<mark id="oztn4"></mark>
0
| 本文作者： 劉海濤 | 2020-07-30 12:03 |
“未來(lái)賣保險(xiǎn)的都得是數(shù)據(jù)專家和人工智能專家?！?/p>
在2016中國(guó)保險(xiǎn)業(yè)發(fā)展年會(huì)上，馬云依然不乏金句。在他的演講中，出現(xiàn)頻率最高的詞，除了“保險(xiǎn)”，就是“大數(shù)據(jù)”“風(fēng)控”和“信用”。
AI技術(shù)的興起，點(diǎn)燃了全行業(yè)的技術(shù)熱情。2018年，中國(guó)保險(xiǎn)學(xué)會(huì)的《人工智能保險(xiǎn)行業(yè)運(yùn)用路線圖》指出：AI將在保險(xiǎn)業(yè)飛速發(fā)展，在2020年，行業(yè)進(jìn)入中智能時(shí)代，保險(xiǎn)行業(yè)的人工智能運(yùn)用率將達(dá)75%。
實(shí)際上，在經(jīng)過(guò)大量的調(diào)研發(fā)現(xiàn)，保險(xiǎn)行業(yè)里大多數(shù)場(chǎng)景的AI應(yīng)用似乎仍不盡如人意。
眾安保險(xiǎn)數(shù)據(jù)智能中心總經(jīng)理孫谷飛表示：“過(guò)去，保險(xiǎn)公司對(duì)AI的態(tài)度總是‘拿來(lái)主義’，希望AI是一個(gè)成熟的技術(shù)，拿來(lái)就能用，并追求AI完全替代人工完成某個(gè)保險(xiǎn)流程，但AI的成功落地是一個(gè)迭代的過(guò)程；另外，在保險(xiǎn)領(lǐng)域，AI輔助精細(xì)化的運(yùn)營(yíng)、定價(jià)和風(fēng)控的能力，這些需求更加大有文章。”
面對(duì)AI技術(shù)，險(xiǎn)企并不是后知后覺的一群人。
從2016年開始，包括泰康在線、中國(guó)人壽、太保都曾采購(gòu)過(guò)人臉識(shí)別、智能客服、智能機(jī)器人等早期的保險(xiǎn)AI產(chǎn)品。
孫谷飛表示：“在以往AI落地過(guò)程中，業(yè)務(wù)最開始遇到AI，我聽到最多的一句話就是：我有一個(gè)需求，幫我用AI解決一下?！?/p>
但一方面，以目前的AI技術(shù)發(fā)展，成熟的AI產(chǎn)品一般也需要一個(gè)定制、迭代的過(guò)程，亦或是保險(xiǎn)企業(yè)期望過(guò)高，導(dǎo)致初代AI產(chǎn)品的落地效果并不理想。
以智能客服為例，眾安保險(xiǎn)也曾購(gòu)買第三方公司的智能客服產(chǎn)品，希望在自助投保、保單查詢、業(yè)務(wù)辦理等業(yè)務(wù)中完成多個(gè)簡(jiǎn)單重復(fù)場(chǎng)景，減少人力輸出。
但實(shí)際購(gòu)買的第三方智能客服解決方案，并不能直接得到業(yè)務(wù)滿意的效果，需要針對(duì)眾安的業(yè)務(wù)場(chǎng)景進(jìn)行大量的語(yǔ)料標(biāo)注、流程梳理等，甚至還需要一些用戶體驗(yàn)層次的產(chǎn)品修改。所以，最終智能客服在一開始的階段，落地的效果方面往往不盡如意，另外人力上非但沒有減少，還需要更多的人力進(jìn)行運(yùn)維語(yǔ)料。用戶體驗(yàn)層次的修改，第三方公司的響應(yīng)度也會(huì)跟不上業(yè)務(wù)的需求節(jié)奏。
此外，定制化的AI需求，代價(jià)很高，并且單個(gè)第三方的AI模型交付，往往和業(yè)務(wù)需求相差甚遠(yuǎn)。
以碎屏險(xiǎn)場(chǎng)景為例，因?yàn)閱蝹€(gè)碎屏險(xiǎn)的價(jià)格已經(jīng)很低，面對(duì)海量的需求，人工進(jìn)行校驗(yàn)顯然不劃算。于是業(yè)務(wù)部門提出，希望利用AI進(jìn)行自動(dòng)審核。
