Пресса о страховании, страховых компаниях и страховом рынке

Хабр, 3 ноября 2024 г.

Китайская революция страхования: как автоматизируется с помощью ИИ?

249 просмотров

Страховые компании активно внедряют крупные языковые модели (LLM) для повышения эффективности и персонализации. Это включает как общие задачи (анализ данных, автоматизация), так и специализированные — интерактивное обучение агентов, улучшение клиентского сервиса. Внедрение модели идет через две стратегии: приватное развертывание, которое повышает безопасность, и API-интеграции для гибкости. Однако развитие связано с высокой стоимостью и вызовами по защите данных, что требует стандартов для устойчивого применения AI в страховании. В данной статье я предлагаю рассмотреть, каким образом страховые компании Китая решают свои внутренние потребности и каких конкретных результатов они достигают, представляя взгляд со стороны.

Будущее будет миром, в котором всё связано с ИИ — это предсказал Кевин Келли, основатель и главный редактор журнала Wired, в своей статье «Мир через 5000 дней».

Прошло почти два года с тех пор, как ChatGPT запустил волну популярности крупных моделей (LLM). Возможности таких моделей продолжают расти, и разработка приложений на их основе вошла в новый этап.

«2023 год был годом стремительного развития базовых крупных моделей, а 2024 год — годом активного внедрения их в приложения», — отмечает Лю Янь, заместитель генерального менеджера отдела искусственного интеллекта операционного технологического центра Taikang Technology.

По его словам, на сегодняшний день развитие крупных моделей замедлилось в плане инвестиций, и фокус смещается от обучения моделей к их применению. Вместо ресурсов для интенсивных вычислений и алгоритмов, необходимых для обучения моделей, усилия теперь направлены на продуктовые приложения. Технологии крупных моделей развиваются от текстовых языковых моделей к визуальной и мультимодальной интеграции, а также к созданию интеллектуальных агентов.

Это означает, что в 2024 году применение крупных моделей ускоряет внедрение продуктов и решений в конкретных сценариях. На практике крупные модели показывают реальные результаты в повышении эффективности, улучшении клиентского опыта и содействии цифровой трансформации компаний в таких отраслях, как производство, интеллектуальная энергетика, нефтегазовая промышленность, добыча полезных ископаемых, здравоохранение, образование и транспорт.

В финансовой отрасли крупные модели считаются своего рода «новой инфраструктурой». Генеральный директор Taibao Technology Вэй Цзяохуа отмечает: «С быстрым развитием крупных моделей они стали важным инструментом для финансовой отрасли. К примеру, BloombergGPT от Bloomberg, BondGPT, разработанный LTX на базе GPT-4, и открытая модель FinGPT, — все они созданы специально для нужд финансовой сферы».

В сегменте страхования крупные модели также находят широкое применение. Как отметил председатель правления Xinmei Mutual Life Insurance Ян Фань в беседе с Caijing: «Страхование — это очень сложный продукт, но именно его виртуальная природа делает его наиболее подходящей областью для применения ИИ среди всех финансовых сфер».

По данным Zhiyan Consulting, объем рынка крупных моделей в страховой отрасли Китая составил 3,84 трлн юаней в 2018 году, а к 2023 году достиг 5,1 трлн юаней, увеличившись на 5,72% в год. В настоящее время несколько крупных страховых компаний Китая, таких как Ping An, Taibao, PICC, Sunshine Insurance и Xinmei Mutual Life Insurance, активно внедряют крупные модели.

С точки зрения применения в страховании, крупные модели могут использоваться на всех этапах бизнес-процессов — они могут быть интегрированы в андеррайтинг, урегулирование убытков, проверку и другие этапы. Основные области их применения включают маркетинг, автоматизацию офисных процессов, андеррайтинг, клиентское обслуживание и поддержку в кодировании.

Согласно исследованию Caijing, в настоящее время страховая отрасль Китая находится на начальной стадии внедрения крупных моделей в конкретные сценарии. От внутренних задач, таких как помощь в знаниях и интеллектуальная офисная работа, до внешних, включая приложения для B2B и B2C, — такой путь считается общим для применения крупных моделей в страховании.

