本文字数:2851字
阅读时间:6分钟
本文来源:
中国保险学会2023年度课题项目。
太平资产课题组:课题组负责人徐钢,太平资产管理有限公司党委委员、副总经理,正高级经济师,上海领军金才;课题组成员:王振州,太平资产管理有限公司量化投资部总经理;汪腾,太平资产管理有限公司权益投资部助理总经理;马勇,太平资产管理有限公司办公室高级经济师;易超,太平资产管理有限公司量化投资部投资经理;左文婷,太平资产管理有限公司量化投资部投资经理;胡强,太平资产管理有限公司量化投资部高级投资经理。
随着人工智能技术的飞速发展,特别是LLMs在多个领域的突破性应用,探索其在保险行业中的应用变得越发重要。这一研究背景下,深入了解LLMs在保险业的应用模式、实施框架以及面临的挑战和机遇,对于推动保险业技术革新具有重要意义。本课题通过研究大规模预训练模型在技术层面的发展路径、模型研究,进一步结合保险业的实际需求,探讨大规模预训练模型应用层面的实施框架和业务内容,揭示大规模预训练模型赋能保险业的模式,力图明确相关难点并提出可行的建设方案和经验思路。
导论部分主要内容包括研究背景、意义、相关文献综述、研究思路、方法及创新点。随着人工智能技术的快速发展,特别是大规模预训练模型(LLMs)在多个领域的突破性应用,其对保险行业技术革新的推动作用日益凸显。2022年11月30日,美国OpenAI公司研发的聊天机器人程序ChatGPT成为了新一代聊天机器人的代表,给信息产业带来了巨大变革。同时,中国银保监会的数字化转型指导意见为保险业的技术升级提供了政策支持。本课题研究意义在于促进保险业数字化转型、提升普惠金融服务能力、加强风险管理和探索科技赋能新模式,以及推动LLMs技术本身的发展。文献综述部分主要对大规模预训练模型的技术发展路径、模型研究以及在保险业的应用进行了梳理,指出了现有研究的主要方向和成果。研究思路、方法及创新点部分明确了本课题的研究重点,即结合保险业实际需求,探索LLMs的具体应用场景和实施框架,并指出了研究的难点和创新之处,包括获取一手资料、提出实施模式和具体应用案例。
课题针对LLMs的现状进行了深入研究,涵盖了LLMs的定义与特征、技术发展、产业应用以及优势与局限。LLMs是基于Transformer架构,拥有数千亿参数的语言模型。它们在大规模文本数据上训练,展现出卓越的自然语言理解和复杂任务解决能力。其关键特征包括规模扩展、训练挑战、能力激发、对齐调优和工具操纵等。大规模预训练模型的技术发展以GPT系列模型为典型,技术演进经历了从GPT-1到GPT-4的提升,尤其是GPT-3的上下文学习能力和GPT-4的多模态输入扩展。而除了美国开放人工智能公司(OpenAI)发布的系列产品之外,还有诸多海内外大模型陆续面世,包括Bard、Llama、ChatGLM等。LLMs在金融、医疗、教育、法律和科学研究等领域的应用日益广泛。例如,在金融领域,BloombergGPT和轩辕等模型通过结合通用能力和特定领域知识,推动了自动化投研和情感分析的发展。LLMs具有强大的泛化能力、广泛的通用能力和良好的综合性能。然而,它们也面临AI幻觉问题、道德伦理挑战和解释黑箱问题等局限。本章通过全面审视LLMs的现状,为理解其在保险业应用的潜力和挑战提供了重要视角,并为后续章节深入探讨LLMs在保险业的具体应用模式奠定了基础。
