破解“机器质检”效果差的难题，保险业落地三种基于AI的新实践

为了满足政府监管和企业自身提升服务质量的需求，过去几年，各大保险公司、保险中介机构纷纷部署了机器质检系统、双录质检系统，以期能够及时发现和纠正，销售员与客户沟通过程的不规范之处，降低企业被投诉带来的合规风险。

但保司和保险中介机构渐渐发现，过去部署的机器质检系统效果无法令人满意。其中关键原因有二：

第一，人与人沟通时讲的话是高度个性化的、表达方式是复杂多样，仅仅依靠“关键词和正则”进行穷举的传统机器质检方案，很难识别出真正的句子语义。例如，在质检项“夸大陈述”中，保司发现销售员夸大重疾险保障范围的方式是穷举不完的；在质检项“不当对比”中，保司发现销售员通过将保险与其他同业产品对比，以及与储蓄、基金、股票等金融产品对比来强调产品优势情况也非常多，用规则穷举的效果很差。

第二，保险销售的业务流程、逻辑是复杂的，对销售员的要求非常精细化，传统的机器质检方案，无法对包含复杂场景和精细化要求的质检项进行监督。例如，在质检项“意外医疗告知不严谨”中，需要先筛选出涉及到意外医疗的会话，再监督销售员是否明确告知是意外导致，以及是否明确告知意外医疗适用的保障范围。传统机器质检很难处理这种需要对业务流程规范进行监督的情况。

为了破解这两大难题，一些领先的保司和保险中介机构，率先落地了新的解决方案，通过将基于AI技术的新一代合规质检产品部署到业务流程中，大大提升了质检的效果和效率。具体来看，他们采用了三种新的实践。

实践一：

从“关键词”升级到“一段话的语义”

从工作原理上看，保司和保险中介机构部署的初代机器质检系统，通过将录音和微信语音转写成文本，然后借助“关键词和正则表达式”进行穷举，以查找其中可能涉及违规的会话。

而新一代的AI机器质检方案则与之不同。新方案通过“喂”给机器足够多的违规实例片段和不违规实例片段（即经人工判断属于某项违规或不属于某项违规的对话语句片段，这个过程在AI领域被称为“人工标注”），训练机器算法去“学习”违规对话片段的隐含特征，然后用“训练”出的模型识别更多对话片段的语义，看看是否命中这个“AI语义点”。

质检项可能包含一个“AI语义点”，也可能包含多个“AI语义点”的组合。保险质检项的特点是专业程度很高，例如质检项“现金价值描述违规”由单个AI语义点组成，但其定义需要高度依赖保险专业知识和行业经验，只有仔细检查了超长的上下文对话之后，才能准确得知一段对话是否命中了“现金价值描述违规”。

这也是循环智能（Recurrent AI）在服务多家头部保司的质检项目时，学到的第一条经验：在“质检项”生产过程中的人工标注环节，需要保险企业的人员直接参与进来，与AI质检供应商内部的保险行业专家合作进行生产（标注数据），才能更快提升模型的准确性。第二条重要的经验是，保司和提供新一代AI合规质检解决方案的公司，要花很多精力来对齐质检项的定义，这部分的工作越完善，后续的工作效率就越高。

实践二：

引入自定义字段和复杂流程&逻辑配置

保险销售过程的合规质检，至少包含了两种基本的情况：

第一种，发现销售员“说错话”的情况，例如“夸大陈述”这样的质检项，通常只包含单个AI语义标签（AI语义点、AI语义画像），只要说了就算违规；

第二种，发现销售员不严谨或不规范的地方，例如“产品介绍遗漏”这样的质检项，通常会涉及多个标签（AI语义点或正则语义点），因为先要判断当前对话的场景是否涉及某个长期险或短期险，然后再判断是否讲到了相应保险产品的所有五项或七项特点。

事实上，第二种情况还可能涉及到多种复杂场景，有时候需要引入企业的自定义字段，有时候需要判断对话内容上下文的逻辑，才能判断对话是否存在不严谨或不规范的地方。例如：

1）不同产品的“责任免除”范围是不同的：因此需要引入企业的自定义字段，先判断这通对话是在介绍哪个产品，然后再判断相应的“责任免除”范围是否准确陈述。

2）一些违规项是由多个语义点的逻辑关系组成的：例如，保单递送场景，提及电子保单或纸质保单其中一个都算合规。但是关于“保单生效日”陈述的要求是，必须讲到生效日，同时提到“扣款不成功不生效”，才符合要求。

3）先后顺序：在投保确认前，不允许核对客户的个人信息（信用卡号等）。

循环智能（Recurrent AI）的新一代合规质检系统，支持企业自定义字段，以及复杂多样的质检项场景逻辑配置，对于复杂逻辑质检项的支持更加精细化、更加完善。

实践三：

引入秘密武器“违规值”评分

在服务保险企业的过程中，循环智能（Recurrent AI）团队发现，尽管使用了AI语义点，也使用了多个AI语义点的逻辑关系配置功能，但有一些质检项过于复杂（例如：混淆新老保单），AI语义点加上逻辑关系组合也难一网打尽。

面对这种棘手的情况，循环智能（Recurrent AI）创造了一种新的“违规值”质检方式。这种新方法，并不关心具体哪句话违规了，而是专注计算整个会话违规的可能性。

通过把整个对话（甚至同一个保单对应的多个对话）当成一个整体进行机器学习：在训练阶段，将“违规”的整体对话和“没违规”的整体对话输入算法模型，学习“违规”对话的隐藏特征；在执行阶段，将新的对话输入算法模型，然后计算该对话违规的概率。

根据企业的实际需求，违规值计算又包括两种场景：

• 整个会话命中单个质检项的违规值

• 整个会话命中多个质检项的违规值（例如命中S级质检项组合中的任意一个算违规）

在需要100%人工复检的保险成功单质检场景，如果在算法建模阶段经过了充足的数据训练，那么循环智能（Recurrent AI）的“违规值”排序功能，基本上可以在违规值前60%的会话中找到大部分违规对话，最高节省40%的成功单质检工作量。

在服务保险客户的过程中，循环智能（Recurrent AI）逐渐形成了保险质检的“三级火箭”解决方案：

• 第一级：从字和词级别的关键词+正则方式，到引入句子和段落级别的AI语义点方式；

• 第二级：引入企业自定义字段和逻辑规则判断，实现多个语义点之间复杂的流程&逻辑判断；

• 第三级：计算整通会话违规的可能性高低，通过违规值排序，帮助人工复检员节省工作量。

通过引入和部署经过考验的AI质检技术，保司在质检工作中的效率可以得到数倍提升。

循环智能（Recurrent AI）在银行保险相关领域服务了招商银行、人保财险、招商信诺、太平洋保险、众安保险、360保险、水滴公司和轻松筹等标杆企业，除了新一代合规质检（Compliance）解决方案，循环智能在保险领域还提供精准销售与名单优选（Target）解决方案以及人员产能提升（Expert）解决方案。