С точки зрения внедрения, уже заметны начальные результаты использования крупных моделей для повышения эффективности внутри компаний, для поддержки агентов и партнеров на стороне B2B. Это помогает страховым компаниям повышать эффективность и точность на таких этапах, как разработка продуктов, маркетинг, обслуживание клиентов и обработка заявлений на возмещение убытков, что в целом повышает эффективность всей цепочки создания стоимости. На стороне B2C крупные модели пока в основном используются на уровне базового взаимодействия с клиентами. Для их непосредственного использования всё ещё необходимо учитывать и решать проблемы безопасности, а также контролировать и соблюдать требования по генерируемому контенту. На технологическом уровне страховая отрасль активно работает над созданием специализированных для отрасли крупных моделей.

Сунь Чжэньсин, главный технический директор страхового подразделения Ant Group, в беседе с журналом Caijing отметил, что страховая отрасль характеризуется сложными процессами обработки данных, включающими в себя большое количество мультимодальных и неструктурированных данных (таких как страховые условия, различные документы по урегулированию убытков, страховые полисы, визуальные и текстовые материалы), а также разнообразные сценарии обслуживания клиентов и взаимодействия с ними. Технологии крупных моделей могут значительно повысить автоматизацию и качество обслуживания, что соответствует потребностям страховой индустрии. Однако, как профессиональная и строго регулируемая финансовая отрасль, страхование требует от крупных моделей не только общего объема знаний и простой логики, но и глубоких отраслевых знаний, сложного процесса принятия решений и возможности совместной работы крупных и малых моделей для выполнения задач. Поэтому только специально разработанные для страховой отрасли крупные модели смогут решать профессиональные задачи в клиентском обслуживании страхования.

Внедрение крупных моделей в страховых организациях рассматривается как необходимый путь, и компании не могут позволить себе отстать. На двух уровнях — повышения общей производительности и создания инновационных решений для специфичных страховых сценариев — крупные модели постепенно расширяют границы, проникая внутрь и распространяясь наружу. Первоначальные результаты внедрения:

Снижение затрат и повышение эффективности — лишь первый шаг

Крупные модели в страховой отрасли — это не только процесс технологического улучшения, но и изменение бизнес-модели.

По мнению ряда опытных специалистов в области страхования, до 2023 года, в так называемую эпоху предшествующую крупным моделям, роль ИИ была в основном направлена на снижение затрат и повышение эффективности. Однако с появлением крупных моделей в 2023 году, которые способны сжимать огромные объемы знаний и демонстрировать человекоподобное взаимодействие на естественном языке, преодолевая проблемы восприятия, логики и выражения, преобразование страховой отрасли в будущем будет носить фундаментальный характер.

На двух уровнях — повышения общей производительности и создания инновационных решений для специфичных страховых сценариев — крупные модели постепенно расширяют границы, проникая внутрь и распространяясь наружу. Лю Янь отмечает, что с учетом приоритета соответствия нормативам сначала следует сосредоточиться на разработке внутренних сценариев, а затем на внедрении во внешние клиентские сценарии, накапливая опыт применения крупных моделей и учитывая контроль рисков, связанных с их внедрением.

Генеральный директор NVIDIA Хуан Жэньсюн 12 октября заявил: «Я надеюсь, что однажды NVIDIA станет компанией с 50 тысячами сотрудников и 100 миллионами AI-ассистентов, которые будут поддерживать все подразделения компании». В представлении Хуана NVIDIA в будущем массово внедрит AI-ассистентов (агентов) в каждое из своих подразделений для повышения производительности. Эти AI-агенты будут разделять задачи на более мелкие шаги, каждый из которых выполняет отдельную задачу, чтобы достичь более масштабных целей.

Подобные прогнозы имеют место и в страховой отрасли. По словам Вэй Цзяохуа, на данный момент крупные модели в рамках пилотных проектов в China Taibao применяются для задач автоматизации офисных процессов, тестирования и исследований, урегулирования заявлений по страхованию здоровья, автострахования и проведения аудита. В настоящее время проекты находятся на стадии испытаний, но с дальнейшим улучшением базовой платформы и расширением сценариев применения планируется, что к 2025 году цифровые помощники Taibao смогут поддерживать 10 тысяч сотрудников, увеличив производительность труда более чем на 30%.

«Именно благодаря прорыву крупных моделей в способах мышления, уровне автономии и снижении предельной стоимости моделирования они способны моделировать человеческие способности. Независимо от конкретной задачи, если модель обладает необходимыми навыками для роли, она может самостоятельно и гибко использовать инструменты для решения текущей задачи», — объяснил Вэй Цзяохуа логику цифровых сотрудников China Taibao, в рамках которой возможности человека моделируются крупной моделью для повышения эффективности бизнес-процессов.