孫谷飛表示：“當(dāng)時(shí)外部AI服務(wù)供應(yīng)商認(rèn)為這就是一個(gè)單純的圖像識(shí)別問(wèn)題，直接用AI模型判斷屏幕好壞就可以，由于這個(gè)模型是定制化的，所以要價(jià)500萬(wàn)?！?/p>
但理想與現(xiàn)實(shí)還有一段距離。
因?yàn)椋蛦握撍槠岭U(xiǎn)這個(gè)場(chǎng)景。核保人員在核保過(guò)程中，除了要判斷基本的碎屏情況，還需要識(shí)別是否存在騙保問(wèn)題，判斷提交的圖片是否為本機(jī)“現(xiàn)在”的真實(shí)情況，還是碎屏前的圖片記錄。
這些事情，并不是一個(gè)簡(jiǎn)單的AI模型就可以勝任，需要的是一整套風(fēng)控解決方案。眾安的AI解決方案先讓業(yè)務(wù)積累碎屏和完整圖像數(shù)據(jù)，根據(jù)業(yè)務(wù)需求，識(shí)別前會(huì)在手機(jī)屏幕中間，根據(jù)手機(jī)ID號(hào)生成并顯示一個(gè)身份二維碼。
通過(guò)讓二維碼隨時(shí)間進(jìn)行刷新，保證圖片為投保中的實(shí)時(shí)圖像，最后一步才是碎屏的圖像識(shí)別，這種方法一并解決了圖片時(shí)間、手機(jī)身份、騙保投保等多個(gè)碎屏險(xiǎn)業(yè)務(wù)風(fēng)控所要解決的問(wèn)題。
AI落地在眾安遇到的困難并不是一個(gè)孤例。
以智能保顧為例，從2017年開始，包括多個(gè)互聯(lián)網(wǎng)保險(xiǎn)平臺(tái)，以及泰康、太平洋等險(xiǎn)企都做過(guò)嘗試。車車科技就曾推出阿保保險(xiǎn)，太平洋保險(xiǎn)推出阿爾法保險(xiǎn)。但后來(lái)因?yàn)樾Ч脑颍悄鼙ｎ櫼埠苌俦浑U(xiǎn)企提及。
孫谷飛表示：“假設(shè)險(xiǎn)企對(duì)AI的期待是100分（完全取代人），而AI的能力峰值是80分，現(xiàn)在大多數(shù)場(chǎng)景的保險(xiǎn)AI產(chǎn)品，僅僅達(dá)到了40到50分。”
在AI產(chǎn)品落地過(guò)程中，既有保險(xiǎn)業(yè)的行業(yè)認(rèn)知問(wèn)題，也有AI技術(shù)的先天局限性。
首先，險(xiǎn)企和AI公司的認(rèn)知壁壘。一方面，因?yàn)楸ｋU(xiǎn)公司對(duì)AI了解的不足，會(huì)出現(xiàn)提出的需求，并不符合自己的實(shí)際狀況。
而另一方面，AI公司的算法專家因?yàn)椴涣私獗ｋU(xiǎn)，經(jīng)常是屁股決定腦袋，一些保險(xiǎn)需求即使不適合AI解決，AI公司還是會(huì)為了盈利大包大攬，但實(shí)踐中經(jīng)常發(fā)現(xiàn)數(shù)據(jù)匱乏和知識(shí)圖譜難以建立，最后導(dǎo)致產(chǎn)品難以實(shí)現(xiàn)和落地。
孫谷飛表示：“在這種背景下，如果外界AI公司手里只有少量訓(xùn)練數(shù)據(jù)，而合作的保險(xiǎn)企業(yè)又不懂AI，這種將不識(shí)兵、兵不識(shí)將的情況，就很難確保AI產(chǎn)品的效果?！?/p>
其次，產(chǎn)品通用化嚴(yán)重。第三方保險(xiǎn)AI公司，因?yàn)楫a(chǎn)品化開發(fā)和需求迭代周期的原因，往往不會(huì)按照一家保險(xiǎn)公司的需求，完全定制化開發(fā)產(chǎn)品，最明顯案例就是NLP語(yǔ)音機(jī)器人，一款產(chǎn)品同時(shí)服務(wù)教育、醫(yī)療、保險(xiǎn)等多個(gè)場(chǎng)景和領(lǐng)域。
