资讯 健康险
此为临时链接,仅用于文章预览,将在时失效

众安孙谷飞:保险 AI 的「理性」与「野望」

作者:刘海涛
2020/07/30 12:03

“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。”

最早的碰壁

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。

痛则思变

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”。

保险AI,正确的打开方式

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。

结语

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

长按图片保存图片,分享给好友或朋友圈

众安孙谷飞:保险 AI 的「理性」与「野望」

扫码查看文章

正在生成分享图...

取消
相关文章