财产保险公司人工智能应用体系研究

基于对保险行业人工智能应用现状的剖析，通过调查研究和经验总结，从应用价值与目标、应用策略与基本路径、重点应用方向与专题，以及资源与机制保障等四个层面，分析了人工智能在财产保险公司的应用体系。希望通过本文的研究，为国内保险业开展人工智能应用提供一定的指引和参考。

近年来，人工智能迎来了第三次浪潮，深度学习等核心技术取得突破，语音识别、图像识别、自然语言处理等多项技术已经具备大规模应用条件。与此同时，保险业也尝试将人工智能在产品开发、销售、承保、理赔、客服、风险管理等领域开展应用，取得了积极的成效。但是总体而言，保险业对于人工智能的研究与应用还处于较为初级的阶段，研究与应用的深度、广度，以及实际效果还有很大的发展和提升空间。

本文分析了人工智能在保险行业的应用价值与目标，提出了保险公司应用人工智能的策略与基本路径，并通过对人工智能技术发展现状的分析，参考行业应用案例，提出财产保险公司开展人工智能应用的15个重点专题并逐一进行了解析。最后，本文从基础资源与技术支撑、人才与资金投入，以及项目实施与保障机制等方面，分析了保险公司应用人工智能所需要的资源与机制保障。

人工智能在保险行业具有显著的应用价值，其核心价值可以概括为“降本增效”，即降低成本、增加效益，这也是保险公司应用人工智能的主要出发点和目标，具体主要体现在以下五个方面。

一是降低成本：人工智能可以将简单、重复、标准化程度高的业务操作，由系统或程序自动化处理，从而减少甚至取代人工，并降低人力以及由此产生的运营成本。

二是提高效率: 人工智能可以简化业务操作，从而提高效率。如在承保、理赔等环节，利用OCR技术，可以实现投保、索赔信息的自动识别与快速录入。

三是改善用户体验：人工智能可以精准识别用户需求，提供更加个性化、精准化的服务；可以优化业务处理流程，减少客户等待，从而改善用户体验。

四是加强风险管控：利用人工智能在数据分析、预测等方面的优势，结合生物特征识别等技术，可以识别潜在风险，提升反欺诈和风险防范能力。

五是发掘商业机会：应用人工智能可以实现细分领域的产品创新，拓展可保风险范围和业务场景；可以更加精准地识别客户需求，开拓销售机会，提高销售成功率。

(一) 应用策略

保险公司开展人工智能应用，可以遵循三个基本的策略。

一是坚持问题导向。人工智能尚处于快速发展阶段，自身还存在一定的局限性，而且其应用价值的有效发挥对于业务场景、问题、需求、数据等具有高度的依赖性，也需要一定的成本和投入。保险公司一方面要深入研判人工智能发展现状与趋势，准确把握技术特点和价值；另一方面，要聚焦业务发展中的迫切需要，从实际场景和现实需求出发，坚持问题导向、急用先行、循序渐进。

二是坚持开放合作。人工智能是一个复杂的生态系统，任何企业都很难独立实施所有应用项目。无论是数据资源、计算能力、算法能力，还是应用技术，保险公司在确保安全可控的前提下，都可以与外部机构合作，引入其平台、资源与技术，服务于自身应用需要。此外，对于涉及核心数据资产的应用项目，应坚持“以我为主”，特别要注意自身数据安全以及项目成果知识产权的归属。

三是坚持因地制宜。保险公司应根据自身资源与技术能力，采取不同的应用方式。科技实力强的保险公司，可以自建人工智能硬件支持系统，整合自身数据资源搭建大数据平台，并自主开发人工智能基础算法模型，以支持上层应用开展。科技实力一般的保险公司，可以将语音识别、人脸识别、OCR等成熟技术直接集成到企业应用系统中，融入业务场景和流程，快速满足业务需求。

(二) 应用路径

总体而言，保险公司开展人工智能应用的基本路径是：聚焦成本、效率、体验、风控等核心问题，围绕客户、产品、风险、保单、赔案等核心数据资产，将人工智能技术与实际业务场景和应用需求进行有机融合，首先在重点业务领域实现突破，逐步拓展应用范围，创造新的商业价值。

以财产保险公司企业架构为基础，以产品开发、营销销售、承保、理赔、客户服务、风险管理等六大核心业务能力类因素为分类维度，通过对人工智能技术发展现状的分析，参考行业应用案例研究，从相关技术的成熟度、业务影响度，以及应用当前热度三个方面，对人工智能在保险行业的21个应用专题进行量化评估，形成各个应用专题的分布图（气泡图）如下图所示。

图1:财产保险公司人工智能应用专题分布图

其中，横轴代表业务影响度，纵轴代表成熟度，气泡大小代表应用的热度。综合考虑影响度、成熟度，以及热度，将21个应用专题分为重点开展、择机开展，以及保持关注三类。对于影响度和成熟度较高的以下15个应用，建议重点开展；对于影响度和成熟度较低的其余6个应用，建议择机开展或保持关注。

