但保司和保險中介機構漸漸發(fā)現(xiàn)，過去部署的機器質檢系統(tǒng)效果無法令人滿意。其中關鍵原因有二：
第一，人與人溝通時講的話是高度個性化的、表達方式是復雜多樣，僅僅依靠“關鍵詞和正則”進行窮舉的傳統(tǒng)機器質檢方案，很難識別出真正的句子語義。例如，在質檢項“夸大陳述”中，保司發(fā)現(xiàn)銷售員夸大重疾險保障范圍的方式是窮舉不完的；在質檢項“不當對比”中，保司發(fā)現(xiàn)銷售員通過將保險與其他同業(yè)產(chǎn)品對比，以及與儲蓄、基金、股票等金融產(chǎn)品對比來強調產(chǎn)品優(yōu)勢情況也非常多，用規(guī)則窮舉的效果很差。
第二，保險銷售的業(yè)務流程、邏輯是復雜的，對銷售員的要求非常精細化，傳統(tǒng)的機器質檢方案，無法對包含復雜場景和精細化要求的質檢項進行監(jiān)督。例如，在質檢項“意外醫(yī)療告知不嚴謹”中，需要先篩選出涉及到意外醫(yī)療的會話，再監(jiān)督銷售員是否明確告知是意外導致，以及是否明確告知意外醫(yī)療適用的保障范圍。傳統(tǒng)機器質檢很難處理這種需要對業(yè)務流程規(guī)范進行監(jiān)督的情況。
為了破解這兩大難題，一些領先的保司和保險中介機構，率先落地了新的解決方案，通過將基于AI技術的新一代合規(guī)質檢產(chǎn)品部署到業(yè)務流程中，大大提升了質檢的效果和效率。具體來看，他們采用了三種新的實踐。
實踐一：
從“關鍵詞”升級到“一段話的語義”
從工作原理上看，保司和保險中介機構部署的初代機器質檢系統(tǒng)，通過將錄音和微信語音轉寫成文本，然后借助“關鍵詞和正則表達式”進行窮舉，以查找其中可能涉及違規(guī)的會話。
而新一代的AI機器質檢方案則與之不同。新方案通過“喂”給機器足夠多的違規(guī)實例片段和不違規(guī)實例片段（即經(jīng)人工判斷屬于某項違規(guī)或不屬于某項違規(guī)的對話語句片段，這個過程在AI領域被稱為“人工標注”），訓練機器算法去“學習”違規(guī)對話片段的隱含特征，然后用“訓練”出的模型識別更多對話片段的語義，看看是否命中這個“AI語義點”。
質檢項可能包含一個“AI語義點”，也可能包含多個“AI語義點”的組合。保險質檢項的特點是專業(yè)程度很高，例如質檢項“現(xiàn)金價值描述違規(guī)”由單個AI語義點組成，但其定義需要高度依賴保險專業(yè)知識和行業(yè)經(jīng)驗，只有仔細檢查了超長的上下文對話之后，才能準確得知一段對話是否命中了“現(xiàn)金價值描述違規(guī)”。
這也是循環(huán)智能（Recurrent AI）在服務多家頭部保司的質檢項目時，學到的第一條經(jīng)驗：在“質檢項”生產(chǎn)過程中的人工標注環(huán)節(jié)，需要保險企業(yè)的人員直接參與進來，與AI質檢供應商內部的保險行業(yè)專家合作進行生產(chǎn)（標注數(shù)據(jù)），才能更快提升模型的準確性。第二條重要的經(jīng)驗是，保司和提供新一代AI合規(guī)質檢解決方案的公司，要花很多精力來對齊質檢項的定義，這部分的工作越完善，后續(xù)的工作效率就越高。
實踐二：
引入自定義字段和復雜流程&邏輯配置
保險銷售過程的合規(guī)質檢，至少包含了兩種基本的情況：
第一種，發(fā)現(xiàn)銷售員“說錯話”的情況，例如“夸大陳述”這樣的質檢項，通常只包含單個AI語義標簽（AI語義點、AI語義畫像），只要說了就算違規(guī)；
第二種，發(fā)現(xiàn)銷售員不嚴謹或不規(guī)范的地方，例如“產(chǎn)品介紹遺漏”這樣的質檢項，通常會涉及多個標簽（AI語義點或正則語義點），因為先要判斷當前對話的場景是否涉及某個長期險或短期險，然后再判斷是否講到了相應保險產(chǎn)品的所有五項或七項特點。
