2020年保险业中的机器智能：推动端对端企业变革的洞察

保险业中的机器智能：推动端对端企业变革的洞察 01 摘要02 主要观点03 机器智能：建立共识07 机器智能系统的实施13 保险业中的机器智能19 推进企业级机器智能 的部署27 结论2020年第5期瑞士再保险 sigma2020年第5期1摘要机器智能有望显著提升营收，并大幅节省成本。在保险价值链的某些环节，常规MI方法已经成为标准技术，它们可能被更先进的技术所取代。但是，部署企业规模的MI赋能系统依然是个难题。数据质量和数据管护方面的问题，正促使人们关心MI潜在的新应用领域。重要的不只是模型，有一系列问题会影响在企业规模上推行MI赋能系统的成败。机器智能(MI)已深入应用于多个行业。该技术有望显著提升营收，并大幅节省成本。就保险业而言，主要依托机器学习(ML)技术的MI已在客户分析和理赔理等领域产生回报，行业将因此获益匪浅。比如，MI可帮助保险公司更高效处理来自合同、文件、电邮及其他在线通讯工具的文本，并分析数字经济中产生的，以及物联网设备积累的海量数据集。保险公司可使用上述信息，更好地设计、定价和分销保障产品，并将服务扩大至新市场。常规MI方法(如广义线性模型)已成为保险业中开展风险评估，建立预测模型的标准工具。然而，这些工具一般只能通过零散方式，在狭小范围内改善生产效率。增加对数据工程技术的投资可以实现企业规模的变革收益。重视数据工程也是在企业范围内实现更先进ML和人工智能(AI)潜力的必要条件。较早采纳上述做法的保险公司正获得某些方面的积极成果，例如：更快的索赔结算速度；更精准的交叉和升级销售；更高的风险管理评分。算法正变得更容易使用、成本更低廉，执行MI任务所必需的底层技术也随之不断发展。因此我们预计，目前利用常规MI便可盈利的某些流程很可能被新的ML和AI方法所取代，从而开启新的增长轨迹。然而除了上述进步之外，保险业部署企业规模的MI赋能系统依然任重道远。我们对调查数据的粗略分析发现，在所有行业中，仅不足10% 的公司成功扩大MI试点的规模，将其推广到多个流程。主要原因包括数据可得性和数据质量，许多ML和AI方法需要大量优质数据以训练算法。即便是常规MI也受制于数据质量。如今，在许多相关领域，MI需要处理不完整、不完善、不及时的数据集。这进一步证实了数据工程技术的重要性。事实证明，如果缺乏相关功能，模型/算法的表现将比原先的人工流程更缓慢，成本更高。如果部署得当，模型/算法可以实现显著的投资回报，但目前为止，它们尚未准备就绪，无法在企业规模上推广。新冠疫情迫使消费者和企业更多使用数字技术。因此，人们必须加快采纳更数字化的业务模式，这进一步证实变革性MI的价值。近年来，数据质量和数据管护方面的问题促使人们开发新方法，如强化学习和集成建模。例如，人们综合利用物理学和机器学习提供的知识及因果推论方法，在此基础上开发了所谓“混合模型/算法”。此类模型/算法较少受数据质量和算力不足的影响。以上述两个领域为例，谋求解决特定的模型表现和可阐释性问题的创新研究可产生相关解决方案，并有望成为保险业未来新的MI应用组成部分。总之，人们一般是根据模型/算法的小规模概念验证试点，来评估MI的可行性，但这还不够，人们需要采取更全面的观点，因为在更多情况下，部署失败可归咎于组织约束而非模型问题。评估新流程的标准应综合反映直接(开发和运行)与间接(组织和机会)收益及成本。虽然首席数据官和首席科学家已成为保险公司的常见职位，但整个公司的数据战略不成熟及相关技术不完善，妨碍了上述职位发挥成效。系统设计、部署计划和成功标准应着眼于业务工作流的现状、决策支持及企业生产效率。