保險業已進入“保險銷售可回溯時代”。在新格局下，保險機構如何在在線銷售中更有效，更合規，更快地實現數字化轉型?這是每個保險機構面臨的挑戰。從追溯實體的角度來看，保險公司和保險中介機構都在新法規的范圍之內，而保險機構通過在固定地點設立的自助終端銷售保險產品的過程也在回顧范圍之內。從追溯保險類型的角度來看，只要被保險人是自然人的商業保險產品在自營在線平臺上銷售，就必須實施對互聯網保險銷售行為的追溯管理，個人健康稅收優惠除外。保險和延期繳納的個人養老保險產品。銀保監會有關負責人表示，個別投保人對保險產品的了解和水平不均，容易受到非法銷售的影響。與個人相比，集團和公司的保單持有人具有更高的風險識別和信息收集能力，因此不屬于追溯管理范圍。

近幾年,為保護消費者權益,政府監管部門對于保險銷售過程的規范化提出了明確要求:2017年,保監會發布《保險銷售行為可回溯管理暫行辦法》,要求保險公司、保險中介機構通過錄音錄像等技術手段記錄和保存保險銷售過程關鍵環節。2020年,互聯網保險業務快速增長,銀保監會進一步發布了《關于規范互聯網保險銷售行為可回溯管理的通知》,要求互聯網保險銷售行為可回溯,記錄和保存銷售頁面以及銷售過程。

對于保險公司和保險中介機構而言,除了記錄和保存保險銷售過程的數據,還需要不斷探索更有效的質檢方式,及時發現和糾正銷售溝通過程的不規范之處,降低企業被投訴帶來的合規風險。

保險銷售的過程,往往離不開銷售員與客戶的溝通過程。根據渠道和銷售場景不同,保險線上銷售場景產生的溝通記錄,主要包括電話錄音、在線IM文本和企業微信會話等;線下銷售場景則包括代理人、經紀人以及銀行網點代理銷售保險的錄音和錄像等。

從“關鍵詞”到“一段話語義”

企業最基礎的質檢方式是人工抽檢,質檢員選取很少一部分的電話錄音、文本會話等文件進行檢查。但人工抽檢的效率很低,無法完成全量覆蓋。因此,保險企業部署了初代的機器質檢系統,通過將錄音和微信語音轉寫成“文本”,然后借助“關鍵詞和正則表達式”查找其中可能涉及違規的會話。

不過,保險企業很快又發現,僅僅依靠“關鍵詞和正則表達式”進行窮舉的方式,應付不了“人與人溝通時個性化的、復雜多樣的表達以及難以捉摸的對話邏輯”。例如,在質檢項“夸大陳述”中,保司發現銷售員夸大重疾險保障范圍的方式是窮舉不完的。

于是,新一代的AI機器質檢應運而生。通過“喂”給機器足夠多的違規實例和不違規實例(即經人工判斷屬于某項違規或不屬于某項違規的對話語句,這個過程在AI領域被稱為“人工標注”),訓練機器算法去學違規對話的隱含特征,然后用“訓練”出的模型識別更多句子和段落的語義,看看是否命中這條違規項。

不過,對于保險業務而言。很多時候,關鍵質檢項的定義和違規判斷非常依賴專業知識和行業經驗。這就意味著:1)保險企業和提供AI質檢解決方案的公司,要花很多精力來對齊質檢項的定義;2)在生產AI質檢項過程中的人工標注環節,需要保險企業的人員參與進來,與AI質檢供應商內部的保險行業專家合作進行生產,以提升模型的準確性。

這也是循環智能(Recurrent AI)在服務多家頭部保司的質檢項目時,學到的前兩條經驗。

保險銷售過程的合規質檢,至少包含了兩種基本的情況:第一種,發現銷售員“說錯話”的情況,例如“夸大陳述”這樣的質檢項,通常只包含單個AI語義標簽(AI語義點、AI語義畫像),只要說了就算違規;第二種,發現銷售員不嚴謹或不規范的地方,例如“意外醫療的保障范圍未介紹完整”這樣的質檢項,通常會涉及多個標簽(AI語義點或正則語義點),因為先要判斷當前對話的場景是否涉及“意外醫療”,然后再判斷是否講到了所有保障范圍。

