1、,通过企业的认知体系的建设重新规划你的业务,改变世界的认知计算,PwC,Draft,现在的企业面临着前所未有的竞争压力。那些通过人工重复流程提供服务的公司需要考虑未来如何提供服务。普华永道认为正确的利用并融合机器学习、先进的数据架构、数据湖和新兴的人工智能技术可以为客户提供包括提升企业运营效率、营销，风控，数字化应用，提高客户和员工满意度等在内的多项支持。,认知科学将改变世界 我们如何工作，如何生活，如何沟通和如何成长,挑战:“知识管理真在快速的改变世界”,咨询顾问,帮助我们快!,客户,数字化带来的变革客户/以用户为中心的方法利用移动科技，社交媒体，云服务，大数据，人工智能，先进的分析技术等。
2、所有的这些新技术会给我们的客户一种新的体验，营销效率的提升，和客户资源的管控。获取客户，接触客户，营销客户的技术手段发生巨大改变.认知技术对商业和财务报告的影响今天主要介绍认知技术的概况及其对业务和 财务报表产生的广泛影响。我们将探讨认知技术如何改变我们对数据的理解和使用，以及如何提高金融产业的认知能力。同时，我们将以普华永道为例做一个案例分析，分析普华永道是如何应用处理能力和认知技术，去评估金融机构的资产组合的选择区域.,感知,互联,融合,智能,产业发展特征,产业发展特征,万物互联,金融产业向感知、互联、融合、智能的方向发展；万物互联、智能的发展带动全球金融产业结构和市场空间产生新的变化。产
3、生新的规范。,感知、互联、融合、智能成为金融产业发展新趋势,发展概况：互联网金融业在资金需求方与资金供给方之间提供了有别于传统银行业和证券市场的新渠道，提高了资金融通的效率，是现有金融体系的有益补充。,两大方向,金融信息化,互联网金融化,五大模式,第三方支付,P2P借贷,网络众筹,大数据金融,网上银行业务,中国金融行业转型的可能性分析,历史信贷记录,金融平台后台,业务部门,选定贷款对象,数据采集,数据计算,数据更新,数据分析,云计算系统,信息流过程,数据化的风险监管流程,利用认知技术捕获推动企业变革的所有抓手的可能数据. 利用七个抓手来评估企业的不同的运营能力.,技术是新一代革命的推手 企业如
4、何改变,“认知科学”（Cognitive Science）一词于1973年由朗盖特系金斯开始使用，20世纪70年代后期才逐渐流行。认知科学，就是关于心智研究的理论和学说。1975年，由于美国著名的斯隆基金的投入，美国学者将哲学、心理学、语言学、人类学、计算机科学和神经科学6大学科整合在一起，研究“在认识过程中信息是如何传递的”，这个研究计划的结果产生了一个新兴学科认知科学。认知科学的发展首先在原来的6个支撑学科内部产生了6个新的发展方向，这就是心智哲学、认知心理学、认知语言学(或称语言与认知)、认知人类学(或称文化、进化与认知)、人工智能和认知神经科学。,权威机构预测，至2016年末全球营收前
5、一百的企业级软件公司中，有超过80家会将认知技术结合到它们的产品中，与前一年相比会有25%的提升，在2015年前一百名公司中已经有64家在发布的产品或服务中把认知技术作为亮点。到2020年，我们预计95%的前一百名公司会采用一到多个认知技术。预计在2016年，企业级软件市场中最重要的认知技术将会是：机器学习，自然语言处理和语音识别。,认知科学的基本概念与兴起,人类从磨擦起火把机械能转变为热能,瓦特发明蒸汽机, 又把热能转变为机械能，这是人类历史上两次最伟大的创举,创造了人类前文明史。智能革命将开创人类后文明史。与能量革命实现能量的转换与利用不同，智能革命实现智能的转换与利用，即人把自己的智能赋
6、予机器，智能机把人的智能转换为机器智能，并放大人的智能；人又把机器智能转换为人的智能，加以利用。如果说蒸汽机魔术般地创造了工业社会，那么智能机也一定能奇迹般地创造出智能社会,通过脑科学、认知科学与人工智能领域的交叉合作，加强我国在智能科学这一交叉领域中的基础性、独创性研究，解决认知科和信 息科学发 展中的重大基础理论问题，创新类脑智能前沿领域的研究。,我们要向人脑学习，研究人脑信息处理的方法和算法，发展类脑计算成为当今迫切需求。目前，国际上非常重视对脑科学的研究。2013年1月28日， 欧盟启动了旗舰“人类大脑计划（Human Brain Project）”, 未来10年投入10亿欧元的研发经