(一) 产品开发领域

1、产品创新

从供给升级出发，深度挖掘潜在未知风险点和当前保险产品未覆盖领域，利用数据挖掘、计算机视觉等技术开发创新型保险产品，从而突破传统可保风险边界，扩大可保风险范围。建议重点关注个人客户居家、出行、旅游、用车、教育、购物等生活消费类场景，特别是与互联网结合的线上场景，开发碎片化、定制化、场景化，以及即时保障型保险产品，满足居民消费升级过程中多样化的风险保障需求。

2、精准定价

更好地识别和量化风险，实现差异化、个性化的精准定价，解决定价粗放、价格与风险成本不匹配等问题。一方面，可以在风险数据采集时通过人工智能识别技术，结合物联网技术应用，获取更加丰富的风险数据，拓展定价数据维度，实现更加精准的定价。另一方面，可以利用机器学习技术训练在线动态精算模型，快速、准确判断标的实际风险状况，实现个性化的精准定价，增强产品竞争力。

(二) 营销销售领域

人工智能在保险销售领域主要的应用方向是精准营销，即通过对客户进行画像，准确识别潜在客户及其保险需求，推荐合适的产品，以降低营销成本、提高销售成功率。实现精准营销，首先要对客户进行画像，突破传统客户分群的限制，形成客户标签体系并定期更新迭代，作为潜在客户识别和精准营销的依据；二是要基于现有产品库，提取产品特征，建立产品标签体系；三是要建立匹配规则和推荐模型。

(三) 承保领域

1、智能核保

发挥人工智能在识别、判断、决策等方面的优势，建立智能核保系统，替代核保专员进行决策，可以简化投保流程、提升核保效率、防范承保风险。一方面，可以利用生物特征识别、智能互动、智能客服等技术，通过在线方式完成对客户身份的验证、投保资料的收集，以及客户咨询的智能应答；另一方面，利用专家系统、认知智能等技术，可以对条款相对简单、规则较为确定的产品，实现在线自动核保。

2、承保电子化

利用OCR、人脸识别，结合电子签名等技术，实现承保信息快速、准确录入，核实客户身份，确认客户操作，从而提升承保效率、缩短出单时间。目前，OCR对于二代身份证、银行卡、驾驶证、行驶证、车辆合格证、机动车号牌、VIN码、营业执照等标准格式卡片证照的识别已经比较成熟，准确率普遍可以达到95%以上，通过应用于车险承保等场景，既可以有效节省人工录入信息的时间，又可以减少差错。

(四) 理赔领域

1、智能定损

利用深度学习、计算机视觉等技术，实现对事故损失的自动、智能判定，一方面有助于解决保险公司查勘定损能力不足的问题，提高定损效率，提升客户理赔体验；另一方面可以通过统一定损标准，降低人工定损的道德风险和由此产生的管理成本，提高定损的准确性和稳定性，减少理赔利益漏损。目前主要用于车险事故车辆外观件的定损，也可以用于农险、家财险等非车险的定损。

2、智能理算

利用认知计算、专家系统等技术，协助理赔人员对损失和赔款进行审核计算，以提高理算效率。在健康保险或医疗保险，以及车险、责任险等涉及人身损害的案件理赔处理当中，智能理算技术可以发挥较大作用。可以基于对海量历史赔案的学习和分析，建立理算模型和规则，应用时通过比对历史相似案例，并参考相似案例决策完成风险决策，通过与理赔核心系统衔接，实现对估算金额的规范化判定和自动化指引。

3、理赔电子化

与承保电子化类似，在理赔环节，利用OCR、人脸识别，结合电子签名等技术，实现信息快速、准确录入，核实客户身份，确认客户操作。与承保端不同，客户索赔时提交的纸质材料中包含大量的财务、医疗票据，以及其它非标准格式单证和票据。这些非标票据版式复杂、种类繁多，且样式不统一，目前的OCR技术无法做到利用一个通用识别模型准确识别不同类型票据，实际当中需要进行定制化的模型训练和开发。

(五) 客户服务领域

1、语音客服

利用语音识别、自然语言处理等技术，实现虚拟坐席与客户之间基于语音的实时、智能互动，从而降低客服人力成本，提升应对业务高峰的能力。语音客服的一类典型应用是智能语音导航，客户拨打客服电话时，只要直接说出需要的服务，系统就可以自动识别客户意图并引导到对应的服务流程或人工坐席。除语音导航之外，语音客服还可以应用于客户报案、回访、咨询等相对简单的业务场景。

2、虚拟机器人

利用知识库、自然语言处理等技术，实现在网站、App、微信等互联网客户接触界面与客户进行基于文本的实时、智能互动，从而降低人力成本，保证客户服务体验。实际应用中，可以将智能客服与人工客服相结合，将常规性、重复性问题由智能客服回答，对于智能客服无法回答的问题无缝转接人工客服，实现“高效+品质”的服务模式，在节省成本的基础上，保证一定的服务质量。