但AI即使發(fā)展到今天，也完全沒有實(shí)現(xiàn)‘一招鮮吃遍天’。
在保險(xiǎn)領(lǐng)域，因?yàn)闃颖绢愋偷牟灰粯?，即使同樣任?wù)的模型也需要重新定義問(wèn)題和訓(xùn)練，例如，身份證OCR模型拿去做發(fā)票O(jiān)CR就需要重新訓(xùn)練。
最后，投入與產(chǎn)出比的不匹配。保險(xiǎn)企業(yè)往往對(duì)AI期望過(guò)高，但給予的投入和支持卻不足，總想著能一勞永逸，而第三方因?yàn)楹献髂Ｊ降脑?，產(chǎn)品上線后又沒有跟進(jìn)計(jì)劃，也就導(dǎo)致大多數(shù)AI產(chǎn)品上線后一直沒有迭代。
但孫谷飛表示：“如果要真正解決業(yè)務(wù)問(wèn)題，AI產(chǎn)品最需要的就是不斷投入，在上線后進(jìn)行多輪迭代，形成數(shù)據(jù)和業(yè)務(wù)閉環(huán)反饋。”
智能客服現(xiàn)在是每家保險(xiǎn)公司必備的產(chǎn)品，但現(xiàn)在大多數(shù)保險(xiǎn)智能客服，就只是把常見問(wèn)題設(shè)置成FAQ（例如，用戶問(wèn)“我想理賠“，機(jī)器應(yīng)答“請(qǐng)您去APP首頁(yè)點(diǎn)擊理賠，并選擇想要理賠的保單”），稍微深入一點(diǎn)的企業(yè)也僅僅是按照時(shí)間、熱度定期更新問(wèn)答的語(yǔ)料庫(kù)。
但是，智能客服還可以更進(jìn)一步，達(dá)到80分的水平。孫谷飛表示：“任何用戶來(lái)到智能客服這個(gè)界面，其實(shí)不是來(lái)尋找“答案“的，而是想來(lái)解決他/她的某一個(gè)具體問(wèn)題的?！币员姲脖ｋU(xiǎn)為例，AI部門和業(yè)務(wù)進(jìn)一步合作，將保單信息修改、退保、簡(jiǎn)單咨詢等需求優(yōu)化成問(wèn)答引導(dǎo)卡片，一旦識(shí)別出來(lái)用戶的意圖，就通過(guò)流程引導(dǎo)去直接解決用戶的問(wèn)題，在同樣的對(duì)話框中做好對(duì)話服務(wù)的“最后一公里”。
正是由于保險(xiǎn)業(yè)與技術(shù)提供商的天然隔閡，從2018年開始，陸陸續(xù)續(xù)有險(xiǎn)企創(chuàng)建自己的AI部門，為自己的業(yè)務(wù)需求研發(fā)保險(xiǎn)AI。
例如，陽(yáng)光在線研發(fā)了慧算智能核算軟件，平安推出了AI銷售助理和代理人AI培訓(xùn)系統(tǒng)。眾安保險(xiǎn)也不甘人后，成立了數(shù)據(jù)智能中心，致力利用數(shù)據(jù)輔助業(yè)務(wù)。
孫谷飛表示：“制造一輛車，不用買下整個(gè)鋼鐵廠。對(duì)于眾安保險(xiǎn)，AI的目的并不是為了科研發(fā)論文，而是為了解決業(yè)務(wù)需求。”
因此，眾安數(shù)據(jù)智能中心的主要精力和研發(fā)方向，都在于保險(xiǎn)細(xì)分場(chǎng)景的定制化需求。
首先，在接受業(yè)務(wù)部門需求之后，數(shù)據(jù)智能中心會(huì)預(yù)先判斷這個(gè)場(chǎng)景是否適合AI解決。
其次，確認(rèn)AI需求之后，再確認(rèn)數(shù)據(jù)情況，保險(xiǎn)里面有場(chǎng)景不代表有數(shù)據(jù)。在有數(shù)據(jù)的情況下，為了驗(yàn)證可行性，數(shù)據(jù)智能中心會(huì)快速設(shè)計(jì)一次PoC測(cè)試；沒有數(shù)據(jù)也會(huì)想辦法去解決，比如組織線下人工采集數(shù)據(jù)，或者是否可以通過(guò)算法生成（比如做發(fā)票O(jiān)CR模型），或者設(shè)計(jì)流程讓業(yè)務(wù)沉淀數(shù)據(jù)（比如埋點(diǎn)數(shù)據(jù)）?？傊敕ㄗ岉?xiàng)目設(shè)法冷啟動(dòng)起來(lái)，這樣隨著業(yè)務(wù)的發(fā)展和積累，數(shù)據(jù)的問(wèn)題自然解決，這也是數(shù)據(jù)智能中心和第三方技術(shù)公司最大的不同。