По словам представителя компании Sunshine Insurance, в плане поддержки офисных процессов, от помощников для офисной работы до автоматизированного программирования и поиска знаний, активно внедряются когнитивные и прикладные технологии. Например, Sunshine Office GPT использовался более 770 тысяч раз, охватывая 84% сотрудников головного офиса, и сотрудники отмечают значительное улучшение эффективности повседневной работы с документами. Технологическая команда использует крупные модели для поддержки программирования, создав программного помощника Ivy GPT, который уже внедрён в девяти командах из 497 человек. Это позволяет экономить более 50% рабочего времени на проверку безопасности и соответствия кода и более 60% на генерацию стандартного кода для создания новых систем.

В отношении инновационных приложений в уникальных для страхования сценариях крупные модели дают новые надежды, превращая «грубые прогнозы» в «точные предсказания».

По словам Чжао Сюэяо, главного директора по рискам и председателя Комитета по цифровому управлению компании Xiangmei Life, сейчас крупные модели в Xiangmei Life применяются постепенно и находятся на стадии тестирования и внедрения. На этапе поддержки продаж и двухуровневого контроля рисков модели уже используются с положительным эффектом, что помогает компании дополнительно снижать затраты и повышать эффективность. Например, недавно был запущен персональный помощник по консультациям для клиентов среднего уровня медицинского страхования, точность его ответов составляет 98,33%. Другой пример — это страховой интеллектуальный помощник Ma Xiaocai от Ant Insurance, основанный на крупной модели Fenghuang. Он может отвечать на разнообразные вопросы клиентов, включая сложные запросы по андеррайтингу и урегулированию убытков, с точностью ответов более 95%.

На каждом этапе страхового процесса крупные модели меняют традиционные методы управления рисками. Обрабатывая огромные объёмы данных, такие как истории страховых выплат, личные данные клиентов, медицинские записи и истории использования автомобилей, крупные модели позволяют страховым компаниям более точно оценивать риски и поддерживать принятие решений.

На этапе ценообразования страховых продуктов крупные модели способны анализировать большие объемы данных клиентов и истории выплат, помогая страховым компаниям точно оценивать уровень индивидуального риска и предлагать персонализированные тарифы. Однако, по мнению Лю Яня, на данном этапе анализ больших данных крупными моделями остаётся технической задачей и не является основным сценарием применения. Прорыв в этом направлении требует дальнейшего развития технологий агентной среды, где несколько агентов могут планировать и координировать действия для анализа и использования больших данных.

Ма Жунцян, заместитель председателя IT-комитета Ping An Health Insurance, отметил, что в андеррайтинге крупные модели могут автоматически анализировать данные о здоровье страхователей и их историю, быстро принимая решения по андеррайтингу. Это значительно снижает объём работы по ручной проверке и одновременно повышает точность и эффективность.

«Традиционно процесс андеррайтинга полагался на ручную проверку и опытные суждения. Крупные модели же способны анализировать большое количество кейсов и данных для принятия решений. В будущем потребность в таком количестве агентов и специалистов по андеррайтингу может снизиться, хотя крупные модели также создадут новые рабочие места», — считает президент одной из средних страховых компаний.

По словам представителя Sunshine Insurance, внедрение крупных моделей в процесс урегулирования убытков произвело революцию. За счёт интеграции и анализа документов, представленных клиентами, медицинских записей и исторических данных по выплатам крупные модели могут быстро выявлять потенциальные риски и аномалии в заявлениях о выплатах. Это не только помогает страховым компаниям своевременно обнаруживать и предотвращать возможные мошенничества, но и улучшает точность и эффективность решений по выплатам. Кроме того, крупные модели могут выполнять автоматическую обработку заявлений, включая проверку документов, расчёт суммы выплат и генерацию отчёта, что значительно сокращает сроки выплат и повышает удовлетворённость клиентов.

По словам Сунь Чжэньсина, на примере процесса урегулирования убытков в страховании, где быстрая обработка имеет первостепенное значение, новые технологические парадигмы с AI-моделями позволяют достигать 99% точности в извлечении данных из документов и более 98% точности в принятии решений по выплатам, что создаёт эффект «мгновенных» выплат для клиентов. Это означает, что ранее, после подачи заявления, клиентам приходилось ждать 2–3 дня для получения результатов. Сейчас же 82% случаев амбулаторного страхования и 51% стационарного страхования обрабатываются в режиме реального времени — пользователи получают результат буквально через минуту или даже через несколько секунд. Это стало возможным благодаря совместной работе многомодальных и специализированных OCR-моделей.