3、服务质检

利用语音识别和文本挖掘等技术，对电话销售和客户服务录音进行快速、智能的质检，可以显著提高质检效率，提升销售服务水平。首先利用语音识别技术，将海量录音数据转换为结构化的文本数据并建立索引；同时根据业务需求和质检规则，构建智能化质检模型；利用文本挖掘技术，进行关键词筛选、检索与归类，并依据质检模型进行自动检索，根据命中情况实现自动评分。

4、在线核身

利用人脸识别，结合电子签名等技术，实现对用户身份的在线验证与核实，支持客户远程办理业务。目前业界领先的人脸识别技术在千万分之一误报率下的识别准确率已经超过99%，且具备活体检测功能。通过人脸识别技术的应用，一是可以简化系统登录操作，提升体验；二是将人脸作为用户特征与实际操作者进行绑定，避免账户被冒用、盗用的风险；三是客户在办理风险性业务时，通过人脸比对严格核实身份。

(六) 风险管理领域

1、反欺诈

利用深度学习等技术，构建身份识别模型、反欺诈预测模型、欺诈网络识别模型，精准识别风险，提升反欺诈能力，实现降赔减损。人工智能反欺诈的一个重点应用方向是针对理赔未决案件建立反欺诈预测模型，实现风险的预判，以及可疑案件风险程度的量化排序，从而实现风险的早期识别和预警，并与稽查条线联动，支持反欺诈力量早期介入，实现从风险识别、预警到稽查的全流程管控。

2、信用风险管理

利用生物特征识别、数据挖掘等技术，结合互联网征信模型，核实用户身份，识别信用风险。信用风险管理的一个重点应用方向是小贷险、车贷险等风险性业务，通过构建集中的风险模型库，多维度评估客户信用风险，将风险管理规则从人员经验转为机器模型，提升信用风险防范能力。此外，可以应用微表情技术辅助贷款面审。基于对客户回答问题时微表情的抓取和判断，识别客户潜在的信用风险。

3、运营风险管理

利用机器学习、智能外呼、语义分析、数据挖掘等技术，实现自动化、智能化的催收、追偿、负面舆情监控、网络安全态势感知、IT系统运维等，提升运营风险防范能力。例如，在催收或追偿方面，根据应收保费逾期时间或者代位追偿案件进展情况，自动给被催收人或者被追偿人发送短信、邮件，或者通过智能语音外呼技术自动拨打其电话，从而降低催收和追偿成本。

(一) 基础资源与技术支撑

如前文所述，支撑人工智能应用的基础资源主要包括数据资源、计算能力（硬件资源）以及算法能力三个方面。

数据资源方面，保险公司可以结合大数据平台建设，以客户、产品、风险、保单、赔案等自身核心数据资产为依托，通过完善数据标准规范、推进数据融合共享、构建数据服务平台、提供数据挖掘支撑等举措，提升数据治理能力，并建立数据标签体系，以应用需求为导向，加强数据资产挖掘，为人工智能应用的开展夯实数据基础。

计算能力方面，人工智能技术开发和应用对于数据处理具有高强度、高频次、高并发的特点，保险公司用来支撑核心业务系统运行的传统云平台难以满足要求。科技实力较强的保险公司可以集中建设人工智能计算平台，采购GPU等专用计算设备，通过云的方式在内部共享计算能力，并形成资源需求快速响应机制，从而为人工智能应用的开展提供存储和计算能力支撑。

算法能力方面，保险公司可以针对不同类型的算法，采取不同的策略。对于人脸识别、语音识别、标准格式单据OCR等相对通用、成熟的算法，建议直接引进市场上成熟的产品或服务；对于专家系统、特定领域图像识别等非通用算法，技术能力较强的保险公司可以培养机器学习算法工程师队伍，专职开展算法研究，并基于应用场景和需求进行优化，形成自主技术能力，以更好地满足应用需要。

(二) 人才与资金投入

人工智能数据、硬件、算法等基础资源与技术能力，本质上均依赖于人才与资金的投入。人工智能人才方面，对保险公司而言，主要可以分为技术型人才与应用型人才。技术型人才包括机器学习算法工程师、数据挖掘工程师、系统研发工程师等，负责技术开发与实现，建议引进和自主培养相结合；应用型人才负责人工智能应用方案和业务需求的设计，需要能够理解人工智能技术原理与应用方式，同时对保险业务有着深入的研究，建议以自主培养为主。除人才配套之外，开展人工智能应用还需要投入基础资源资金、项目实施资金，以及项目奖励基金等。

保险公司在投入资源之前，一方面需要在短期效益与长期效益之间取得平衡，要有前瞻性的布局和战略性的投入，避免急功近利；另一方面要综合考虑存量资源与增量资源，既要通过机制优化盘活存量资源，又要提前谋划较大的增量投入。

(三) 项目实施与保障机制

可以将人工智能项目分为发起、实施和成果推广三个阶段。在项目的不同阶段，需要业务需求方、项目建设方、资源提供方、技术支持方、成果推广方等不同单位和人员共同参与，并投入数据、硬件、算法、资金等不同的资源。为保证项目的顺利开展，保险公司需要建立项目孵化、基金支持、共享沟通、项目评估、成果转化、考核激励等一系列配套机制，加强协作沟通与资源共享。