未来的保险什么样？8月31日，众安保险数据智能中心总经理孙谷飞在2019年世界人工智能大会上描画了一幅未来新保险场景：

设想在某一天，智能可穿戴设备提示你身体出现了健康隐患，快速计算出可能发生的治疗费用及保险所能覆盖部分，为你预约医院。医院做完检查，在自助付款机器上，你所需要支付费用已直接扣除保险公司垫付外的金额。回到家中，智能家居提醒你健康保单即将满期，并且根据最新身体状况推荐了专项疾病的保险产品和保费情况。

人工智能智能技术不断发展，如今已经渗透至保险业务的各个环节，在提升保险业务运营效率的同时，也极大的改善了用户体验，新保险时代正加速到来。

不过纵观行业，一些基础性问题的存在仍在阻碍着人工智能技术的发展，例如数据基础薄弱，数据安全隐患突出等。针对这些问题，孙谷飞也给出了自己的解决方案，在他看来，保险公司不仅要丰富自身结构化场景数据，更需要加强保险公司间和其他行业的数据交流。数据开放和隐私安全并非悖论，“联邦学习”或能有效根除隐私泄露风险。

众安保险数据智能中心总经理 孙谷飞

AI技术加速渗透保险业各个环节，全面提升运营效率

人工智能发展至今，数据挖掘、自然语言处理、计算机视觉等技术，已经逐渐应用于保险营销、承保、核保、核赔、客服等业务环节。

孙谷飞表示：“AI智能保险服务平台的成功打造，反映出人工智能技术已经渗透到了保险业务全流程，这是一个AI无处不在的新保险时代。”

营销环节，AI可以通过用户画像，帮助公司做“用户圈选”，寻找合适的客户群，也可以帮助做渠道优化，找到合适的渠道做相应的广告。

核保核赔环节，智能核保一改传统人工核保多达数页的医学专业问题，通过简单人机对话，即可完成对客户身体状况判断，并给出精确核保结论。

以健康险为例，众安保险尊享e生的智能核保流程，可以通过智能问卷，在1-2分钟内完成核保评估，为客户提供个性化保障。20%以上过去无法投保的客户都成功获得了百万医疗保障。

而理赔场景中，结合OCR图像识别，众安健康险24小时结案比率高达50%以上，承保及理賠自动化率分別达99%及95%，实现快速理赔材料审核和验证。

客户服务环节，是另一个用户关注的交互场景。互联网保险模式下，用户更倾向于碎片化、定制化、高效化顾问式客服模式。众安保险智能保顾机器人——众安精灵，建立了业内首个保险意图识别模型，识别准确率在94%以上。众安精灵上线一年以来，持续在线9500小时，提供逾2700小时讲解服务，单日服务用户数最高达30万人，在线客服人工智能使用率达到70%，在线服务人力节省61%。

据悉，众安AI智能保险服务平台与众安烟雾病智能诊断与出缺血风险预测项目，在今年世界人工智能创新大赛（AIWIN）514个有效项目中，双双入围年度榜单20强。

当然，对于保险业而言，其核心依然是风险管控。对此，孙谷飞也指出，风控是互联网保险核心工程，众安保险已经建立了一套以AI技术支撑的保险风控体系。

“众安以大数据为基础，利用知识图谱、图像识别等技术提升风控精细化程度和自动化率，实现‘高效率、精细化、真实性’等新保险风控需求。”

其中，所谓构建知识图谱，就是让机器形成认知能力，使AI理解保险。众安知识图谱技术包含1500万+医疗知识图谱记录，通过结构化和精细化数据，加速保险公司数字化进程，实现核保理赔效率提升。知识图谱具备三大技术特点：首先，数据高度结构化。数据一致性提高，天生具备消除歧义的功能；其次，降低数据维护成本。同一套数据体系满足风控、咨询、产品推荐等环节需求；最后，AI智能推理。有效提高风控及其他环节智能化、自动化水平。

例如，针对投保人风控，众安研发了AI结合eKYC(electronic-Know-Your-Customer)应用。通过证件防伪-信息提取-活体识别-人脸比对，在没有人工干预前提下，超过90%真实证件能一次验证成功，有效区别真实身份证件和低仿、高仿、翻拍、纸质证件，提供在线用户身份认证方案。

行业数据基础薄弱拖累AI发展，“联邦学习”或可根除隐私泄露风险

AI技术向保险业各个环节渗透，推动新时代保险加速到来，但遗憾的是，当前，保险行业数据基础依然薄弱，数据安全也依然存在较大隐患。解决数据问题成为AI落地中最重要一环。

据介绍，目前保险行业中数据存在的主要问题，一方面是维度单一。目前为止，积累数据大多都是交易的数据、保单的数据或者是理赔的数据，都是静态数据，缺乏一些场景类的数据。

另一方面，用户交互频次低，且涉及的环节很多，导致整个环节的数据化比较困难，一些积累下来的都是图片或者其他类型需要进一步加工处理的数据。

对此，孙谷飞认为可以用两类方式去解决问题，一方面是内部要丰富自身场景的需求，尽量提高和用户交互频次，同时注重各个环节的数字化和结构化。另一方面是加强保险公司和保险公司之间，以及保险公司和上游场景方的数据交流。

至于数据隐私保护问题，孙谷飞给出的解决方案是“联邦学习”。据介绍，所谓“联邦学习”，是2016年由谷歌提出的一种用来优化安卓输入法的模型。谷歌希望优化安卓手机优化输入法，但是不可能把每一台安卓手机用户输入的文字都进行上传，因为这会严重侵犯隐私，为解决这一问题，谷歌给出的解决方案是在基础端学习本地的模型，把每一个参数上传到“云服务器”，并且在云端进行模型的融合，最后再将优化的结果推送到客户。

“联邦学习”是用来解决不同公司，或者不同群体之间数据共享和联合建模的问题，可以做到数据隔离、数据不出本地的情况下，如何联合在一起训练出更好的模型。

孙谷飞也在世界人工智能大会上呼吁，“保险公司不仅要丰富自身结构化场景数据，更需要加强保险公司间和其他行业的数据交流。数据开放和隐私安全并非悖论，运用联邦学习技术的数据隔离特性和加密机制，能够有效解决不同公司间数据共享和联合建模问题，根除隐私泄露风险。”