1
| 本文作者： 周蕾 | 2019-07-23 15:23 | 专题：CCF-GAIR 2019 |
雷锋网按：7月12日-7月14日，2019第四届全球人工智能与机器人峰会（CCF-GAIR 2019）于深圳正式召开。峰会由中国计算机学会（CCF）主办，雷锋网、香港中文大学（深圳）承办，深圳市人工智能与机器人研究院协办，得到了深圳市政府的大力指导，是国内人工智能和机器人学术界、工业界及投资界三大领域的顶级交流博览盛会，旨在打造国内人工智能领域极具实力的跨界交流合作平台。
AI在保险行业会如何落地？平安寿险总部人工智能研发团队总经理沈剑平在「AI金融专场」上表示，目前AI和寿险业务结合，已经在代理人面试、培训、销售支持、客户服务、保险顾问、营销等环节落地应用，囊括深度学习、自然语言处理、知识图谱、计算机视觉等多项技术。
会上，沈剑平以“AI技术在保险领域的应用实践”为题带来演讲分享。以下为主题演讲内容全文，雷锋网做了不改变原意的编辑与整理。
AI技术在保险领域的应用实践
随着大数据、云计算、人工智能高速发展，科技在保险行业的应用越来越广泛，寿险行业如何充分运用人工智能等前沿技术，以寻求高质量的发展模式显得非常关键。
为实现“科技赋能保险”，平安寿险在人工智能领域，重点布局深度学习、自然语言处理、知识图谱、智能推荐、计算机视觉等前沿技术，全面赋能销售、服务、管理三大领域。下面我将结合寿险业务场景，从应用层面以及应用背后的技术，特别是这些技术有哪些特点，给大家做分享。
平安寿险拥有140多万代理人，针对招聘环节会出现面试量大、人力投入多、筛选困难等等痛点，我们自主研发了业界首个大规模应用的面试机器人「AI面试官」，实现了面试过程标准、专业及可控。我们希望达到的目标是，面试机器人可以给到用户拟人化、情感化的面试体验，就像真人面试官一样。
面试开始前，通过人脸识别、语音识别对用户进行身份验证；通过识别后，用户就可以进入系统开始面试了。面试过程中，用户与AI面试官全流程语音交互，就像真人面试一样进行对答。
为了让AI面试官可以围绕候选人回答进行回应和提问，我们打造了一个面向面试场景的特殊对话系统，重点运用FAQ问答、多轮对话、智能提问等技术，还结合拟人化面试交互需求，创新性的研发了智能短回应技术。这些工作带来的效果是：比如AI面试官问候选人“你怎么过来的？”，他回答说“跑过来的”。那AI面试官可能会回应“那过来路上挺累的”，过渡一下才进入下一个问题，这样的交谈对话就比较自然。
除了拟人化的交互过程，AI面试官最终会根据候选人的面试表现，生成智能化结果评价，从不同维度评价候选人的业务能力，检验是否符合招聘需求。
代理人经过招聘进入公司后，就需要通过个性化、全方位、多维度的培训提高专业服务技能，平安寿险打造了“远程培训+线上学习”的培训机制。
以远程培训场景为例，通常是培训老师在这间教室做演讲，但培训学员在另一间教室。我们运用N:N人脸识别、微表情识别等图像技术，让老师实时了解课堂情况，从而优化课程互动与监督、提升培训效果。另外，课件质量也非常关键，我们也在通过AI视频合成技术把课件做得更丰富、更具互动性。
在线上学习方面，我们运用智能推荐技术，结合代理人能力长短板，实现了千人千面配课，让代理人可以进行个性化学习，提高效率。
除了线下、线上的学习，还需要考试评价环节来判断学员对知识的掌握程度。传统做法是老师与学员一对一训练，但这样人力成本很高。因此，我们研发了「AI陪练机器人」，不仅可以给代理人做智能考试及评分，还可以模拟实际业务场景扮演客户角色与代理人进行语音演练。
销售支持方面，我们上线了“代理人AskBob”，是代理人的个人销售助理机器人，可以协助代理人给客户提供更专业的服务。
代理人ASKBOB的一个重要功能是知识助理，当代理人需要了解保险知识、保险产品信息时，通过智能问答、知识聚合等技术，知识助理可以高效、便捷地解决代理人疑问。此外，“代理人AskBob”还可以结合不同的客户情况，给代理人提供针对性的专业保险销售方案建议，帮助代理人为客户提供最优保险方案。
前面提到保险行业的招聘、培训和销售环节，都有个很重要的特点：场景偏线下，数据有限。刚才杨强教授也提到，金融行业很重要的特点之一是有些场景下样本比较少。针对这一特点，我们也进行了很多探索。
少量样本下的文本去噪
在语音交互场景下，用户的语音输入可能比较随意、口语化，比如一句话里面包括多个意图，也可能是表达很长一段话，有用信息只有一小段。
以任务型机器人为例，任务型机器人既可以办理业务，也可以回复问题咨询。问题咨询虽然有标准库，但标准库难以海量扩展。而且实际情况很可能是，用户输入大段对话，在提炼之后只是一个小问题点。另外，寒暄其实也是难点之一，如果要解决长文本生成长文本的对话，进行数据标注的工作量非常大。通过对话生成模型处理这么长的文本，生成另外一个回复或者短回复，可行性比较低。
所以文本去噪，就很有意义，其中比较有效的，是我们通过强化学习来做这个事情。如这个简化的网络图，总结来说，即先对长文本进行text representation，然后通过策略网络来判断，用户输入大段文本里面，哪一句话应该保留，把不应该保留的删除，剩下的就是应该保留的。
