破解“机器质检”效果差的难题,保险业落地三种新实践

首页    产品技术    破解“机器质检”效果差的难题,保险业落地三种新实践

 

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。

 

保险质检的“三级火箭”

 

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。猛戳这里,预约交流与产品演示

 

 
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人员产能提升(Expert)解决方案。
 
  © THE END   

更多“智能质检”相关文章
智能质检升级换代:为什么“关键词”不够用了?
智能质检新实践:“双模”质检
智能质检优化实践:召回率和准确率,哪个更重要?
智能质检新实践:如何借助“流程质检”功能,提升客服或销售的执行力
智能质检产品更新:现已支持微信质检

关于循环智能
循环智能(Recurrent AI)是一家 AI 企业服务公司,借助原创的自然语言处理和深度学习技术,帮助中大型企业充分挖掘对话数据的价值,提升员工产能,带来业绩增长。公司服务的客户主要在保险、银行、房产和在线教育等领域。创始团队来自清华大学、卡内基梅隆大学,并获得红杉资本中国基金、真格基金、金沙江创投、靖亚资本等知名投资机构的支持。2021年,循环智能入选CB Insights 年度“AI 100全球榜单”。2020年,循环智能获得高新技术企业认证,并被德勤Deloitte评选为“中国明日之星50强”。2019~2020年,循环智能连续两年入选《机器之心》年度“最具产业价值”榜单。
 

循环智能(Recurrent AI) |  增强“人”的智能
2021年5月20日
浏览量:0