大模型技术助力保险行业提质增效——国寿财险大模型技术的应用与思考|保险行业|国寿财险|大模型技术|核保

文 / 中国人寿财产保险股份有限公司金融科技中心科技创新部/数据管理部总经理陈起

中国人寿财产保险股份有限公司金融科技中心科技创新部/数据管理部孔宇飞董智开

随着人工智能技术和算力基础设施的发展，以大模型为代表的生成式人工智能（AIGC）有了里程碑式的突破，行业各头部主体已开始引入和应用大模型能力以拥抱智能时代。目前，国内保险行业处于摸索大模型场景落地的初级阶段。本文主要介绍大模型技术以及中国人寿财产保险股份有限公司（以下简称国寿财险）应用大模型技术的思路，并介绍国寿财险在内部运营、代理人销售等场景中使用大模型进行赋能的实践案例。

大模型简介

1.大模型是什么

目前业界对大模型没有明确统一的定义，狭义上一般指大语言模型，广义上包括了语言、声音、图像、视频等多模态大模型。大模型的“大”是一个相对概念，传统模型的参数量一般是亿以下，而大模型的参数量则至少在亿级，如GPT-3的参数量为1750亿，而GPT-4约达1.8万亿。在大模型出现之前，人工智能模型主要是针对特定的场景和任务设计和训练的专用模型，而大模型则能学习多个领域知识、处理多种任务，其“智能涌现”特征更加明显。

2.大模型应用价值

大模型已初步具备了类似人脑的思维能力。我们研判，大模型的核心价值将体现在如何有效利用大模型作为公共能力，并结合实际业务场景进行针对性的定制开发，广泛应用于企业的各业务场景中，给企业带来商业模式的变化，大幅提升企业生产效率、员工办公效率，重塑客户体验，提升管理效能、风险管理能力和决策能力等，驱动企业向更高效、更可持续、更智能的方向发展。

3.大模型训练方法

大模型与很多传统AI中小模型都基于相同的深度学习架构（Transformer）。由Transformer衍生出来的大语言结构又分为Encoder-Only、Encoder-Decoder、Decoder-Only三条技术路线，它们都需要大量的计算资源、更强的计算能力以及更优秀的算法优化方法进行训练和优化。目前市面上90%以上的基础大模型都基于这三条技术路线进行预训练（如图1所示）。

图1 大模型进化图

（图片来自《 Harnessing the Power of LLMs in Practice: A Survey on ChatGPT and Beyond》论文）

国寿财险应用大模型的思路

国寿财险经过一段时间的跟踪调研和实践探究，积累了一些应用落地的经验。

1.大模型整体应用思路

为充分发挥大模型的通识能力，促进公司业务的发展，提升员工效率，国寿财险将大模型作为基础公共能力，结合实际场景建设若干垂类应用。公司前期已经上线了“小财大模型”，成功将大模型技术引入公司内部，并在实际应用中取得了一定成效。在应用过程中立足于国内的大模型建设成果，确保技术的可控性和安全性（如图2所示）。

2.大模型应用方式的选择

因为金融行业对数据安全有极高的要求，因此私有化部署大模型仍是首选。大模型本身缺乏对垂类场景的认知和知识储备，在垂直领域场景应用大模型时需要对大模型进行优化，综合考虑应用复杂程度、成本和应用效果，国寿财险主要选择提示工程和检索增强（RAG）两种大模型应用方式，并在少数场景尝试对模型进行微调。

目前大模型应用的整体流程阶段是相对统一的，但在某个流程上存在不同技术流派（如图3所示）。如代码工具有Python、Rust等；RAG框架基于LangChain、LlamaIndex等；数据库使用Milvus、Qdrant以及ES等。模型选择与自身资源匹配的模型进行私有化部署，一般选择14B以上的模型，进行垂类场景的构建。复杂场景选择参数量更高的模型，或通过SaaS服务接入云端大模型。

3.大模型应用场景的选择

鉴于大模型生成的内容，依然可能出现一定的不确定性，考虑容错和潜在的法律风险，优先选择服务企业内部用户的场景。

根据工程化实现的难度和大模型本身的能力特点，国寿财险结合自身业务情况，将大模型的应用分为三类场景：直接利用大模型通用能力，进行文本分类、信息抽取类等；借助公司自有知识，丰富大模型能力，进行RAG检索增强知识问答、长篇幅文字的理解、创造性的写作等；将多个大模型和各种既有工具、信源的组合运用，通过自主编排任务，打造智能体，完成各种复杂任务。

