一文说明白——保险公司布局AI要关心的那些事
大模型到今天，发展到什么程度了？
跟保险有什么关系？
蒋耀锴：本轮AI的热度基本是ChatGPT之后起来的。GPT4展现出的过人的逻辑推理能力引起了新的关注高潮，逻辑推理能力标志着模型基础能力的大幅提高。
可以这么理解，曾经的初中摇身一变，跳级成了大学生。在拥有更高阶的基础能力之后，模型作为一个“大脑”还要应对社会上各种具体的工作。本质上它是缺乏经验、缺乏各种领域上下文的，那么为了让它利用好基础能力，就需要给它提供可参考的场景知识。
这就必须了解一个叫RAG的技术（retrieval augmented generation检索增强生成），它跟LLM结合在一起，是目前AI 应用落地最行之有效的路径。RAG的流行催生了不少开源项目的发展，比较重要的是Llama Index——集成了各种文档分割、索引建构、信息检索的策略以优化RAG的效果。如果AI可以参考咱们保险公司的政策、产品等资料，是可以为客户、业务员提供各种精细化服务等。
再往后，GPT 4又推出了GPT Turbo 和Vision，它们比令人津津乐道的GPTS商店要更有意义。首先，上下文窗口从GPT 4的8K变成了128K，相当于本来你只能读三页纸，现在可以读一个小本子的信息了，所能够解决问题的复杂程度不可同日而语了。举例来说，一个保险老客户出险了，这个“小本子”的空间足以支持你把客户历史记录、出险赔付的详细规则等决策参考信息都给到AI，结合GPT Vision的多模态能力，它同时有潜力读懂各种单据、车况照片上的信息。
最后一点就是，各类开源模型质量开始变得更高，开始更有现实的价值，比如Llama以及基于Llama开发的零一万物，小模型（7B或13B）的质量也在变得更好，实际上是降低了使用门槛——曾经你为了部署一个模型需要8张卡，现在只要2张卡，那么，在私有化部署上面会变得简单很多，这对保险行业来说都是颇有裨益的。
真要落地选型工作，还需要面向大模型进行考试、评分，我们内部专门设计题库和脚本对大模型的一下维度进行了测试，供参考：
在企业级场景下，AI智能体是怎样一种存在？
蒋耀锴：跟ChatGPT或者百度文心一言这类纯粹的AI Chatbot不同，Agent最大的区别是，它能自如地规划、搭建具体的工作流程。
在这个流程里面，AI可以接受和调用多个数据源的信息，并据此做决策、执行计划、观察每一步的结果，是个多步骤的事情。
不是说我问一个问题，它就直接结束了，而是说我问了一个问题，它开始制定一些计划，要分几步走，根据这几步，再把它继续拆解。Agent内在地需要调用不一样的工具，不管百度、谷歌搜索也好，用API也好，内部的数据库也好，这些都是我们需要给他提供的工具。使用了工具之后，再根据工具的反馈结果，继续执行后续的工作流，这就是一个AI智能体该有的样子。
赵赫：这里需要注意AI智能体与RPA的区别，后者的执行规则通常来说都是写死的，AI不一样，AI会不断去观察当前的状态。
大模型应用正在哪些保险场景试水？
哪些基础能力要打底？
赵赫 ：在我的认知里，AI在知识搬运级别的任务上完成度比较高，它能取代的是重复性较高的一些白领工作。在保险行业中，典型的就是售后客户服务、审计校对、质检或者是核保，AI可以在外挂知识库的知识及规则补给下完成具体的任务。
但不管哪个细分AI场景要落地，都要确保先达成一些基建级别的能力。
为了提升AI应用开发的效率，最好先选定一个AI Agent框架。像我们Zion一直做前后端一体化的无代码搭建工具，今年又在此之上集成了AI的基建能力，不需要写代码就能创建自己的向量知识库，自由配置大模型，同时支持创建面向最终客户的最终页面；
另外一个非常重要的基建是数据预处理工具——目的是低成本转换出LLM- ready、RAG- ready的干净数据，尤其要让数据变成方便AI检索和消费的知识。