事實上,第二種情況還可能涉及到多種復雜場景,有時候需要引入企業的自定義字段,有時候需要判斷對話內容質檢的邏輯規則,才能判斷對話是否存在不嚴謹或不規范的地方。例如:有些話只在特定的場景才算違規(比如同樣的話,用在介紹A產品時不違規,但介紹B產品時違規),場景判斷的前置條件,需要引入企業的自定義字段——這通對話是在介紹A產品還是B產品;邏輯規則“與或非”:很多關鍵違規項是由多個語義點的邏輯關系組成的,有時候A和B都說了算違規,有時候A或B只說了一個就算違規;先后順序:先說A再說B算違規,先說B再說A就算違規;次數:說一次兩次不算違規,說三次就算違規。

循環智能(Recurrent AI)的智能質檢系統,支持企業自定義字段,以及復雜多樣的質檢項場景邏輯設置,對于復雜邏輯質檢項的支持更加完善。

引入AI秘密武器“違規值”評分

在服務保險企業的過程中,循環智能(Recurrent AI)團隊發現,盡管使用了AI語義點,也使用了邏輯關系判斷功能,但有一些質檢項過于復雜(例如:混淆新老保單),AI語義點加上邏輯關系判斷也難一網打盡。

面對這種棘手的情況,循環智能(Recurrent AI)創造了一種新的“違規值”質檢方式。這種新方法,并不關心具體哪句話違規了,而是專注計算整個會話違規的可能性。通過把整個對話(甚至同一個保單對應的多個對話)當成一個整體進行機器學:在訓練階段,將“違規”的整體對話和“沒違規”的整體對話輸入算法模型,學“違規”對話的隱藏特征;在執行階段,將新的對話輸入算法模型,然后計算該對話違規的概率。

根據企業的實際需求,違規值計算又包括兩種場景:整個會話命中單個質檢項的違規值;整個會話命中多個質檢項的違規值(例如命中S級所有質檢項組合中的任意一個算違規)。

在需要100%人工復檢的保險成功單質檢場景,循環智能(Recurrent AI)的“違規值”排序功能,如果在算法建模階段經過了充足的數據訓練,那么基本上可以在違規值前60%的會話中找到絕大部分違規對話,最高節省40%的成功單質檢工作量。

保險質檢的AI三級火箭

在服務保險客戶的過程中,循環智能形成的保險質檢的“三級火箭”解決方案:第一級:從字和詞級別的關鍵詞+正則方式,到引入句子和段落級別的AI語義點方式;第二級:引入企業自定義字段和邏輯規則判斷,實現多個語義點之間復雜的場景、邏輯判斷;第三級:計算整通會話違規的可能性高低,通過違規值排序,幫助人工復檢員節省工作量。

為什么會需要“三級火箭”?首先,因為保險銷售過程,往往離不開溝通釋疑的過程。而人與人的溝通的過程,用語非常靈活,每個人都有自己的特色,肯定不會像書面用語一樣規范。所以關鍵詞方式在很多情況下已經不夠用,需要引入句子和段落級別的AI語義點模型。

其次,因為保險銷售員對保險產品的介紹和權益的解答,需要更加嚴謹,但是判斷講解是否到位,需要結合具體的產品,也需要結合邏輯和場景(有時候違規是因為漏說了該說的東西,而不是因為說錯了)。

最后,因為保險的質檢項中存在一些“疑難雜項”,引入違規值排序這種全新的方式,可以進一步減少漏網之魚的數量。

通過引入和部署經過考驗的AI質檢技術,保險企業在質檢工作中的效率可以得到數倍提升。循環智能(Recurrent AI)在銀行保險領域服務了招商銀行、人保財險、招商信諾、眾安保險、水滴公司和輕松籌等標桿企業,除了新一代合規質檢(Compliance)解決方案,這家公司在保險領域還提供意向名單優選(Target)解決方案以及人員產能提升(Expert)解決方案。

2021年4月,循環智能與HUAWEI云聯合發布了首個千億中文語言大模型“盤古”,刷新中文語言評測榜單CLUE三項記錄,并入選CB Insights 年度“AI 100全球榜單”。2019～2020年,循環智能連續兩年入選《機器之心》年度“最具產業價值”榜單。

去年以來，受疫情影響，保險業的數字化轉型已成為大勢所趨。此外，國家發改委還同時向行業發布了數字化轉型合作伙伴倡議，呼吁國內領先的科技公司成為協助中小型和微型數字化轉型的合作伙伴，以加速數字企業的創建。在政策不斷增長的同時，如何有效地并行推動創新和合規也成為關注的焦點。實際上，客戶投訴的突出問題也是加強可追溯性管理的重要背景。結合當前保險向深水區的數字化轉型，只有進一步深化保險技術的應用，行業才能實現創新的穩步發展。

關鍵詞： 科技公司 數字化轉型 數字化 轉型