“未来卖保险的都得是数据专家和人工智能专家。”
在2016中国保险业发展年会上，马云依然不乏金句。在他的演讲中，出现频率最高的词，除了“保险”，就是“大数据”“风控”和“信用”。
AI技术的兴起，点燃了全行业的技术热情。2018年，中国保险学会的《人工智能保险行业运用路线图》指出：AI将在保险业飞速发展，在2020年，行业进入中智能时代，保险行业的人工智能运用率将达75%。
实际上，在经过大量的调研发现，保险行业里大多数场景的AI应用似乎仍不尽如人意。
众安保险数据智能中心总经理孙谷飞表示：“过去，保险公司对AI的态度总是‘拿来主义’，希望AI是一个成熟的技术，拿来就能用，并追求AI完全替代人工完成某个保险流程，但AI的成功落地是一个迭代的过程；另外，在保险领域，AI辅助精细化的运营、定价和风控的能力，这些需求更加大有文章。”
面对AI技术，险企并不是后知后觉的一群人。
从2016年开始，包括泰康在线、中国人寿、太保都曾采购过人脸识别、智能客服、智能机器人等早期的保险AI产品。
孙谷飞表示：“在以往AI落地过程中，业务最开始遇到AI，我听到最多的一句话就是：我有一个需求，帮我用AI解决一下。”
但一方面，以目前的AI技术发展，成熟的AI产品一般也需要一个定制、迭代的过程，亦或是保险企业期望过高，导致初代AI产品的落地效果并不理想。
以智能客服为例，众安保险也曾购买第三方公司的智能客服产品，希望在自助投保、保单查询、业务办理等业务中完成多个简单重复场景，减少人力输出。
但实际购买的第三方智能客服解决方案，并不能直接得到业务满意的效果，需要针对众安的业务场景进行大量的语料标注、流程梳理等，甚至还需要一些用户体验层次的产品修改。所以，最终智能客服在一开始的阶段，落地的效果方面往往不尽如意，另外人力上非但没有减少，还需要更多的人力进行运维语料。用户体验层次的修改，第三方公司的响应度也会跟不上业务的需求节奏。
此外，定制化的AI需求，代价很高，并且单个第三方的AI模型交付，往往和业务需求相差甚远。
以碎屏险场景为例，因为单个碎屏险的价格已经很低，面对海量的需求，人工进行校验显然不划算。于是业务部门提出，希望利用AI进行自动审核。
孙谷飞表示：“当时外部AI服务供应商认为这就是一个单纯的图像识别问题，直接用AI模型判断屏幕好坏就可以，由于这个模型是定制化的，所以要价500万。”
但理想与现实还有一段距离。
因为，就单论碎屏险这个场景。核保人员在核保过程中，除了要判断基本的碎屏情况，还需要识别是否存在骗保问题，判断提交的图片是否为本机“现在”的真实情况，还是碎屏前的图片记录。
这些事情，并不是一个简单的AI模型就可以胜任，需要的是一整套风控解决方案。众安的AI解决方案先让业务积累碎屏和完整图像数据，根据业务需求，识别前会在手机屏幕中间，根据手机ID号生成并显示一个身份二维码。
通过让二维码随时间进行刷新，保证图片为投保中的实时图像，最后一步才是碎屏的图像识别，这种方法一并解决了图片时间、手机身份、骗保投保等多个碎屏险业务风控所要解决的问题。
AI落地在众安遇到的困难并不是一个孤例。
以智能保顾为例，从2017年开始，包括多个互联网保险平台，以及泰康、太平洋等险企都做过尝试。车车科技就曾推出阿保保险，太平洋保险推出阿尔法保险。但后来因为效果的原因，智能保顾也很少被险企提及。
孙谷飞表示：“假设险企对AI的期待是100分（完全取代人），而AI的能力峰值是80分，现在大多数场景的保险AI产品，仅仅达到了40到50分。”
在AI产品落地过程中，既有保险业的行业认知问题，也有AI技术的先天局限性。
首先，险企和AI公司的认知壁垒。一方面，因为保险公司对AI了解的不足，会出现提出的需求，并不符合自己的实际状况。
而另一方面，AI公司的算法专家因为不了解保险，经常是屁股决定脑袋，一些保险需求即使不适合AI解决，AI公司还是会为了盈利大包大揽，但实践中经常发现数据匮乏和知识图谱难以建立，最后导致产品难以实现和落地。
孙谷飞表示：“在这种背景下，如果外界AI公司手里只有少量训练数据，而合作的保险企业又不懂AI，这种将不识兵、兵不识将的情况，就很难确保AI产品的效果。”
其次，产品通用化严重。第三方保险AI公司，因为产品化开发和需求迭代周期的原因，往往不会按照一家保险公司的需求，完全定制化开发产品，最明显案例就是NLP语音机器人，一款产品同时服务教育、医疗、保险等多个场景和领域。