国寿财险大模型应用实践案例

及潜在场景

1.内部运营提效

在日常办公场景中，国寿财险基于小财大模型发布了员工工作平台，为内部员工提供公文写作、文案创作、常用业财数据指标获取、政策类实时信息问答、运维知识问答等工具，帮助员工提升日常办公效率。并提供小财大模型接口能力，为多个分支机构和团队提供个性化开发支持。目前，员工工作平台用户群体分公司覆盖率达到100%，使用次数累计超80万次。

在信息抽取场景中，国寿财险某分公司利用定制化开发的大模型能力，自动从历史赔款计算书中提取出关键赔付金额用于数据分析，大幅提高了效率和准确性。目前已使用超17万次，减少超过90%的时间成本。

在信息分类场景中，国寿财险某分公司借助大模型能力，自动判断案件类型，辅助检测是否存在重大案件的漏报情况，大幅提升了审核效率，显著缩短了分公司对重大案件的指导和干预时间。目前，仅该分公司使用量就可达到约5000次/月，预估全国使用量可达10万次/月。

2.代理人销售扩能

对于销售侧的实践，主要集中在使用大模型为代理人优化销售支持工具，帮助代理人提升销售能力。

为了吸引更多的商家加入到咨服个代队伍，扩大销售队伍覆盖面，国寿财险使用大模型能力，根据商家及其经营的产品，帮助找到其上下游行业，拓展商务资源，促进站点之前的商务联系。目前，已累计使用约7万次，惠及咨服个代商家数万家，增强了咨服个代的黏性，夯实了销售队伍人员资源。

此外，为了帮助代理人更快捷地发现潜在组织客户，国寿财险通过大模型能力，帮助代理人通过对话随时获取特定地点的高潜客户，并提供给代理人联系方式、推荐产品等拓客信息。通过将总结梳理的营销知识、话术、拓客策略以及产品QA文档等数据输入给大模型，形成代理人随身的7×24小时可快速查询的“百科全书”，帮助代理人提升销售能力。

3.未来应用方向

大模型的使用场景未来会朝着更加复杂的方向进化，通过以大模型的类人脑能力为核心，根据场景需求进行定制化的工程化处理、与已有IT系统或模型进行对接等方式，可以产出更加丰富多样的智能应用，全面赋能企业各核心业务流程。

在营销侧，可以构建大模型驱动的智能报价、出单助理，通过与出单系统对接，并通过OCR技术识别单证资料关键信息，使用大模型理解用户保险需求和资料信息，完成对报价接口或出单接口的调用，实现交互式的智能报价和出单。还可以构建智能产品配置，通过与产品配置工厂进行对接，将大模型能力应用到产品的配置工作中，利用大模型的推理能力，自动组合出保险产品。与销售工具进行对接，使用大模型能力分析客户的个人信息、健康状况、职业风险等因素，预测客户的风险水平，为客户提供更加个性化的保险方案。还可以通过大模型进行营销素材的设计、辅助代理人提供产品咨询等。

在承保侧，大模型能力可以赋能承保流程，优化风险评估、自动核保、异常识别等能力。在风险评估方面，大模型能够处理大量的历史非结构化数据，通过提取关键特征和进行数据清洗与预处理，为风险评估提供更准确的输入数据。在自动核保方面，大模型可以通过预设规则与模型分析，判断投保信息是否真实、完整，以及是否符合承保条件，提高核保效率，减少人工操作的成本和错误率。在异常识别方面，可通过对非结构化承保信息的理解，发现投保人信息不一致、投保金额的异常增长、投保行为的频繁变更等异常行为，在承保流程中提供风险提示。

在理赔侧，可以通过组合图像识别、视频检测、声纹识别等技术，赋能理赔核心系统，构建多模态的智能理赔体系。减少人工对理赔流程的干预，大幅提升理赔全流程效率。在理赔风险控制方面，使用大模型能力理解、提炼、分析和总结来自不同渠道的多模态数据，通过对这些数据的整合，可以构建更全面的数据分析体系，为智能风控和反欺诈工作提供数据支持，识别潜在的风险因素，并预测风险的发生概率和可能的影响。这些针对理赔数据的分析结果还有助于保险公司在对产品进行综合评估，为理赔和承保策略的调整提供决策支持。

在客服侧，大模型可用于辅助座席人员服务能力提升，通过将大模型能力接入座席服务系统，可以保证服务质量的一致性，提升座席人员的反馈效率，并通过个性化服务提高客户满意度。同时，大模型的语义理解能力可以实现根据实际对话场景调用多渠道服务能力，使座席人员能够跨平台提供高效服务。此外，大模型可以对客服记录进行智能质检，帮助管理人员优化服务策略，沉淀服务经验。这些经验数据还可以通过大模型对座席人员进行智能陪练。未来，大模型座席助手还可以与数字人进行结合，带来更加真实有趣的用户体验。