律商風(fēng)險受邀參加“大數(shù)據(jù)與人工智能在保險行業(yè)的機遇與挑戰(zhàn)”研討會
近日，律商聯(lián)訊風(fēng)險信息（以下簡稱“律商風(fēng)險”）數(shù)據(jù)科學(xué)負責(zé)人單翔受邀參加 “大數(shù)據(jù)與人工智能在保險行業(yè)的機遇與挑戰(zhàn)”網(wǎng)絡(luò)研討會，并作為圓桌論壇嘉賓發(fā)表講話。該會議由英國精算師協(xié)會（IFoA）與中國精算師協(xié)會(CAA)聯(lián)合主辦，邀請了英國精算師協(xié)會會員和中國精算師協(xié)會會員參加。
單翔作為圓桌論壇嘉賓，從車險領(lǐng)域，與參會嘉賓探討了大數(shù)據(jù)與人工智能對車險行業(yè)的影響，及大數(shù)據(jù)與人工智能應(yīng)用的挑戰(zhàn)和考量。
大數(shù)據(jù)與人工智能對車險行業(yè)的影響
單翔從大數(shù)據(jù)在保險領(lǐng)域的進化流程、人工智能在算法的進化流程及AI在保險4個領(lǐng)域的應(yīng)用價值闡述了大數(shù)據(jù)與人工智能對車險行業(yè)的影響。
首先，大數(shù)據(jù)在保險領(lǐng)域的進化流程。保險業(yè)在大數(shù)據(jù)的影響下正經(jīng)歷深刻變革。大數(shù)據(jù)促使保險業(yè)務(wù)將過去的操作流程數(shù)據(jù)化，以實現(xiàn)信息載體的無紙化。以車輛保險為例，傳統(tǒng)的車輛保險業(yè)務(wù)主要依賴于機械性工藝和簡單的電子元件。然而，隨著技術(shù)的發(fā)展，傳感器和網(wǎng)絡(luò)的普及，保險業(yè)能夠記錄更多的數(shù)據(jù)。例如，車輛的運行數(shù)據(jù)，機油更換、加油記錄以及啟動次數(shù)的電子化信息等，從而更準確地評估車輛的風(fēng)險狀況。
保險業(yè)進入數(shù)據(jù)時代后，標準化數(shù)據(jù)的采集和處理變得至關(guān)重要。數(shù)據(jù)可能來自結(jié)構(gòu)化和非結(jié)構(gòu)化來源，需要進行標準處理并解決數(shù)據(jù)缺失等問題。保險公司逐步建立自己的數(shù)據(jù)庫，但數(shù)據(jù)治理也成為關(guān)鍵，包括前端業(yè)務(wù)錄入信息的準確性、車主信息及投保人信息的真實性等。
隨著技術(shù)的發(fā)展，保險公司不僅擁有承保和理賠數(shù)據(jù)，還開始獲取詢價數(shù)據(jù)，這些數(shù)據(jù)來自不同的業(yè)務(wù)系統(tǒng)，因此數(shù)據(jù)鏈接變得非常重要。保險公司基于傳統(tǒng)數(shù)據(jù)庫建立數(shù)據(jù)倉庫，使用統(tǒng)計分析工具查看數(shù)據(jù)，并進行多維拖拽分析。
此外，隨著設(shè)備算力的增強，如聯(lián)網(wǎng)車輛、智能手機和可穿戴設(shè)備等，保險業(yè)面臨新的數(shù)據(jù)挑戰(zhàn)和機遇。這些設(shè)備產(chǎn)生的數(shù)據(jù)顆粒度更細，數(shù)據(jù)量更大，需要新的數(shù)據(jù)計算和存儲方式。云計算和邊緣計算逐漸成為應(yīng)對這些挑戰(zhàn)的重要技術(shù)。無人駕駛和自動駕駛車輛的數(shù)據(jù)存儲和記錄方式正在發(fā)生變化，這些車輛會并發(fā)出大量數(shù)據(jù)，進行實時存儲，為保險業(yè)帶來了新的數(shù)據(jù)流。
其次，人工智能在算法的進化流程。早期，人工智能算法主要基于傳統(tǒng)統(tǒng)計模型，這些模型可以歸類為有監(jiān)督的機器學(xué)習(xí)。廣義線性模型在90年代的美國得到了廣泛應(yīng)用，特別是在保險定價領(lǐng)域。1943年，McCullock & Pitts提出MP神經(jīng)元模型的概念，模擬人腦的工作方式。1950年，著名的密碼分析學(xué)家艾倫·麥席森·圖靈（Alan Mathison Turing）提出了圖靈測試，作為人工智能是否具備真正智能的標準。