Представитель одной из средних компаний по страхованию жизни отметил, что помимо улучшения эффективности на повседневных позициях, в операциях и обслуживании клиентов, крупные модели открывают возможности для персонализированного ценообразования и актуарных расчётов, что позволяет создавать продукты, адаптированные под потребности отдельных клиентов. Таким образом, ушло в прошлое время, когда один продукт предлагался всем. Теперь модели могут удовлетворять требования к индивидуализированным продуктам, однако это ограничивается регулированием.

По мнению Лю Минхуа, глобального партнера и заместителя директора McKinsey, эксперта в области цифровой трансформации в финансовом и страховом секторе, агенты AI, созданные на базе крупных моделей, могут независимо взаимодействовать друг с другом и моделировать следующий шаг, создавая цифровое сообщество для клиентов страховой компании.

Сунь Чжэньсин добавил, что технологии крупных моделей развиваются стремительно. Помимо улучшения масштабируемости параметров и данных в соответствии с законом масштабирования (Scaling Law), наблюдаются тренды на мульти-модальность и усиленное обучение, что позволяет моделям обрабатывать изображения, видео и другие типы данных, а также выполнять более сложные рассуждения и принятие решений. Крупные модели продолжат стимулировать инновации в повышении качества обслуживания и эффективности в страховой отрасли.

Коробочное решение или API?

Согласно анализу Лю Янь, развитие инноваций в страховой отрасли с помощью технологий крупных моделей можно разделить на два уровня: первый уровень — повышение производительности, применимое ко всей отрасли, и второй уровень — инновации в специализированных сценариях страховой сферы. Увеличение производительности, характерное для всей отрасли, включает в себя применение крупных моделей для офисных задач и персональных помощников, таких как подведение итогов встреч, создание документов, анализ данных и другие сценарии, направленные на поддержку информации в повседневной работе. Применение крупных моделей в специфичных для отрасли сценариях включает интерактивное обучение агентов, где крупные модели используются для повышения навыков общения агентов в продажах и рекрутинге, совместно с корпоративной системой обучения. Сложность страховой отрасли и требования к соответствию нормативным стандартам представляют собой как большие возможности, так и значительные вызовы при использовании крупных моделей.

Крупные страховые компании, такие как China Life Insurance, Ping An Insurance, China Pacific Insurance и Sunshine Insurance, уже начали разработку отраслевых крупных моделей и находятся на этапе их внедрения, охватывая оба уровня бизнес-процессов. Подробности стратегии развертывания можно найти в таблице.

По мере увеличения инвестиций в крупные модели, из-за значительных финансовых и ресурсных затрат на разработку, ведущие страховые компании в основном создают собственные команды для разработки отраслевых крупных моделей с внешней поддержкой. Например, China Life Insurance создала внутреннюю команду для разработки алгоритмов искусственного интеллекта, продвигает сотрудничество с внешними и внутренними партнерами для построения экосистемы, основанной на универсальной крупной модели страховой отрасли, где внутренние разработки являются основой, а внешние модели — вспомогательными.

22 мая этого года компания Xi Mei Life Insurance представила вертикальное приложение крупной модели для страхования — Chat-Trust3.0. В процессе разработки компания использовала стратегию, ориентированную на малые затраты, небольшие объемы данных и быструю итерацию. Базируясь на универсальной крупной модели, компания усилила управление и обработку неструктурированных данных, использовала технологии поиска, доработки модели, а также функциональные возможности плагинов и агентов, что позволило реализовать глубокую разработку для страховой отрасли.

Существует два основных способа развертывания крупных моделей для компаний: первый — это локальное развертывание, которое гарантирует безопасность данных, но обычно стоит несколько миллионов юаней и подходит для отраслей с высокой чувствительностью к данным, таких как финансы, телекоммуникации и энергетика. Второй способ — это использование API крупных моделей от поставщиков. Этот вариант дешевле, так как оплата производится по количеству токенов (минимальных единиц данных, которыми может оперировать модель, таких как слово или символ). Данная модель оплаты более гибкая и удобная для различных сценариев.