我们还做了辅助判断网络用来判断保留下来的文本是否是好的。辅助判断网络可结合不同的任务有不同的定义，在该例子中，辅助判断网络是用来做文本分类，用于保全业务：加保、退保分类等等。该分类器的训练数据比较容易找且任务简单，可以快速得到分类器。策略网络根据分类结果反馈，就可以进一步更新模型，从而在少量的样本下实现去噪问题。
刚才提到AI面试机器人中不同问题有不同回答，不同回答要有不同反馈。当问题很多、反馈很多的时候，有成千上万的意图，且意图还会随着产品的迭代不断增加，不可能每个都做大量的标注数据，那么就需要做小样本的算法。我们开发了一个效果样本库，建立了一套标准化框架：“检索à排序à分类”的小样本意图分类算法框架。
主要特点是将语义和文本的检索结合起来。然后在排序方面，我们结合了预训练匹配模型和bert-rank模型、并基于最大间隔的学习排序策略让相关和无关意图充分区隔开，最终得到的排序结果，再引入attention方法进行分类。这样只需要小部分样本也可以实现比较高的识别准确率。整套标准化框架将分类算法与排序算法相结合，实现在少量样本情况下的精准意图分类。
数据扩展方面，我们也做了技术攻关。比如文本，使用大规模的中英翻译语料训练双向神经网络翻译模型，这种双向模型既可共享参数，也可以不共享参数，两种我们都尝试。在人工翻译里，对于同一个词不同的人有不同译法，我们很好的利用了这个特性。在应用中我们发现，经过该模型构造问答物料时，可以扩展很多相似问。
图像也是类似的，像刚才提到的培训场景，里面运用了N:N人脸识别考勤。但实际问题可能是，现场很多人是侧脸或趴着的，在这种情况下，系统怎么识别他本人？这时候最好有大量的非正脸训练样本，但人工标注成本高，我们采用正脸样本和标准模型相融合，通过生成非正脸样本的方式，可以比较好解决问题。
在客户服务上，我们主要做两部分：一是打造智能的客户服务产品，二是综合运用AI技术辅助在线客户经营。
有别于传统的智能客服，我们希望我们的“智能客服”可以全方位满足客户售前、售中、售后需求，除了基本服务咨询功能外，还可以提供复杂保险业务办理等功能，并作为客户专业的保险顾问、智能的生活助理。因此我们升级了我们的智能客服，打造了一个客户智能金融助理-金管家AskBOB，涵盖了专业的智能保险顾问，贴心智能客服，以及智能的生活助理。其中，在智能客服方面，我们把任务型、闲聊型、FAQ、知识图谱问答、信息查询等技术有效交叉融合实现复杂的客户保险业务服务需求，特别是目前可以通过人机交互直接办理复杂保险业务，支持超过120种组合状态的复杂交互。比如保单贷款，这种业务的复杂程度很高。现在智能客服可以做到什么程度呢？客户从不知道什么是保单贷款，到了解哪些保单可以做贷款，到最终完成贷款办理，全流程都可以根据智能客服指引完成。
智能客服上线后，通过人机交互在线办业务，办理时长从原来的3天到现在最快1分钟搞定。
在线上运营方面，大家如果打开平安金管家APP，会发现上面绝大部分模块已经实现千人千面。智能推荐系统相信很多人很熟悉，而我们的特点是：1、在信息比较稀疏的情况下，刻画客户兴趣图谱。2、面向不同推荐场景，背后打造了一个统一的推荐平台，做多场景互动的全局推荐技术。
服务场景下的对话也很特殊。比如寒喧，它不是没有意义的，机器人是要往保险服务方向引导。做对话引导的方式有很多。比如我们做的基于知识驱动的对话，通过知识图谱并结合前文，来预测下文需要什么知识和主题状态。然后将知识、主题状态和上文输入到end2end模型里面最终得到引导回复。
举个例子，客户提到“自驾游”，系统可以自动关联到“自驾游”相关的知识，并结合上下文知识，当前客户有保险需求的状态，因此我们会给他生成具有“百万任我行”保险产品的回复来满足他对出行的保险需求建议。但人与人的对话，通常是先回复过渡再提出新的话题中心，前面例子中直接推荐产品比较生硬，为了不影响客户体验，我们通过添加属性控制，捕捉属性特征，从而生成更顺畅的智能短回应文本作为回复过渡。所以机器人在回应客户时，可能会说“去旅游放松心情挺好的”然后再推荐保险产品，完成从“开放闲聊”到“产品推荐”的自然过渡。
要更高效高质的支持业务需求，我们通过深耕寿险业务智能应用，打造了一系列结合寿险业务特点的技术平台。比如，我们打造了高效、灵活的一站式寿险人机交互应用平台。
人机交互应用平台是由对话引擎驱动的，我们主要实现了整个流程的可配置化，并且每个功能点都可以做单独的机器人，同时实现了功能引擎化、服务独立化、引擎框架化。框架化的好处是可以让算法工程师快速结合业务需求进行迭代。其次是建立智能知识中心，尤其在小样本场景下，知识驱动AI是很重要的研究方向。
此外，我们还做了一系列平台支撑，主要包括智能营销平台、图像分析应用平台以及深度学习应用平台等。
刚才介绍了一系列寿险AI应用和技术创新，这些其实是有一支人工智能队伍在背后作为支撑。我们的团队主要专注人工智能技术的研究，以及结合寿险场景的应用落地。未来，期待和大家交流人工智能这个有意思的技术，探讨在复杂业务场景下的技术攻关，谢谢。
雷锋网雷锋网雷锋网
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
专题