60年代，神經(jīng)網(wǎng)絡(luò)的概念得到進一步發(fā)展，但單層感知器（Perceptron）主要解決線性問題，而多層模型缺乏有效的訓(xùn)練算法，導(dǎo)致人工智能經(jīng)歷了第一次寒冬。1986年，Hinton等在《Nature》發(fā)表論文提出基于反向傳播機制的算法，解決了神經(jīng)網(wǎng)絡(luò)的計算問題，使神經(jīng)網(wǎng)絡(luò)再次回到人們的視野。同期，決策樹、分類回歸樹CART等分類算法也被提出。這一階段，網(wǎng)絡(luò)訓(xùn)練依然面臨BP梯度消失和梯度爆炸等難題，二次進入寒冬。2006年，Hinton等提出深度網(wǎng)絡(luò)的訓(xùn)練方法《A Fast Learning Algorithm for Deep Belief Nets》，通過逐層預(yù)訓(xùn)練和微調(diào)的方法，解決了多層神經(jīng)網(wǎng)絡(luò)難以訓(xùn)練的問題。2012年，Alex、Ilya和Hinton在AlexNet圖像識別競賽中，基于CNN網(wǎng)絡(luò)使用GPU求解深度學(xué)習(xí)模型，比賽取得了巨大成功，引領(lǐng)了深度學(xué)習(xí)的高潮。阿爾法狗（AlphaGo）在圍棋比賽中擊敗人類，展示了強化學(xué)習(xí)的強大能力。2014年，生成對抗網(wǎng)絡(luò)被提出，用于生成各種圖像和產(chǎn)品，生成式AI興起。
目前，人工智能算法已經(jīng)廣泛應(yīng)用于各個領(lǐng)域，包括圖像識別、語音識別、自然語言處理等。隨機森林、神經(jīng)網(wǎng)絡(luò)等算法在保險定價、實時報價等領(lǐng)域發(fā)揮著重要作用。生成對抗網(wǎng)絡(luò)等新技術(shù)也在不斷發(fā)展，為人工智能的應(yīng)用提供了更多可能性。
最后，AI在保險4個領(lǐng)域的應(yīng)用價值。機器學(xué)習(xí)在保險行業(yè)的應(yīng)用涵蓋了定價、核保、核賠、反欺詐和前端客服等多個方面，為提高保險行業(yè)的效率和準確性提供了新的解決方案。
定價方面，傳統(tǒng)精算定價首先關(guān)注的是定價問題,這一目標仍然沒有變。使用機器學(xué)習(xí)算法進行定價，以更全面地考慮包括大量外部因素在內(nèi)的各種變量，解決模型泄露問題（Model Leakage）。核保方面，機器學(xué)習(xí)在保險行業(yè)的另一個重要應(yīng)用是核保。國內(nèi)保險公司已經(jīng)通過讓代理人或客戶填寫保單信息來提高效率。自動核賠方面，通過特定的技術(shù)，如OOV（Out-Of-Vocabulary）對傳遞的單據(jù)和證明進行判定和執(zhí)行。保險公司已經(jīng)提供了理算公式，并經(jīng)過提煉和處理，以更準確地計算損失。反欺詐方面，也是機器學(xué)習(xí)應(yīng)用的一個重要方向。同時，聲紋識別也被用于識別報案人身份，以避免欺詐行為。此外，機器學(xué)習(xí)還在前端客服方面發(fā)揮重要作用。聊天機器人可以實現(xiàn)智能客服和智能語音等功能，提高客戶服務(wù)的質(zhì)量和效率。
“關(guān)于機器學(xué)習(xí)技術(shù)在保險業(yè)中的應(yīng)用，以律商風(fēng)險在美國市場的車輛核保場景為例，通過拍照比對承保前后的車輛瑕疵情況，可以迅速判斷車輛是否遭受損失，從而有效控制核保風(fēng)險，并優(yōu)化理賠流程?！?/strong> 單翔在研討會上表示，盡管這些創(chuàng)新應(yīng)用在保險行業(yè)中展現(xiàn)出巨大的潛力，但仍面臨一些挑戰(zhàn)。首先，數(shù)據(jù)庫和數(shù)據(jù)方式以及系統(tǒng)的轉(zhuǎn)換問題成為制約技術(shù)應(yīng)用的關(guān)鍵因素。保險公司需要克服數(shù)據(jù)存儲和成本等方面的難題，實現(xiàn)系統(tǒng)的升級和轉(zhuǎn)換。其次，監(jiān)管因素的影響也不容忽視。在歐洲等地，監(jiān)管要求可能更加嚴格，保險公司需要密切關(guān)注監(jiān)管政策的變化，確保技術(shù)應(yīng)用符合相關(guān)法規(guī)要求。此外，人員短缺和文化方面的障礙也是保險公司面臨的重要問題。缺乏既懂保險又懂技術(shù)的復(fù)合型人才，以及員工對新技術(shù)應(yīng)用的抵觸情緒，都阻礙了保險行業(yè)的數(shù)字化轉(zhuǎn)型進程。
