0
“智能保顧產品的本質實際上是智能化的客戶運營工具。” 在眾安保險數據智能中心負責人孫谷飛看來，這也是眾安的明星產品——眾安精靈不斷豐富與用戶的交互形式的動力所在。
在他看來，客戶運營是一個高度依賴創意和個性化的工作，因此，一款好的客戶運營產品需要滿足以下兩個基本條件：首先，要能充分支持運營人員的創意表現，能夠快速地實現他們的想法；其次，要能夠連接用戶與企業能夠提供的服務，為客戶帶來價值。
與客戶進行一問一答的擬人化互動聊天中，運營工具不僅要扮演“有問必答”和“你說的它都懂”的知心朋友，還要承擔“保險經紀人”和“風險管理專家”的角色。
而在智能科技時代背景下，這些需求的實現都離不開產品工具背后的機器人平臺的支持，以及對科技賦能保險業務邏輯的深度思考。
“目前市面上智能保顧產品相關的機器人平臺主要聚焦在對話式服務定制功能，背后又可以分為自然語言理解引擎和流程引擎兩大核心部分。”孫谷飛表示。
在自然語言理解引擎方面，需要基于在線客服歷史記錄語料定制訓練的語義理解、實體提取模型可以精準識別保險和健康場景下的客戶意圖，提取出客戶對話中提到的年齡、地點、產品、疾病等關鍵信息，確保了用戶需求的理解。
“而在流程引擎層面，機器人平臺的流程引擎需要充分保障客戶運營人員能夠發揮他們的創意。”在孫谷飛看來，在這樣的流程引擎下，運營人員可以將自己的客戶引導思路與自然語言理解引擎提取到的信息相結合，配合不同的條件跳轉設置，能夠輕松實現個性化的客戶服務，配置要簡單到業務人員能夠直接參與。而全流程埋點的數據回流之后能夠有效地輔助客戶運營人員改善流程的設計。
除此之外，流程引擎還可以連接公司內部的各類服務API，將保險流程中的服務通過會話式交互提供給客戶。
“以上兩方面是一個不斷積累的過程。一方面要不斷實現行業領先的自然語言理解水平，同時也要基于當前的技術水平更好的為客戶進行服務。”
孫谷飛以眾安精靈為例解釋道，在自然語言理解算法模型層面，眾安一直緊跟行業發展，利用了Bert這類最新的模型結合眾安自身積累的保險場景語料數據，實現了驗證集上94%的意圖理解準確率，92%的語義相似度模型準確率。可以說在語義理解能力方面眾安在保險行業是有自身的獨特優勢的。
而如何更好地為客戶服務這點，他認為：“最重要的是對于會話式交互這種需求的理解和梳理。我們將精靈和用戶的對話理解為和圖形界面交互相似的一種交互方式。那么從用戶體驗的角度講，我們希望降低用戶操作的不確定性，因此我們將自然語言理解模型與流程引擎結合起來。”
流程引擎簡化了整個應用對于算法模型精準度的要求，它良好的連接能力使得圖形交互、外部服務能夠參與到交互過程中來和自然語言交互形成補充。同時大流程節點的跳轉是由人工設計的，確保了用戶體驗能夠在一個相對穩定的水平。
“可以說眾安機器人平臺就是眾安對會話式交互的理解的實踐。”據孫谷飛介紹，自2018年5月發布以來，眾安精靈已積累了超過4萬個保險基礎問答條目、7大類19個意圖的保險知識圖譜，保險相關普通話語境中語義識別率達93%以上。
事實上，不論是對話式講解服務、對話式導購服務，還是智能核保核賠等場景服務，都離不開大數據、機器學習、圖像識別等技術的不斷積累，使人工智能不斷去學習和提高，通過反復的驗證，從而滿足實際保險服務環節中的客戶體驗需求。
在孫谷飛看來，在科技賦能保險上，大數據和AI是兩個經常出現的技術名詞，聯系也很緊密，比如AI的發展離不開數據的積累和大數據技術的發展，但是兩個技術屬于不同的技術領域，各自發展的成熟度也不一樣，所以在不同的應用場景下，表現也是不相同的，不能簡單的放到一起講。單從技術的應用程度來說，在很多領域，大數據相對AI來說較為深入一點。
