眾安孫谷飛：保險 AI 的「理性」與「野望」

“未來賣保險的都得是數據專家和人工智能專家。”

在2016中國保險業發展年會上，馬雲依然不乏金句。在他的演講中，出現頻率最高的詞，除了“保險”，就是“大數據”“風控”和“信用”。

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

實際上，在經過大量的調研發現，保險行業裏大多數場景的AI應用似乎仍不盡如人意。

眾安保險數據智能中心總經理孫谷飛表示：“過去，保險公司對AI的態度總是‘拿來主義’，希望AI是一個成熟的技術，拿來就能用，並追求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。”

面對AI技術，險企並不是後知後覺的一羣人。

從2016年開始，包括泰康在線、中國人壽、太保都曾採購過人臉識別、智能客服、智能機器人等早期的保險AI產品。

孫谷飛表示：“在以往AI落地過程中，業務最開始遇到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。”

但一方面，以目前的AI技術發展，成熟的AI產品一般也需要一個定製、迭代的過程，亦或是保險企業期望過高，導致初代AI產品的落地效果並不理想。

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品，希望在自助投保、保單查詢、業務辦理等業務中完成多個簡單重複場景，減少人力輸出。

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

此外，定製化的AI需求，代價很高，並且單個第三方的AI模型交付，往往和業務需求相差甚遠。

以碎屏險場景為例，因為單個碎屏險的價格已經很低，面對海量的需求，人工進行校驗顯然不划算。於是業務部門提出，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，由於這個模型是定製化的，所以要價500萬。”

但理想與現實還有一段距離。

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“現在”的真實情況，還是碎屏前的圖片記錄。

這些事情，並不是一個簡單的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解決方案先讓業務積累碎屏和完整圖像數據，根據業務需求，識別前會在手機屏幕中間，根據手機ID號生成並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，最後一步才是碎屏的圖像識別，這種方法一併解決了圖片時間、手機身份、騙保投保等多個碎屏險業務風控所要解決的問題。

AI落地在眾安遇到的困難並不是一個孤例。

以智能保顧為例，從2017年開始，包括多個互聯網保險平台，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。但後來因為效果的原因，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的能力峯值是80分，現在大多數場景的保險AI產品，僅僅達到了40到50分。”

在AI產品落地過程中，既有保險業的行業認知問題，也有AI技術的先天侷限性。

首先，險企和AI公司的認知壁壘。一方面，因為保險公司對AI瞭解的不足，會出現提出的需求，並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瞭解保險，經常是屁股決定腦袋，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，但實踐中經常發現數據匱乏和知識圖譜難以建立，最後導致產品難以實現和落地。

孫谷飛表示：“在這種背景下，如果外界AI公司手裏只有少量訓練數據，而合作的保險企業又不懂AI，這種將不識兵、兵不識將的情況，就很難確保AI產品的效果。”

其次，產品通用化嚴重。第三方保險AI公司，因為產品化開發和需求迭代週期的原因，往往不會按照一家保險公司的需求，完全定製化開發產品，最明顯案例就是NLP語音機器人，一款產品同時服務教育、醫療、保險等多個場景和領域。

但AI即使發展到今天，也完全沒有實現‘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模型拿去做發票OCR就需要重新訓練。

最後，投入與產出比的不匹配。保險企業往往對AI期望過高，但給予的投入和支持卻不足，總想着能一勞永逸，而第三方因為合作模式的原因，產品上線後又沒有跟進計劃，也就導致大多數AI產品上線後一直沒有迭代。

但孫谷飛表示：“如果要真正解決業務問題，AI產品最需要的就是不斷投入，在上線後進行多輪迭代，形成數據和業務閉環反饋。”

智能客服現在是每家保險公司必備的產品，但現在大多數保險智能客服，就只是把常見問題設置成FAQ（例如，用户問“我想理賠“，機器應答“請您去APP首頁點擊理賠，並選擇想要理賠的保單”），稍微深入一點的企業也僅僅是按照時間、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：“任何用户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。”以眾安保險為例，AI部門和業務進一步合作，將保單信息修改、退保、簡單諮詢等需求優化成問答引導卡片，一旦識別出來用户的意圖，就通過流程引導去直接解決用户的問題，在同樣的對話框中做好對話服務的“最後一公里”。

正是由於保險業與技術提供商的天然隔閡，從2018年開始，陸陸續續有險企創建自己的AI部門，為自己的業務需求研發保險AI。

例如，陽光在線研發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。眾安保險也不甘人後，成立了數據智能中心，致力利用數據輔助業務。

孫谷飛表示：“製造一輛車，不用買下整個鋼鐵廠。對於眾安保險，AI的目的並不是為了科研發論文，而是為了解決業務需求。”

因此，眾安數據智能中心的主要精力和研發方向，都在於保險細分場景的定製化需求。

首先，在接受業務部門需求之後，數據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需求之後，再確認數據情況，保險裏面有場景不代表有數據。在有數據的情況下，為了驗證可行性，數據智能中心會快速設計一次PoC測試；沒有數據也會想辦法去解決，比如組織線下人工採集數據，或者是否可以通過算法生成（比如做發票OCR模型），或者設計流程讓業務沉澱數據（比如埋點數據）。總之想法讓項目設法冷啓動起來，這樣隨着業務的發展和積累，數據的問題自然解決，這也是數據智能中心和第三方技術公司最大的不同。

再次，為需求設計業務目標導向。做任何AI模型，一定要在一開始想好業務的真實需求是什麼，最終這個AI模型要怎麼用。不能只追求算法模型指標，而忽略了是否解決業務的問題，比如上面説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。

最後，產品上線之後，需要長期跟進的反饋機制。隨着數據量越來越多，真實場景有更高的複雜性，十分有必要不斷跟進模型的表現，對模型進行再訓練和更新迭代。但是，如何評判模型表現的好壞，就需要在業務中建立起反饋評判機制。只有不斷的在業務過程中，源源不斷的收集到新的數據和模型反饋，我們的模型才能越來越好。

據孫谷飛介紹，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，顯性機制是在用户提問之後，對機器人服務進行的滿意度打分；隱性機制則是，如果轉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户的問題，機器人模型可能就需要調整。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，眾安保險已經在使用這套方法論在解決實際業務中的各種問題。

保險是一個古老的行業，也是一個強數據驅動的行業。

1662年，英國就開始利用現代統計數據，幫助保險行業計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公司，將站在一個相同的起跑線上，擁抱新科技的公司將更有機會抓住歷史機遇。

隨着移動物聯網、5G、物聯網等技術的發展，保險行業所要處理的數據無論從量級、複雜度還是處理速度，都對大數據和AI技術的應用了提出了很高的要求。

雖然，今天的保險AI還沒有進入強智能時代，但發展策略卻也在變得清晰：根植於保險場景，將AI技術與保險業務緊密結合，將成為不少險企和互聯網保險企業都在共同發力的方向。雷鋒網雷鋒網雷鋒網