课题深入探讨了保险业大规模预训练模型(LLMs)的发展模式,包括实施框架、行业应用现状以及产学研合作等方面。在实施框架方面,其过程涉及通用大模型成果的迁移以及构建基于保险行业的特有AI大模型。这些模型的构建基于数据、算法和算力技术平台,其训练过程包括数据收集和准备、模型选择和训练、模型的集成和部署、数据流和实时处理、模型监测和更新以及安全和隐私保护等关键环节,其应用架构则包括底层模型、训练微调和上层应用。在行业应用方面,国内多家保险公司已在大模型的开发和落地中投入显著资源。例如,众安保险通过其AIGC中台“灵犀”在垂直领域大模型构建上取得显著进展,而平安科技则通过其独特的置信度评估方法和频谱分解网络结构优化了模型的精度和可靠性。在产学研合作方面,九章云极、中科软和恒生科技等AI金融科技厂商在保险业大模型的研究和应用上也取得了一定成果。九章云极的AIFS & DataPilot产品体系为企业提供了强大的技术支持,中科软在构建垂直MaaS平台方面取得了显著进展,而恒生科技则发布了金融垂直领域大模型LightGPT及全新升级的智能投研平台WarrenQ。在监管趋严的背景下,政策端对保险从业人员专业性要求更为严格,因此保险公司有较强的科技赋能、大模型开发的诉求。
在前述基础上,课题着重分析了大规模预训练模型(LLMs)在保险业的多样化应用模式。随着LLMs在各行业的广泛应用,保险业也逐步加快了其在销售支持、智能客服、产品研发、风险管理以及投资研究等领域的布局。1)销售支持方面,保险公司利用AI技术如智能助手和智能陪练工具,提高销售人员的专业知识和效率。例如中国太平及其子公司太平金科等运用大数据、AI、区块链和自然语言处理等技术,以提供更适合客户的服务和产品,同时提升营销效果与客户体验。AI技术还被用于生成营销素材,如平安寿险的AI短视频跟拍工具。2)智能客服方面,大模型在智能客服方面表现突出,例如太平人寿的AICC智能外呼助手、中国太保的洋洋客服、新华保险的智多新和友邦保险的“小邦”智能语音客户关爱助手等。这些系统通过精准预测客户意图和提供个性化服务,极大地提升了客户满意度和效率。3)产品研发场景方面,尽管在产品研发方向上的成熟案例相对较少,但大模型在数据收集和预处理、保险产品方案设计等方面展现出巨大潜力。例如,太平人寿数字科技中心借助自研AI技术,采用自然语言处理技术和领先的模型,实现自动化批量解析在售产品文档。4)风险理赔场景方面,保险公司利用AI模型进行风险管理和理赔流程的优化。太平财险利用无人机和卫星遥感技术实现对农作物承保理赔的全程风险监控,助力保险公司开展风险减量;中国平安的AI智能自动决策模型在理赔审核方面实现了全流程自动化。5)投资研究场景方面,太平资产在投资研究领域进行了深入探索,包括API文本因子生成、金融时事跟踪、Transformer量化模型和代码生成应用等多个方面。随着技术的不断进步,预计LLMs将在保险业将扮演更加重要的角色,推动行业向更加智能化、高效化的方向发展。
在当今保险业的发展中,大规模预训练模型(LLMs)的应用已成为一个显著的趋势,这不仅体现了科技创新的活跃度,也昭示了行业对精准、高效服务的追求。保险业围绕LLMs在销售客服、产品研发、风险理赔及投资研究等场景的应用将引领行业的技术革新和服务升级,并逐渐形成以数据为核心、技术为驱动、应用为目标的新型发展模式。
未来,LLMs在保险业的应用有望进一步深化,尤其是在个性化服务、风险预测和资产管理等领域。针对保险业应用LLMs的挑战,包括知识匮乏、精确性要求、高昂的训练成本、模型可解释性、数据隐私与安全问题,以及合规与监管问题,本课题的政策建议围绕以下五个方面开展:(1)加大算法和人才投入;(2)探索丰富应用场景;(3)加强算力基础设施建设;(4)防范数据安全和AI幻觉风险;(4)监管和合规性评估;(5)提高模型透明度。
编辑:于小涵
中国保险学会
构建保险大社区
微信:iicbxzx