事實上，第二種情況還可能涉及到多種復雜場景，有時候需要引入企業(yè)的自定義字段，有時候需要判斷對話內容上下文的邏輯，才能判斷對話是否存在不嚴謹或不規(guī)范的地方。例如：
1）不同產(chǎn)品的“責任免除”范圍是不同的：因此需要引入企業(yè)的自定義字段，先判斷這通對話是在介紹哪個產(chǎn)品，然后再判斷相應的“責任免除”范圍是否準確陳述。
2）一些違規(guī)項是由多個語義點的邏輯關系組成的：例如，保單遞送場景，提及電子保單或紙質保單其中一個都算合規(guī)。但是關于“保單生效日”陳述的要求是，必須講到生效日，同時提到“扣款不成功不生效”，才符合要求。
3）先后順序：在投保確認前，不允許核對客戶的個人信息（信用卡號等）。
循環(huán)智能（Recurrent AI）的新一代合規(guī)質檢系統(tǒng)，支持企業(yè)自定義字段，以及復雜多樣的質檢項場景邏輯配置，對于復雜邏輯質檢項的支持更加精細化、更加完善。
實踐三：
引入秘密武器“違規(guī)值”評分
在服務保險企業(yè)的過程中，循環(huán)智能（Recurrent AI）團隊發(fā)現(xiàn)，盡管使用了AI語義點，也使用了多個AI語義點的邏輯關系配置功能，但有一些質檢項過于復雜（例如：混淆新老保單），AI語義點加上邏輯關系組合也難一網(wǎng)打盡。
面對這種棘手的情況，循環(huán)智能（Recurrent AI）創(chuàng)造了一種新的“違規(guī)值”質檢方式。這種新方法，并不關心具體哪句話違規(guī)了，而是專注計算整個會話違規(guī)的可能性。
通過把整個對話（甚至同一個保單對應的多個對話）當成一個整體進行機器學習：在訓練階段，將“違規(guī)”的整體對話和“沒違規(guī)”的整體對話輸入算法模型，學習“違規(guī)”對話的隱藏特征；在執(zhí)行階段，將新的對話輸入算法模型，然后計算該對話違規(guī)的概率。
根據(jù)企業(yè)的實際需求，違規(guī)值計算又包括兩種場景：
整個會話命中單個質檢項的違規(guī)值
整個會話命中多個質檢項的違規(guī)值（例如命中S級質檢項組合中的任意一個算違規(guī)）
在需要100%人工復檢的保險成功單質檢場景，如果在算法建模階段經(jīng)過了充足的數(shù)據(jù)訓練，那么循環(huán)智能（RecurrentAI）的“違規(guī)值”排序功能，基本上可以在違規(guī)值前60%的會話中找到大部分違規(guī)對話，最高節(jié)省40%的成功單質檢工作量。
保險質檢的“三級火箭”
在服務保險客戶的過程中，循環(huán)智能（RecurrentAI）逐漸形成了保險質檢的“三級火箭”解決方案：
第一級：從字和詞級別的關鍵詞+正則方式，到引入句子和段落級別的AI語義點方式；
第二級：引入企業(yè)自定義字段和邏輯規(guī)則判斷，實現(xiàn)多個語義點之間復雜的流程&邏輯判斷；
第三級：計算整通會話違規(guī)的可能性高低，通過違規(guī)值排序，幫助人工復檢員節(jié)省工作量。
通過引入和部署經(jīng)過考驗的AI質檢技術，保司在質檢工作中的效率可以得到數(shù)倍提升。
循環(huán)智能（Recurrent AI）在銀行保險相關領域服務了招商銀行、人保財險、招商信諾、太平洋保險、眾安保險、360保險、水滴公司和輕松籌等標桿企業(yè)，除了新一代合規(guī)質檢（Compliance）解決方案，循環(huán)智能在保險領域還提供精準銷售與名單優(yōu)選（Target）解決方案以及人員產(chǎn)能提升（Expert）解決方案。
