眾安孫谷飛：保險 AI 的「理性」與「野望」

本文作者：劉海濤

2020-07-30 12:03

導語：保險AI趨勢文終結(jié)篇，面對AI技術，險企并不是后知后覺的一群人。

“未來賣保險的都得是數(shù)據(jù)專家和人工智能專家?！?/p>

在2016中國保險業(yè)發(fā)展年會上，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”，就是“大數(shù)據(jù)”“風控”和“信用”。

AI技術的興起，點燃了全行業(yè)的技術熱情。2018年，中國保險學會的《人工智能保險行業(yè)運用路線圖》指出：AI將在保險業(yè)飛速發(fā)展，在2020年，行業(yè)進入中智能時代，保險行業(yè)的人工智能運用率將達75%。

實際上，在經(jīng)過大量的調(diào)研發(fā)現(xiàn)，保險行業(yè)里大多數(shù)場景的AI應用似乎仍不盡如人意。

眾安保險數(shù)據(jù)智能中心總經(jīng)理孫谷飛表示：“過去，保險公司對AI的態(tài)度總是‘拿來主義’，希望AI是一個成熟的技術，拿來就能用，并追求AI完全替代人工完成某個保險流程，但AI的成功落地是一個迭代的過程；另外，在保險領域，AI輔助精細化的運營、定價和風控的能力，這些需求更加大有文章?！?/p>

最早的碰壁

面對AI技術，險企并不是后知后覺的一群人。

從2016年開始，包括泰康在線、中國人壽、太保都曾采購過人臉識別、智能客服、智能機器人等早期的保險AI產(chǎn)品。

孫谷飛表示：“在以往AI落地過程中，業(yè)務最開始遇到AI，我聽到最多的一句話就是：我有一個需求，幫我用AI解決一下?！?/p>

但一方面，以目前的AI技術發(fā)展，成熟的AI產(chǎn)品一般也需要一個定制、迭代的過程，亦或是保險企業(yè)期望過高，導致初代AI產(chǎn)品的落地效果并不理想。

以智能客服為例，眾安保險也曾購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)務辦理等業(yè)務中完成多個簡單重復場景，減少人力輸出。

但實際購買的第三方智能客服解決方案，并不能直接得到業(yè)務滿意的效果，需要針對眾安的業(yè)務場景進行大量的語料標注、流程梳理等，甚至還需要一些用戶體驗層次的產(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行運維語料。用戶體驗層次的修改，第三方公司的響應度也會跟不上業(yè)務的需求節(jié)奏。

此外，定制化的AI需求，代價很高，并且單個第三方的AI模型交付，往往和業(yè)務需求相差甚遠。

以碎屏險場景為例，因為單個碎屏險的價格已經(jīng)很低，面對海量的需求，人工進行校驗顯然不劃算。于是業(yè)務部門提出，希望利用AI進行自動審核。

孫谷飛表示：“當時外部AI服務供應商認為這就是一個單純的圖像識別問題，直接用AI模型判斷屏幕好壞就可以，由于這個模型是定制化的，所以要價500萬?！?/p>

但理想與現(xiàn)實還有一段距離。

因為，就單論碎屏險這個場景。核保人員在核保過程中，除了要判斷基本的碎屏情況，還需要識別是否存在騙保問題，判斷提交的圖片是否為本機“現(xiàn)在”的真實情況，還是碎屏前的圖片記錄。

這些事情，并不是一個簡單的AI模型就可以勝任，需要的是一整套風控解決方案。眾安的AI解決方案先讓業(yè)務積累碎屏和完整圖像數(shù)據(jù)，根據(jù)業(yè)務需求，識別前會在手機屏幕中間，根據(jù)手機ID號生成并顯示一個身份二維碼。

通過讓二維碼隨時間進行刷新，保證圖片為投保中的實時圖像，最后一步才是碎屏的圖像識別，這種方法一并解決了圖片時間、手機身份、騙保投保等多個碎屏險業(yè)務風控所要解決的問題。

痛則思變

AI落地在眾安遇到的困難并不是一個孤例。

以智能保顧為例，從2017年開始，包括多個互聯(lián)網(wǎng)保險平臺，以及泰康、太平洋等險企都做過嘗試。車車科技就曾推出阿保保險，太平洋保險推出阿爾法保險。但后來因為效果的原因，智能保顧也很少被險企提及。

孫谷飛表示：“假設險企對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)場景的保險AI產(chǎn)品，僅僅達到了40到50分?！?/p>

在AI產(chǎn)品落地過程中，既有保險業(yè)的行業(yè)認知問題，也有AI技術的先天局限性。

首先，險企和AI公司的認知壁壘。一方面，因為保險公司對AI了解的不足，會出現(xiàn)提出的需求，并不符合自己的實際狀況。

而另一方面，AI公司的算法專家因為不了解保險，經(jīng)常是屁股決定腦袋，一些保險需求即使不適合AI解決，AI公司還是會為了盈利大包大攬，但實踐中經(jīng)常發(fā)現(xiàn)數(shù)據(jù)匱乏和知識圖譜難以建立，最后導致產(chǎn)品難以實現(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練數(shù)據(jù)，而合作的保險企業(yè)又不懂AI，這種將不識兵、兵不識將的情況，就很難確保AI產(chǎn)品的效果?！?/p>