同时，还需要考虑保险业中技术相关创新面临的监管风险，尤其是数据私密性和使用方面的风险。重要的是，MI项目还需要各部门之间开展清晰易懂的沟通，以获得高层管理者的支持和资助。瑞士再保险 sigma2020年第5期2主要观点 术语 说明 算法 一组可由计算机执行的指令。 机器智能 常规曲线拟合 机器学习人工智能 监督学习 无监督学习 聚类和关联 强化学习 集成学习 综合使用多种算法，实现比使用单一算法更优的预测表现。 数据工程 数据工程是指收集、管护、储存和改造数据以用于分析的流程。 深度学习 机器学习的分支，使用多处理层计算模型，针对具有不同抽象级别的数据源进行学习。 假阳性 预测错误地表示存在特定状况或属性。 假阴性 预测错误地表示不存在特定状况或属性。 基于物理的ML 这种机器学习依据物理系统知识的有效科学理论建立模型(如流体动力学模型)，并将其融入ML算法/流程，使得模 型具备比约束较弱的ML模型(如监督或无监督学习)更严格的结构。这种混合方法往往更容易阐释和诊断。 生成对抗网络 生成对抗网络(GAN)的数据包含学习模式，以便于模型生成新的例子，这些例子似乎足够可信，可归属于原始数据 集。随后，可以让原始数据与生成数据在竞争性神经网络中相互对抗，以开发出更优模型。 因果推论 ML中的因果推论是指以更结构化方式开展控制和预测的方法。为此，需要建立相关能力，识别影响结果的实际因 素，这些因素使得ML流程更能耐受环境变化，比如：试图理清肥胖的前因后果，以区分不同人群的可控条件；分 析哪些设计选择会增加网站的点击量。资料来源：瑞再研究院使得机器(如计算机)能够应用数据和信息解决问题的一组程序和流程。一种基本形式的MI(如广义线性模型)。它们依赖假设理解变量之间的相互关系，目标是创建最佳拟合曲线，以反映数据点的关系。常规曲线拟合也能捕捉某些类型的非线性关系。从数据中学习，分析变量之间相互关联的更复杂非线性关系的算法，常用于分类、回归和模式识别。AI为自适应方式运用认知 提供便利，其范畴超过ML。利用这些算法，机器能够灵活地储存和应用学到的知识，包括应用于原先未意料的场景。使用标签数据(即已附带正确答案的数据)训练机器。这些标签数据担当监督者。机器通过该样本中推断关系，并利用这些关系摹画新的例子。无法获得标签数据 时，则使用无监督学习。由于没有教导者来训练机器，机器必须自行发现标签数据中隐藏的结构。用于聚类和关联。聚类算法谋求发现数据中的内在分组，比如按购买行为将投保人分组。关联问题是指以下情形：保险公司试图发现数据的描述规则。比如：购买X 保险的投保人通常也购买 Y 保险。面向目标的算法(代理)回答以下问题：如何对其进行优化？例如，如何优化营销投资以获取最大投资回报？通过与环境互动学习。瑞士再保险 sigma2020年第5期3MI涵盖使用数据，帮助机器解决问题的程序和流程。ML和某些类型的AI以更复杂的分析方法处理数据。较新型ML仍处于早期发展阶段。机器智能：建立共识信息和数据处理机器智能(MI)经常被用作人工智能(AI)的代名词。对于后者，人们的理解通常各不相同，并且/或者模糊不清。在本报告中，为了建立统一的参照认知并便于公众讨论，我们将MI定义为使得机器(最常见的是计算机)能够运用数据和信息解决问题的一组程序和流程。在大多数情况下，MI赋能的流程需要人工干预才能有效运行。我们认为，MI的总括定义包含以下子类：常规曲线拟合、ML和AI可以相互独立，亦可彼此依赖。如图 1 所示，AI通常会同时包容ML和常规曲线拟合方法。ML领域已广泛采纳监督