比如在保险的场景里，保司等要解决的问题是让AI去回复跟保险相关的内容，不得不去建立大量的知识库，这里面可能包含了保险的条款、政策，行业新闻的语料，或者是销售培训材料，这些原始文件大都是以PDF、PPT或是HTML网页文件的形态存在的，这样的数据形态，是杂乱、冗余、非结构化的，非常不利于机器理解。
我们目前在做的事情，就是把各种格式的原始文件转化统一的格式，从而让AI能够合理地调用相关信息，提升AI判断、回复或决策的质量，一个典型场景就是核保。目前我们跟新华保险上海分公司合作比较多一点，正在做的是一个服务代理人的核保工具，过往，业务员有问题需要请教核保咨询师，条款上的问题需要劳烦自己师傅，我们现在期待AI可以帮助核保的老师们回复这样繁杂的问题。
客服要建客服场景的知识库，核保要建核保场景的知识库，AI才能表现出相应的业务水准。
打个比方，我们可能在做demo或者POC的时候，里面只放了十个条款、十个病种、十个财险让他去回复，AI可能表现还不错。但如果推到五年，十年以后怎么办？仅仅寿险里面的病种类的条款就已经有5万份了，平均一份PDF三四十页，想象一下这个数据的体量还是很大的。这么多的数据要做召回，如果一开始数据解析做的不合理的话，准确率和召回率都很难保证。
我也了解到，蛮多保司保存的很多90年代的旧保单都还是纸质的，信息化水平非常有限。即便好一点，也都是以图片扫描件的方式保存的。鉴于上一代识别技术主要依赖于OCR，它对印刷文字的识别准确度非常低——像PDF里面的布局信息——比如说上下关系、左右关系，以及各种标题、段落之间的逻辑层级等都是识别不到的。那随着大模型的出现，都会有比较好的解决。
大模型赋能保险销售很受行业关注，
实践上有哪些难点？
赵赫：在中国，销售人群普遍是基于社交关系拓客和维护客户的，他们理所当然认为这是归属个人的宝贵客户资产，他们愿不愿意采用新的工具，很大程度取决于这个工具能不能把他们从重复劳动中解救出来，或者更直接提高挣钱的效率。
另外，做销售赋能不应违背该人群的沟通习惯——换句话说，不要脱离企业微信+微信的场景，像我们自己的用户社群就在逐步引入AI售后的流程，用户在企微群里就能触发AI售后助手，AI结合上下文总结出客户所指的实际问题，通过检索我们的产品知识库直接给出诊断和解决办法，AI判断解决不了的，再可以生成智能工单给到售后的同事。
还有就是认知上的卡点，我接触过很多保险从业人员，他们对大模型的预期非常两极分化，有的过于乐观，以为不需要设计合乎业务的工作流程，塞进数据就可以看着魔法生效了；有的过于悲观——万一大模型幻觉发作了怎么办，其实它跟人类一样，你的员工会不会有一定概率的犯错呢？
AI改造数字化流程中，保司要注意哪些原则？
蒋耀锴：第一，不管任何行业，在应用AI的过程中，都应该先尝试100%地去替代5%的流程，而不是一下子去替代100%的流程，就是说你要控制住这个渗透的比例，技术是始终在升级迭代的，不要一下子步子迈太大，AI技术的成熟是需要时间孕育的。
其次，适合AI做的事情，其实是还是知识搬运和合成级别的事情。目前情况下，让AI操作虚拟的东西（如知识和信息）的成本是远低于让它操控物理世界的，风险也更低。
第三，不要尝试一次性替代所有的人工。比如说历史上发生过自动化生产线代替人工生产线的事情，引入自动化生产线后，你依然会保留质量工人。那么在AI的工作流里面。我们也不完全放弃掉质检工人这种角色，这是在产品设计的时候需要考虑到的事情。
赵赫：我针对保司说说。真心认为保司没必要自己研发大模型，否则一定会入不敷出，可以看到就连我们国内的模型，也是每个阶段动辄几百个亿的投入。况且，保司上一轮数字化基础打的就不好，刚才已经提到有很多数据还停留在纸质上，大量的东西还未上云。而且保司业务系统非常多，数据都散落在各处。那么怎么在AI上面把这些数资产都利用好？重点是需要构建新的流程，这也是需要时间的。