Крупные страховые компании сначала использовали локальное развертывание, но со временем, учитывая развитие сценариев, обновление технологий и стоимость, стала популярной комбинированная модель локального развертывания и вызова API. Средние и малые компании в основном используют только вызов API.

Поначалу расходы на развертывание крупных моделей могли достигать нескольких миллионов юаней на оборудование и услуги. Однако сейчас, с ростом конкуренции и снижением цен, эти затраты постепенно уменьшаются.

В отношении стоимости и выгод от развертывания крупных моделей в страховых компаниях Мар Ронгцянь отметил в интервью Цайцзин, что при оценке затрат нужно учитывать мощность вычислительных ресурсов для обучения и предсказания для моделей различного масштаба. В то же время компании должны выбирать оптимальные вертикальные сферы для применения крупных моделей в зависимости от их бизнес-сценариев, рассчитывая соотношение затрат и выгоды. В области создания базовых и отраслевых моделей компании могут воспользоваться сотрудничеством, фокусируясь на своих областях экспертного знания. Важно также создавать поддерживающие технологии, такие как интеграция мелких и крупных моделей, технологии поиска знаний и контроля качества.

Руководитель проекта Jianyan от компании Guomin Pension отметил, что построение собственных ИИ-моделей требует значительных финансовых вложений, включая покупку дорогостоящего оборудования, выделение мощных вычислительных ресурсов и привлечение команды профессиональных инженеров для обеспечения эффективной работы модели. Высокие начальные вложения и дальнейшие эксплуатационные расходы, связанные с регулярными обновлениями, существенно увеличивают финансовую нагрузку компании.

На текущем этапе многие компании предпочитают стратегию вызова API из публичных облачных моделей с подключением локальных баз знаний. Эта стратегия предлагает экономически выгодный и гибкий путь, так как крупнейшие API-провайдеры инвестируют значительные ресурсы в развитие и обновление моделей, что позволяет компаниям сосредоточиться на настройке приложений под свои специфические бизнес-сценарии.

Режим оплаты за вызовы API на основе количества запросов или объема данных позволяет эффективно контролировать расходы, особенно для компаний с непостоянным использованием модели. Это делает такие решения привлекательными для стартапов и малых предприятий, помогая быстрее реагировать на изменения рынка и оптимизировать расходы.

Для реализации крупных моделей страховые компании зачастую начинают с анализа производительности существующих моделей, выявления потребностей по каждому направлению бизнеса и оценки их соответствия. В отличие от общего подхода, страховые компании предпочитают сначала протестировать решения на ограниченных сценариях, чтобы постепенно масштабировать успешные результаты на более широкие области.

Тун Гохун, руководитель информационного центра данных компании Xi Mei, сообщил, что для защиты конфиденциальных данных компании сначала создают матрицу личных данных клиентов, проверяя соответствие данных стандартам приватности. Все данные, поступающие в крупные модели, проходят обезличивание, что позволяет моделям оценивать данные без фокусировки на конкретных людях.

На форуме 20 октября, прошедшем в рамках ежегодной конференции Financial Street Forum, член Национального комитета КНР, бывший заместитель председателя Китайского комитета по регулированию страхования Чжоу Янли призвал уделить внимание защите личных данных, вопросам безопасности и прозрачности ИИ. Чжоу предложил разработать стандарты для обеспечения безопасности искусственного интеллекта в страховой отрасли.

Геннадий ГУЖОВ

Автор оригинала: ???

В материале упоминаются: Компании, организации: Ant Insurance 1  China Life Insurance Co. 112  China Pacific Insurance Company (Китайская тихоокеанская страховая компания, CPIC) 41  People’s Insurance Company of China (Property and Casualty People's Insurance Company of China, PICC, Народная Страховая Компания Китая) 73  Ping An Insurance Group Co 140  Sunshine Property & Casualty Insurance 12  Taibao 1  Xi Mei Life Insurance 1  Xiangmei Life 1  Xinmei Mutual Life Insurance 2  Персоны: Жунцян Ма  Сюэяо Чжао  Фань Ян  Чжэньсин Сунь

Ваше мнение об этом материале:

— Ваше имя
— Ваш email
— Тема

Ваш отзыв (заполняется обязательно):

Укажите код на картинке слева:

Установите трансляцию заголовков прессы на своем сайте

 Подробнее »

Получить код для трансляции заголовков прессы »