但AI即使发展到今天，也完全没有实现‘一招鲜吃遍天’。
在保险领域，因为样本类型的不一样，即使同样任务的模型也需要重新定义问题和训练，例如，身份证OCR模型拿去做发票OCR就需要重新训练。
最后，投入与产出比的不匹配。保险企业往往对AI期望过高，但给予的投入和支持却不足，总想着能一劳永逸，而第三方因为合作模式的原因，产品上线后又没有跟进计划，也就导致大多数AI产品上线后一直没有迭代。
但孙谷飞表示：“如果要真正解决业务问题，AI产品最需要的就是不断投入，在上线后进行多轮迭代，形成数据和业务闭环反馈。”
智能客服现在是每家保险公司必备的产品，但现在大多数保险智能客服，就只是把常见问题设置成FAQ（例如，用户问“我想理赔“，机器应答“请您去APP首页点击理赔，并选择想要理赔的保单”），稍微深入一点的企业也仅仅是按照时间、热度定期更新问答的语料库。
但是，智能客服还可以更进一步，达到80分的水平。孙谷飞表示：“任何用户来到智能客服这个界面，其实不是来寻找“答案“的，而是想来解决他/她的某一个具体问题的。”以众安保险为例，AI部门和业务进一步合作，将保单信息修改、退保、简单咨询等需求优化成问答引导卡片，一旦识别出来用户的意图，就通过流程引导去直接解决用户的问题，在同样的对话框中做好对话服务的“最后一公里”。
正是由于保险业与技术提供商的天然隔阂，从2018年开始，陆陆续续有险企创建自己的AI部门，为自己的业务需求研发保险AI。
例如，阳光在线研发了慧算智能核算软件，平安推出了AI销售助理和代理人AI培训系统。众安保险也不甘人后，成立了数据智能中心，致力利用数据辅助业务。
孙谷飞表示：“制造一辆车，不用买下整个钢铁厂。对于众安保险，AI的目的并不是为了科研发论文，而是为了解决业务需求。”
因此，众安数据智能中心的主要精力和研发方向，都在于保险细分场景的定制化需求。
首先，在接受业务部门需求之后，数据智能中心会预先判断这个场景是否适合AI解决。
其次，确认AI需求之后，再确认数据情况，保险里面有场景不代表有数据。在有数据的情况下，为了验证可行性，数据智能中心会快速设计一次PoC测试；没有数据也会想办法去解决，比如组织线下人工采集数据，或者是否可以通过算法生成（比如做发票OCR模型），或者设计流程让业务沉淀数据（比如埋点数据）。总之想法让项目设法冷启动起来，这样随着业务的发展和积累，数据的问题自然解决，这也是数据智能中心和第三方技术公司最大的不同。
再次，为需求设计业务目标导向。做任何AI模型，一定要在一开始想好业务的真实需求是什么，最终这个AI模型要怎么用。不能只追求算法模型指标，而忽略了是否解决业务的问题，比如上面说的那个碎屏险的例子，单单碎屏识别模型做的再好，在风控层次也是形同虚设，还需要配套的其他手段和方法证明手机照片的实时性和身份。
最后，产品上线之后，需要长期跟进的反馈机制。随着数据量越来越多，真实场景有更高的复杂性，十分有必要不断跟进模型的表现，对模型进行再训练和更新迭代。但是，如何评判模型表现的好坏，就需要在业务中建立起反馈评判机制。只有不断的在业务过程中，源源不断的收集到新的数据和模型反馈，我们的模型才能越来越好。
据孙谷飞介绍，这种反馈机制包括显性和隐性两种形式，比如在智能客服的应用中，显性机制是在用户提问之后，对机器人服务进行的满意度打分；隐性机制则是，如果转人工比例和人工坐席服务量飙升，则代表机器人服务不能解决用户的问题，机器人模型可能就需要调整。不同的AI场景中，显性和隐性的反馈机制是不同的，需要针对性的设计。
目前，众安保险已经在使用这套方法论在解决实际业务中的各种问题。
保险是一个古老的行业，也是一个强数据驱动的行业。
1662年，英国就开始利用现代统计数据，帮助保险行业计算伦敦居民的寿命概率。
人工智能是一条新的起跑线，原本存在巨大鸿沟的大小保险公司，将站在一个相同的起跑线上，拥抱新科技的公司将更有机会抓住历史机遇。
随着移动物联网、5G、物联网等技术的发展，保险行业所要处理的数据无论从量级、复杂度还是处理速度，都对大数据和AI技术的应用了提出了很高的要求。
虽然，今天的保险AI还没有进入强智能时代，但发展策略却也在变得清晰：根植于保险场景，将AI技术与保险业务紧密结合，将成为不少险企和互联网保险企业都在共同发力的方向。雷锋网雷锋网雷锋网
正在生成分享图...
嘉嘉