而在保險領域，無論是大數據技術還是AI技術都有著很好的應用前景。
首先，從保險行業本身的特性來看，保險行業是當前最有潛力通過數據驅動變革的，這個行業以大數據原理為驅動，利用精算來控制風險，既是數據的收集者也是數據的使用者。
隨著移動物聯網、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、復雜度還是處理速度，都對大數據技術的應用了提出了很高的要求。
其次，保險行業的完整業務鏈路，包括獲客、營銷、核保、理賠等，整個服務鏈路長、人力投入大，AI技術的發展在這其中的各個業務環節都會有很好的降本增效的應用點。
“但從行業整體層面看，大數據和AI在保險業的賦能，目前還是處于起步階段。” 孫谷飛總結道。在他看來，造成這種現狀主要有以下原因：
在大數據層面，當前保險業的數據處理能力相對較弱。業界一般從數據處理的volume（數據量）、velocity（處理速度）、variety（多樣性）、value（價值）來判斷企業大數據的發展程度。目前保險行業所擁有的數據和處理能力，相對于典型互聯網公司來說，在前三個v方面差距還很大。
“很多保險公司在這20年來積累了很多數據，但還集中在保單維度相關的數據，不管是數據量級，還是數據緯度的豐富性，還是處理速度的要求都相對較弱。”在他看來，單獨看數據量級，當一家公司的場景數據足夠多，用戶數量足夠大，若具備合理的大數據架構，大數據處理和運用能力也會隨之提升。
在人工智能層面，孫谷飛指出，雖然人工智能在不斷優化保險業務全鏈路，但它仍然有一些局限性。
首先，它存在技術邊界，沒有100%準確率的模型，“即使你有再多的數據，再強的算力，你的模型也很難做到極致，更不會達到百分之百的準確。”
其次，不同任務的模型不能自動遷移：AlphaGo沒辦法直接拿來做人臉識別和OCR，需要進行重新訓練，同樣任務的模型可能因為樣本類型不一樣，也需要重新訓練，比如說身份證OCR模型轉做發票OCR的話也需要重新定義問題和訓練。
面對上述種種挑戰，保險公司該如何實現AI、大數據等科技賦能業務的真正落地？孫谷飛給出了五點實戰經驗建議。
首先就是數據，要盡可能的收集可以反映用戶行為的動態數據。數據的量級和豐富程度，是AI模型能落地的關鍵要素。數據的量級和豐富程度達到了，自然而然大數據技術的應用也變成了基本要求。
其次是需要建立數字化的業務反饋閉環，AI模型想要不斷升級，需要在業務閉環里進行不斷的數據反饋才可以迭代提升。
第三個要有工業化計算的平臺，算法是從實驗室走向工業化應用，需要從開發測試到發布和更新迭代，有一整套完整的生產平臺，幫助去持續的追蹤模型的進展。另外，也需要有一套大數據離線和實時計算平臺，幫助面對日益增長的業務流量。
第四是人才儲備：需要復合型的人才儲備，需要打造懂業務懂技術的復合型人才團隊，實現從商業業務目標到算法模型目標的轉換。同時也需要掌握處理海量數據技能的大數據平臺工程師和數據挖掘工程師，最終把算法模型在實際場景下落地。
最后，邊界清晰的問題定義，目前機器還不具備主動、自發定義任務的能力，清晰、明確的任務目標就是人工智能得以有效應用最為關鍵的先決條件。需要將物理世界的業務問題轉換為算法問題，將業務指標對應到模型性能指標。雷鋒網雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