再次，為需求設(shè)計(jì)業(yè)務(wù)目標(biāo)導(dǎo)向。做任何AI模型，一定要在一開始想好業(yè)務(wù)的真實(shí)需求是什么，最終這個(gè)AI模型要怎么用。不能只追求算法模型指標(biāo)，而忽略了是否解決業(yè)務(wù)的問(wèn)題，比如上面說(shuō)的那個(gè)碎屏險(xiǎn)的例子，單單碎屏識(shí)別模型做的再好，在風(fēng)控層次也是形同虛設(shè)，還需要配套的其他手段和方法證明手機(jī)照片的實(shí)時(shí)性和身份。
最后，產(chǎn)品上線之后，需要長(zhǎng)期跟進(jìn)的反饋機(jī)制。隨著數(shù)據(jù)量越來(lái)越多，真實(shí)場(chǎng)景有更高的復(fù)雜性，十分有必要不斷跟進(jìn)模型的表現(xiàn)，對(duì)模型進(jìn)行再訓(xùn)練和更新迭代。但是，如何評(píng)判模型表現(xiàn)的好壞，就需要在業(yè)務(wù)中建立起反饋評(píng)判機(jī)制。只有不斷的在業(yè)務(wù)過(guò)程中，源源不斷的收集到新的數(shù)據(jù)和模型反饋，我們的模型才能越來(lái)越好。
據(jù)孫谷飛介紹，這種反饋機(jī)制包括顯性和隱性兩種形式，比如在智能客服的應(yīng)用中，顯性機(jī)制是在用戶提問(wèn)之后，對(duì)機(jī)器人服務(wù)進(jìn)行的滿意度打分；隱性機(jī)制則是，如果轉(zhuǎn)人工比例和人工坐席服務(wù)量飆升，則代表機(jī)器人服務(wù)不能解決用戶的問(wèn)題，機(jī)器人模型可能就需要調(diào)整。不同的AI場(chǎng)景中，顯性和隱性的反饋機(jī)制是不同的，需要針對(duì)性的設(shè)計(jì)。
目前，眾安保險(xiǎn)已經(jīng)在使用這套方法論在解決實(shí)際業(yè)務(wù)中的各種問(wèn)題。
保險(xiǎn)是一個(gè)古老的行業(yè)，也是一個(gè)強(qiáng)數(shù)據(jù)驅(qū)動(dòng)的行業(yè)。
1662年，英國(guó)就開始利用現(xiàn)代統(tǒng)計(jì)數(shù)據(jù)，幫助保險(xiǎn)行業(yè)計(jì)算倫敦居民的壽命概率。
人工智能是一條新的起跑線，原本存在巨大鴻溝的大小保險(xiǎn)公司，將站在一個(gè)相同的起跑線上，擁抱新科技的公司將更有機(jī)會(huì)抓住歷史機(jī)遇。
隨著移動(dòng)物聯(lián)網(wǎng)、5G、物聯(lián)網(wǎng)等技術(shù)的發(fā)展，保險(xiǎn)行業(yè)所要處理的數(shù)據(jù)無(wú)論從量級(jí)、復(fù)雜度還是處理速度，都對(duì)大數(shù)據(jù)和AI技術(shù)的應(yīng)用了提出了很高的要求。
雖然，今天的保險(xiǎn)AI還沒有進(jìn)入強(qiáng)智能時(shí)代，但發(fā)展策略卻也在變得清晰：根植于保險(xiǎn)場(chǎng)景，將AI技術(shù)與保險(xiǎn)業(yè)務(wù)緊密結(jié)合，將成為不少險(xiǎn)企和互聯(lián)網(wǎng)保險(xiǎn)企業(yè)都在共同發(fā)力的方向。雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