其次，產(chǎn)品通用化嚴重。第三方保險AI公司，因為產(chǎn)品化開發(fā)和需求迭代周期的原因，往往不會按照一家保險公司的需求，完全定制化開發(fā)產(chǎn)品，最明顯案例就是NLP語音機器人，一款產(chǎn)品同時服務教育、醫(yī)療、保險等多個場景和領域。

但AI即使發(fā)展到今天，也完全沒有實現(xiàn)‘一招鮮吃遍天’。

在保險領域，因為樣本類型的不一樣，即使同樣任務的模型也需要重新定義問題和訓練，例如，身份證OCR模型拿去做發(fā)票O(jiān)CR就需要重新訓練。

最后，投入與產(chǎn)出比的不匹配。保險企業(yè)往往對AI期望過高，但給予的投入和支持卻不足，總想著能一勞永逸，而第三方因為合作模式的原因，產(chǎn)品上線后又沒有跟進計劃，也就導致大多數(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)務問題，AI產(chǎn)品最需要的就是不斷投入，在上線后進行多輪迭代，形成數(shù)據(jù)和業(yè)務閉環(huán)反饋。”

智能客服現(xiàn)在是每家保險公司必備的產(chǎn)品，但現(xiàn)在大多數(shù)保險智能客服，就只是把常見問題設置成FAQ（例如，用戶問“我想理賠“，機器應答“請您去APP首頁點擊理賠，并選擇想要理賠的保單”），稍微深入一點的企業(yè)也僅僅是按照時間、熱度定期更新問答的語料庫。

但是，智能客服還可以更進一步，達到80分的水平。孫谷飛表示：“任何用戶來到智能客服這個界面，其實不是來尋找“答案“的，而是想來解決他/她的某一個具體問題的?！币员姲脖ｋU為例，AI部門和業(yè)務進一步合作，將保單信息修改、退保、簡單咨詢等需求優(yōu)化成問答引導卡片，一旦識別出來用戶的意圖，就通過流程引導去直接解決用戶的問題，在同樣的對話框中做好對話服務的“最后一公里”。

保險AI，正確的打開方式

正是由于保險業(yè)與技術提供商的天然隔閡，從2018年開始，陸陸續(xù)續(xù)有險企創(chuàng)建自己的AI部門，為自己的業(yè)務需求研發(fā)保險AI。

例如，陽光在線研發(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培訓系統(tǒng)。眾安保險也不甘人后，成立了數(shù)據(jù)智能中心，致力利用數(shù)據(jù)輔助業(yè)務。

孫谷飛表示：“制造一輛車，不用買下整個鋼鐵廠。對于眾安保險，AI的目的并不是為了科研發(fā)論文，而是為了解決業(yè)務需求?！?/p>

因此，眾安數(shù)據(jù)智能中心的主要精力和研發(fā)方向，都在于保險細分場景的定制化需求。

首先，在接受業(yè)務部門需求之后，數(shù)據(jù)智能中心會預先判斷這個場景是否適合AI解決。

其次，確認AI需求之后，再確認數(shù)據(jù)情況，保險里面有場景不代表有數(shù)據(jù)。在有數(shù)據(jù)的情況下，為了驗證可行性，數(shù)據(jù)智能中心會快速設計一次PoC測試；沒有數(shù)據(jù)也會想辦法去解決，比如組織線下人工采集數(shù)據(jù)，或者是否可以通過算法生成（比如做發(fā)票O(jiān)CR模型），或者設計流程讓業(yè)務沉淀數(shù)據(jù)（比如埋點數(shù)據(jù)）?？傊敕ㄗ岉椖吭O法冷啟動起來，這樣隨著業(yè)務的發(fā)展和積累，數(shù)據(jù)的問題自然解決，這也是數(shù)據(jù)智能中心和第三方技術公司最大的不同。

再次，為需求設計業(yè)務目標導向。做任何AI模型，一定要在一開始想好業(yè)務的真實需求是什么，最終這個AI模型要怎么用。不能只追求算法模型指標，而忽略了是否解決業(yè)務的問題，比如上面說的那個碎屏險的例子，單單碎屏識別模型做的再好，在風控層次也是形同虛設，還需要配套的其他手段和方法證明手機照片的實時性和身份。

最后，產(chǎn)品上線之后，需要長期跟進的反饋機制。隨著數(shù)據(jù)量越來越多，真實場景有更高的復雜性，十分有必要不斷跟進模型的表現(xiàn)，對模型進行再訓練和更新迭代。但是，如何評判模型表現(xiàn)的好壞，就需要在業(yè)務中建立起反饋評判機制。只有不斷的在業(yè)務過程中，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越好。

據(jù)孫谷飛介紹，這種反饋機制包括顯性和隱性兩種形式，比如在智能客服的應用中，顯性機制是在用戶提問之后，對機器人服務進行的滿意度打分；隱性機制則是，如果轉(zhuǎn)人工比例和人工坐席服務量飆升，則代表機器人服務不能解決用戶的問題，機器人模型可能就需要調(diào)整。不同的AI場景中，顯性和隱性的反饋機制是不同的，需要針對性的設計。

目前，眾安保險已經(jīng)在使用這套方法論在解決實際業(yè)務中的各種問題。