而随着机器学习和人工智能(AI)技术的迅速崛起,如今保险企业能够更精确地捕捉并分析数据,进而给出预测结果。在这样的背景之下,保险业先驱企业保诚金融敏锐把握住了这一颠覆传统业务的机会。保诚一位高管提出这样的问题:“拥有150年历史的保险公司能不能开辟新的业务赛道?我们能不能借助已有的内部能力显著拉动业务收益?”
保诚金融由英国保诚集团于1875年在美国新泽西州纽瓦克注册成立,同时跻身财富100强和全球100强榜单,为40个国家/地区的消费者和机构提供保险、退休规划和投资理财产品及服务。如今,保诚金融已经成为美国最大的保险服务商,总资产高达1.4万亿美元。
身为保诚金融的数据和AI颠覆/转型计划带头人,Kjersten Moody于2020年6月出任这家拥有150年历史的老牌保险企业的首席数据官。Moddy此前曾担任State Farm首任首席数据与分析官,3年的任期也超过了CDO职务18到24个月的行业平均任期。在此之前,她还曾在联合利华和汤森路透担任数据和技术方面的领导职务。在保诚任职期间,Moody主要负责公司的数据平台、数据自动化、AI与机器学习以及数据治理等功能。以CDO职务为切入点,她与公司内的每条业务线都建立起了密切合作。
在Moody看来,保诚的数据和AI转型工作旨在“满足客户的实际需求”并消解人寿保险中的心理障碍因素,例如体检。她解释称,“通过近期的努力,我们正与客户合作将计划重新聚焦在「长寿」,而非传统意义上的死亡保险思维上。以此为基础,我们努力提供更加个性化的退休规划及健康/保健方案。”Moody认为,这将“为客户带来种种便利,帮助他们专注规划美好生活。”
作为保诚内部的AI驱动转型案例,Moody运用AI技术取代了传统上基于规则的承保新单流程。AI技术的应用提高了分析速度和灵活性,使得寿命预测准确率达到98%至99%。这样的速度和准确性提升,与传统保险行业区区75%的预测准确率形成了鲜明对比。应用AI和先进机器学习方法,让保诚的承保时间“从22天缩短到了22秒”,同时消除了费时费力的体检要求。
基于这些颠覆性举措,保诚金融于2022年建立了名为High Peak的独立企业。这是一家由保诚内部孵化并得到财务支持的金融科技/保险科技初创公司,Moody担任联合创始人兼临时首席执行官。一般来讲,保险行业很少启用数据和分析负责人担任CEO。但她目前正招募继任者接手管理业务,希望腾出精力专注于转型工作。
High Peak的首款产品名为Acusite,是一套AI驱动的寿命预测模型,旨在运用机器学习和AI技术推动承保流程的创新和转型。Acusite现已获得High Peak许可,能够为保诚之外的其他组织提供关于客户预期寿命的分析见解。这款产品的特点是数据集规模相当于传统寿命模型的3倍,因此能更准确地预测寿命并实现跨行业应用:
Moody表示,High Peak的目标是为保诚集团的新行业和新受众创造价值,即实现对“数据价值流的延伸”。Moody补充道,“这是我们6年多来研究和开发努力的结果,充分运用丰富的申请和索赔数据积累。我们意识到,完全可以用极低的成本和更高的准确度快速完成工作,从而改善客户体验。结果就是保险购买流程变得更简单、更轻松,这对吸引线上购买者来说至关重要。”
Moody还总结了保诚内部发生的转变:“AI已经成为差异化因素,为传统流程带来了指数级的价值和速度提升。机器学习技术则提高了可解释性,凭借算法让决策理解难度大为降低。”另外,“所有这一切都必须以负责任的方式完成”,包括强调使用负责任AI和“人在回路”的重要意义。
回顾在保诚集团的工作经历和High Peak业务的建立,Moody总结道“保险公司如何开拓新的业务赛道?答案很简单:在核心能力上超越竞争对手,并将这种能力转化为客户感知得到的实际服务。”
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。