擎战略。科技板块的人工智能是我们的重要投入的方向，今天非常有幸在这里和大家分享、探讨人工智能在保险行业的发展和现状。

首先和大家畅想一个未来保险的案例。李先生在未来保险公司买了一个健康险，他每天会佩戴保险公司赠送他的可穿戴智能设备，这个设备会监测身体数据，让虚拟助手监测他是否有身体异常，并提醒他做健康管理。有一天李先生心脏突发不适，虚拟助手会通过算法自动监测出身体异常，然后预约熟悉的医院和医生，李先生直接就诊即可。诊疗完毕后，保险公司和医院会自动结付相关费用。此外，通过对李先生身体数据的了解不断加深，保险公司会针其体征推荐一些类似重疾险等相关产品。

这个案例是非常完整，或者说是在保险领域非常理想化的人工智能落地案例，从可穿戴智能设备的数据采集，到模型算法训练疾病监控预警，再到医院检查数据对疾病监测模型的验证，再配合自动化的理赔服务体验。从数据，到模型，再到业务反馈，形成了一个完美的闭环。

AI在保险行业的应用，按照流程可以划分为营销、核保、保单服务、理赔等，这里面分别有一些典型案例，比如说营销阶段的用户画像分析，前面的嘉宾分享了通过用户画像进行精准化圈选，还可以做投放渠道优化，即通过优化投放费用得到最大回报。

此外，人工智能也可以在核保方面做智能核保，保单阶段可以做智能客服，提供7X24小时的服务，理赔阶段做反欺诈等等，这些都是人工智能在保险领域的应用案例。底层的技术都是相通的，就是人工智能研究的三个方面，自然语言处理、图像识别和数据挖掘。

以上三个方面，众安保险都在进行研究，但是立足点都是从应用出发—如何帮助我们的业务实现自动化和智能化升级，自动化就是尽量帮助他们降低对人力的依赖，例如可以通过智能机器人进行7*24的客户服务，通过OCR降低发票录入的工作量。另外，智能化这方面是更加值得我们关注的点。如何通过对数据的分析，给予业务人员一些业务决策支持。例如，渠道投放优化、理赔反欺诈识别预警等。

前面看到了这么多的应用案例，但其实人工智能还有它的局限性，人工智能这个名词已经出现六十多年了，现阶段是它的第三次发展浪潮，前两次是因为当时的技术原因或者数据缺乏等原因，很快就又沉寂下去了。这次它又流行起来，是因为我们通过更多的渠道，获取更多的训练数据，同时也因为CPU、GPU的发展使我们可以处理这些数据，训练出更加复杂的模型。那么，这次浪潮下的人工智能技术，还存在哪些局限性呢？首先，它仍存在着技术的边界，什么意思？1.没有100%准确率的模型，即使你有再多的数据，再强的算力，你的模型也无法达到百分之百的准确；2.不同任务的模型不能自动迁移：AlphaGo没办法直接拿来做人脸识别和OCR，需要进行重新训练，3.同样任务的模型可能因为样本类型不一样，也需要重新训练，比如说身份证OCR模型转做发票OCR的话也需要重新定义问题和训练。

其次，AI落地是应用问题，它对场景有很强的依赖。1.只有场景才可以产生大量的数据，2.模型往往需要经过不断的更新迭代才能最终实用，而迭代就需要在场景中不断得到业务反馈。 最后，AI在应用落地过程中还会面临一些平衡业务期待的困难，业务对人工智能的理解就是它能做或不能做，忽略识别率的问题，很多时候我们要把握技术边界，尽量用业务和流程弥补现在AI技术的缺陷。

最后我列举下保险公司该如何落地人工智能，首先就是数据，我们要尽可能的收集数据，这个数据不仅仅是保单明细或者理赔数据，我们要尽量采集一些可以反映用户行为的动态数据。其次是需要建立数字化的业务反馈闭环，前面说了成功的模型不是一蹴而就，是需要在业务闭环里进行不断迭代提升的。第三个要有工业化计算的平台，算法是从实验室走向工业化应用，需要从开发测试到发布和更新迭代，有一整套完整的生产平台，帮助我们去持续的追踪模型的进展。第四，需要复合型的人才储备，需要打造懂业务懂技术的复合型人才团队。从业务出发，实现从商业业务目标到算法模型目标的转换。最后，边界清晰的问题定义，目前机器还不具备主动、自发定义任务的能力，因此，清晰、明确的任务目标就是人工智能得以有效应用最为关键的先决条件。需要将物理世界的业务问题转换为算法问题，将业务指标对应到模型性能指标。