據(jù)統(tǒng)計，目前仍有70%的保險公司認為自己在機器學(xué)習(xí)應(yīng)用方面存在欠缺，而僅有30%的保險公司正在嘗試開發(fā)相關(guān)應(yīng)用。因此，保險公司需要加強頂層設(shè)計，實現(xiàn)一體化推進，同時注重培養(yǎng)具備跨學(xué)科知識的復(fù)合型人才，以推動保險行業(yè)的數(shù)字化轉(zhuǎn)型和創(chuàng)新發(fā)展。
大數(shù)據(jù)與人工智能應(yīng)用的挑戰(zhàn)和考量
單翔在研討會上表示，隨著大數(shù)據(jù)時代的到來，數(shù)據(jù)安全成為了各行各業(yè)不可忽視的重要議題。在建模過程中，如何確保數(shù)據(jù)的安全性和多樣性，同時關(guān)聯(lián)數(shù)據(jù)以支持業(yè)務(wù)決策，成為了技術(shù)領(lǐng)域的核心挑戰(zhàn)。特別是在調(diào)用接口時，涉及車輛信息、個人身份證等敏感信息的加密處理，以及查詢字段的安全保障，都需要嚴謹?shù)募夹g(shù)手段來確保數(shù)據(jù)安全。
針對這一挑戰(zhàn)，聯(lián)邦學(xué)習(xí)作為一種新興的技術(shù)解決方案，正在逐漸受到業(yè)界的關(guān)注。該技術(shù)通過優(yōu)化中央處理器和本地模型，實現(xiàn)數(shù)據(jù)在不出域的情況下進行模型迭代和優(yōu)化。以谷歌提出的聯(lián)邦學(xué)習(xí)概念為例，該技術(shù)通過不斷縮小模型優(yōu)化的梯度偏差，最終收斂到準確的預(yù)測結(jié)果，從而在保證數(shù)據(jù)安全的前提下，實現(xiàn)模型的高效迭代和優(yōu)化。
與此同時，在精算科學(xué)領(lǐng)域，大數(shù)據(jù)和機器學(xué)習(xí)技術(shù)的應(yīng)用也為定價工作帶來了新的變革。以保險行業(yè)為例，盡管定價目標一直未變，即獲取更加公平的費率并將分類費率做得更加精準，但大數(shù)據(jù)和機器學(xué)習(xí)技術(shù)的引入，使得這一目標更加容易實現(xiàn)。通過收集和分析更多的數(shù)據(jù)行數(shù)和特征，以及利用機器學(xué)習(xí)算法自動尋找變量之間的交互關(guān)系，保險公司可以更加準確地評估風(fēng)險，從而制定出更加合理的費率。
然而，在享受大數(shù)據(jù)和機器學(xué)習(xí)技術(shù)帶來的好處的同時，也需要警惕其可能帶來的風(fēng)險。首先，數(shù)據(jù)質(zhì)量的問題不容忽視，數(shù)據(jù)偏見和歧視可能導(dǎo)致不公平的決策結(jié)果。其次，模型的全局最優(yōu)解難以確定，需要謹慎選擇和優(yōu)化模型參數(shù)。此外，還需要關(guān)注模型結(jié)果的可解釋性和透明度，以及建立人工監(jiān)督和干預(yù)責(zé)任制度，以確保模型的公正性和準確性。
在數(shù)據(jù)安全方面，業(yè)界也提出了一系列原則來指導(dǎo)實踐。這些原則包括考慮模型或解決方案對人們產(chǎn)生的實際影響、采取主動行為防止偏見產(chǎn)生、確保模型透明且可解釋、建立人工監(jiān)督和干預(yù)責(zé)任制度以及尊重隱私并倡導(dǎo)正義。這些原則的實施將有助于在大數(shù)據(jù)和機器學(xué)習(xí)技術(shù)的推動下，實現(xiàn)數(shù)據(jù)安全與業(yè)務(wù)發(fā)展的雙贏。
在研討會的最后，單翔表示，作為精算師，我們需要積極擁抱新技術(shù)，將其轉(zhuǎn)化為實際工作中的生產(chǎn)力。利用這些新技術(shù)進行更高效的數(shù)據(jù)分析和預(yù)測，提高定價和準備金等方面的準確性，為保險行業(yè)的發(fā)展貢獻力量。