7、费Abbott 2013。目标是用超级计算机多段多层完 全模拟人脑，帮助理解人脑功能。2013年4月2日，美国总统奥巴马宣布一项重大计划，将历时10年左右、总额10亿美元的研究计划“运用先进新 型神经技术的大脑研究(Brain Research through Advancing Innovative Neurotechnologies：BRAIN)”，目标是研 究数十亿神经元的功能探 索人类感知、行为和意识，希望找出治疗阿尔茨海默氏症(又叫老年痴呆症)等与大脑有关疾病的方法。,随着欧、美等国相继启动各种人脑计划，中国也将全面启动自己的脑科学计划。“中国脑计划”已经筹备了两三年时间，初步形成开
8、展脑认知原理的基础、脑重大疾病、类脑人工智能的研究格局。类脑计算和人工智能研究是“中国脑计划”的重要组成部分，将以类脑人工智能研发与产业化为核心，从“湿”“软”“硬”和“大规模服务”这四个方向展开。“中国脑计划”已获国务院批示，并被列为“事关我国未来发展的重大科技项目”之一。类脑智能研究将借鉴脑的多尺度结构及其认知机制，提出并实现受脑信息处理机制启发的智能框架、算法与系统。,全球和中国的大脑革命,认知的定义,认知（cognition）是人们推测和判断客观事物的心理过程，是在过去的经验及有关线索进行分析的基础上形成的对信息的理解、分类、归纳、演绎和计算认知活动包括思维、语言、定向和意识4部分认知
9、反映个体的思维能力，是制定和执行护理计划的依据,认知智能,能理解会思考,感知智能,能听会说、能看会认,计算智能,能存会算,认知计算系统的四种能力,第一个层次是辅助能力。在认知计算系统的帮助下，人类的工作可以更加高效。 第二个层次是理解能力。非凡的观察和理解能力，可以帮助人类在纷繁信息中发现其内在的关联和涌现的趋势；面对海量的数据，虽然我们有搜索引擎这样的技术，但很多时候并不能如愿找到自己想要的信息。而认知计算系统可以更好地理解我们的需求，并为我们提供相应的服务。第三个层次是决策能力。企业制定发展战略，政府部门出台政策措施，都需要汇集和分析大量的信息，然后进行决策。认知计算系统则可以在决策方面为
10、我们提供帮助。 第四个层次是发现和洞察的能力，可以帮助人类发现当今计算技术无法发现的新洞察、新机遇及新价值。,认知体系发展的三个阶段,交易，事件，用途，社交，日志，语音和图像,数据块,ODS,MDM,数据仓库,内容,社交媒体和社区,内容认知的智能,数据的分析模型，学习，模拟，行动，保护,数据的理解异常关联,源数据的自动标签,知识语义标签,数据的自我学习,企业和行业知识库体系,收集，关联，标签，学习,数据信息,数据价值,数据技术,数据变现,数据的快速入库,深度挖掘,实时统计和检索,下一代的认知体系数据湖,认知技术是多种技术的集合，包括互动，学习和模拟人做决策的方式-通过分析数据，生成假设，并评估
11、证据，征收基于判断的决策。普华永道通过认知技术的应用将审计进行改革，将会进一步提高审计质量。认知技术的应用，使审计师与为此事财务报告的专业人士能够分析更多组织的财务和运营数据 - 结构化和非结构化 - 从已实施了数十年来完整的内容人口评估传统采样技术转化，从而利用技术继续专注于审计质量。,认知技术,分析数据,产生假设,检验,基于判断的决策,业务见解,转换样本技术,认知技术的应用概要,改变经营的方式,人员 激发员工信心从而使得员工表现出好的工作质量,指导原则通过创新产生深刻见解,认知技术,认知技术将从根本上影响企业内外部信息的使用和理解，通过实现更大的结构化和非结构化数据量的分析，并作为一个结果
12、，让审计人员深入了解财务信息，从而实现了更加详细和全面的业务。,数字式自动装置,数字自动化允许从公司系统中提取有效信息，用来评估大型数据集并进行基本的更精细的分析证据。该技术支持业务人员去评估控制风险，找出独特的交易和查明的数据或表现异常。,预测分析,使用监控捕获的数据，并将其与行业或市场数据的分析组合，可实现对潜在的商业风险有更深入更强大的了解。使这一切成为可能的先进技术，可通过机器人和机器学习得到发展，同时为业务专家提供额外的分析能力和知识。,数字式自动装置,认知技术,数据 & 分析,预测分析,计算技术的巨大进步从根本上改变业务的进行方式。自动化和认知技术为带来了更高的洞察力和不同的角度，
13、为企业变革奠定了基础。,数据 & 分析与认知技术的应用,在当今的技术环境，数据&分析一般是基于确定性，可编程软件，然而认知技术是基于自然语言处理和概率推理。因此，认知技术和数据&分析是互补性很强的方法，可以用来处理各种我们今天所面临的最具挑战性的问题。在实践中，认知技术和数据&分析是不同的，但协同，结合使用就可以产生更大的深度分析和对业务洞见更有益的见解。,DO,分析（逻辑回归）,认知（理性）,做正确的决策,做出正确的决策,预测,对比,测量,规定,分析,优化,防范 监督,假设,评估,概率,类推,推断 选择,争论,001001010100110011,数据 & 分析与认知技术的动态显示,变化幅度
