生成式 AI 在保险领域的应用：Cytora 如何帮助保险公司确定承保风险的优先级

在保险行业，需要快速、便捷、一致地控制风险甄选和决策。正因如此，具有前瞻性思维的保险公司正在大力投资 AI 和数字风险处理技术，以简化风险工作流程的大部分环节。得益于这些投入，保险公司能够在识别并选择希望提供报价的风险方面保持一致性，从而使业务与风险偏好和目标投资组合相协调。依靠这些投入，保险公司还将经纪人请求的响应时间从数天缩短到数小时甚至数分钟。这让保险公司有望实现通过提高承保利润率来超越同行的策略。Cytora 是一家利用 AI 帮助保险公司转变工作流程的初创公司，正在帮助保险公司更轻松、更有效地实施战略调整。

Cytora 首席运营官 Juan de Castro 解释说：“Cytora 的 SaaS 平台使保险公司能够简化其核心工作流程并实现数字化和自动化，在从人工风险流程发展为数字风险流程后，保险公司只需要在必要的时间和地点部署人力资源。依靠 Cytora，保险公司得以提高承保效率，加快经纪人的响应速度，并通过更好地控制目标投资组合提高盈利能力。”

在本文中，我们将探讨 Cytora 如何利用 Google Cloud 的生成式 AI 基础模型为客户提供先进的服务，以及其他企业如何从 Cytora 的成功案例中获得经验。

AI 和“风险数字化”

向保险公司提交的风险相关资料（即评估承保风险的请求）格式多种多样（如 PDF、电子表格、电子邮件），最近还有很多资料是通过各种不同架构的经纪人 API 提交的。这种多样性给保险公司实施数字化转型计划带来了巨大的技术挑战。在当前的运营模式下，核保人员往往需要花时间从所有这些来源中搜索、解析和获取信息，并将其输入多个系统，而且经常需要反复输入。

Cytora 产品副总裁 Sam Lewis 表示：“保险公司的目标状态是：核保人员在收到所谓的决策就绪型风险后，通过简化的报价工作流程进行处理，从而在加快速度的同时，保证决策的一致性、提升决策效率，并缩短处理时间。”

这就是“风险数字化”的意义所在：对不同来源和格式的信息进行自动解析、评估，并通过风险分类法将其映射为机器可以理解和分类的计算机可读格式。

带有思维链提示的自动化机制

当前面临另一个挑战是，尽管不同的经纪人往往需要同样的信息，向最终客户提出同样的问题，但他们提出问题的措辞却不尽相同。因此，两个问题可能在语义上表达相同的信息，但在文字上却大相径庭。例如，一位经纪人可能会问：

另一位经纪人在提交的资料中，可能会以略微不同的方式询问相同的信息：

风险工作流程自动化技术需要了解上述每个问题的含义，然后将其与保险公司的内部风险偏好标准进行语义匹配。

Cytora 首席技术官 Aeneas Wiener 表示：“借助 Google Cloud 的 Vertex AI，特别是 Gemini、PaLM 2 和 Gecko 文本嵌入功能，我们能够彻底改变客户在数字风险处理方面的体验。通过零样本预测和检索增强生成 (RAG) 技术，我们的平台能够在没有任何训练数据的情况下开始进行预测。借助 PaLM 2 的微调功能，我们可以用明显更少的训练数据，超越以往的风险数字化性能基准。”

Cytora 的风险数字化层基于三大支柱：

1.适应性强、准确度高的自然语言理解能力

Cytora 利用 Vertex AI 的 Model Garden 中的大语言模型 (LLM)，来提取所有提交附件和电子邮件中的信息。这是通过结合使用 Cytora 专有的提示调优技术和 PaLM 2 的微调功能来实现的，PaLM 2 能够根据 Cytora 每位客户的专有数据，为该客户创建专用的微调模型。

在监管严格的保险行业，Vertex AI 在隐私性和安全性方面的卓越能力，对 Cytora 及其客户尤为重要。在 Google Cloud，客户的数据（包括经过微调的客户数据）只属于客户自己，Google 能够提供企业级的隐私和安全保障。

Wiener 表示：“由于 Vertex AI 从一开始就是面向企业推出的功能，因此我们能够迅速结束原型测试，在生产工作负载中实际应用生成式 AI。”

此外，Cytora 拥有可生成合成保险训练数据的专有技术，这消除了涉及冷启动的难题，并允许 PaLM 2 从一开始就进行微调。除 PaLM 2 之外，Model Garden 还提供了一系列基于 Vertex AI 的开源和商业模型，Cytora 也在利用 Vertex AI 构建自己的平台。

2.基于风险分类法的数字化

Cytora 维护了一份具有语义意义（和计算机可读性）的目标字段和字段值清单，以便对商业风险进行分类。Cytora 已针对包括网络、商业物业、债务、海事、航空等在内的各种商业项目，开发了开箱即用的基准风险分类黄金架构。

3.思维链风险理解

在涉及 LLM 的多步骤推理任务中，思维链提示的性能得到了大幅提升。Cytora 将这一技术调整并扩展到商业保险风险处理领域，从而提升了模型以可审核且可解释的方式进行风险推理的能力。例如，一个处理网络保险索赔的模型可以输出以下内容：

• “保险公司要求申请者部署端点保护解决方案。”

• “在申请表的第 2 页上有一项声明：‘您是否要求在所有最终用户设备上使用防病毒软件？[X] 是 [ ] 否’。”

• “反病毒是一种端点保护。”

• “风险评估结果：{ submission_within_appetite: True }”

针对风险数字化的端到端平台

风险数字化是能够提升保险公司竞争优势的智能举措。但这并不是一个业务空白领域中的流程，Cytora 在市场上的经验表明，我们需要更多的组件（见图 1）。

图 1：Cytora 风险数字化平台概览

Cytora 的架构大致由以下模块组成：

• 风险流程引擎 - 灵活的低代码平台，用于定义和执行多步骤、人机协同 (human-in-the-loop) 的风险处理工作流程。在该引擎的核心，BigQuery 负责提供实时业务分析（例如跟踪和优化经纪人处理时间服务等级协议 (SLA)）和风险流分析（例如衡量不同细分市场的转化率和确定增长机会）。

• 处理组件 - 数字化、评估、决策 - 这些核心组件通过将数据调整为正确的格式，使解决方案垂直应用于商业保险应用场景，并评估请求资料，然后提出合理的后续行动建议。

• 核保人员控制台 - 向核保人员展示决策支持信息，他们的决策可以反馈到数字流程中。

• 人机协同 (human-in-the-loop) 控制台 - 该层可智能地筛选低置信度的自动提取输出，并将其显示给人工操作员，以便操作员审查和修改这些输出，并最终将其干预措施作为可用的训练数据反馈到系统中。这些数据被用于提升 PaLM 2 专用客户端适配器层的能力，既作为提示示例，也用于模型微调训练运行作业。