14、,技术创新随时间的变化,数字式自动装置,数据 & 分析,预测性分析&,认知技术,维持核心,发展核心,转变核心,结构化数据,非结构化数据,“核心” 定义：代表的财务报告和审计职能的基本活动。,创新之旅,顾客数据,行业数据,业务创新,自动化数字装置,认知技术,数据 & 分析,预测分析,D&A,认知能力大数据集非结构化数据处理能力机器学习,PwC IP,创新带来新的观点,有哪些技术被应用？,全自动化流程( 机器),机器学习是阶梯的第三级，人工程序之上，人工智能之下。,手动（文件处理）由人而非机器操作重复的无技术含量的工作,半自动处理(外包)以人为中心的工作流程，尽管实现了半自动化，依旧需要较多的人工
15、干预,像人类操作那样使用已有的应用软件，如CRMs, ERPs, 帮助和理赔应用可在后台对日常的、规则驱动的重复性工作进行自动化处理,复杂的认知学习系统可以监控流程，同时对自动化流程提供建议或者设计方案学习系统的发展可以通过自动化模拟并替代人类的工作需要大量的学习数据才可以实现,AI（人工智能）,认知阶梯,执行试点 选择目标流程的子集进行试点设计。对少量的代理人安装机器,识别目标 明确可以被机器人所取代的业务流程,验证研究试点结果，并对结果进行分析，总结优点。设计治理方案。,准备,实施,服务器和机器人 安装服务器和实施机器人监测分析,业务流程验证,群簇分析学习了解机器使用案例,监控&分析监控过
16、程，并通过迭代添加进行改进,我们的认知识别流程,准备1 2 月,业务流程验证 2 - 4 月,活动普华永道资源示例客户责任示例,影子练习 技术分析原型准备业务分析师 技术人员工作流专家后台业务员业务分析师,合成原型和反馈结果影子练习 工作流选择供应商选择 业务分析师技术人员流程/中小企业工作流工作流专家后台业务员业务分析师关键利益人意见,实施3 - 5 月,自动化工作流安装机器人开发应用连接器构建自动化分析指标业务分析师集成专家工作流中小企业 工作流专家 后台业务员IT管理员关键利益人意见,探索项目流程设计,AI机器学习,认知,学习,基于规则,认知处理非结构化和自由形式的数据 可伸缩性,学习曲
17、线,优势,虚拟工作集成数据安全,劣势,学习曲线认知可伸缩性,人工智能可伸缩性能力,认知,Watson,Amelia,Automation Anywhere,结构化，,电子的,有图案的,非结构化， 非结构化，,自由形态,优势,劣势,优势,劣势,优势,劣势,认知可伸缩性,定制化数据安全,自动化场景和供应商,BluePrism,智能感知,智能感知、传感系统是人工智能的眼睛、耳朵、鼻子和手，用于数据采集和环境信息感知。物联网、生物、运动、医学、健康、环境类智能传感器，以及面向智能制造、工业互联网应用的微机电传感器、多参量集成传感器和自检校、自诊断、自补偿传感器等快速发展，奠定了人工智能的感知基础,谷歌
18、无人驾驶汽车的智能感知系统,智能楼宇、家居的智能感知系统,人工智能的技术要素,“人脑芯片”也叫神经元芯片，是从硬件层面对人脑物理结构的模拟。传统的冯.诺依曼架构更适合逻辑和数值计算，“人脑芯片”则对分布式、非线性、认知类计算具备优势。2014年，IBM公布一款仿人脑芯片：TrueNorth，邮票大小、重量只有几克，集成了 54 亿个硅晶体管，内置了 4096 个内核，100 万个 “神经元”、2.56 亿个 “突触”，能力相当于一台超级计算机，功耗只有 65 毫瓦。,人脑芯片,IBM 神经元突触超级计算机阶段原型Brain Cube,TrueNorth芯片结构、功能、物理形态图,人工智能的技术
19、要素,“深度学习”算法,对人脑结构和工作机理的研究是人工智能算法研究开展的基础“深度学习”在多层神经网络算法的基础上，加入特征学习的部分，模仿人脑对信号的分级处理，将底层特征抽象为高层类别，使得学习目标更精准、更有效。“深度学习”使得机器学习有了突破性进展，将认知科学带上了一个新的台阶。,人工智能的技术要素,大数据,数据爆炸式增长，为人工智能机器学习提供了充足学习样本。大数据分析、处理技术的发展，为人工智能提供了基础工具基于互联网、移动互联网的大数据应用是人工智能发展的主要驱动因素。,谷歌2012年进行了著名的“找猫咪”实验：在未事先获取“猫的特征描述”信息的情况下，由神经网络计算机系统根据Y
20、ouTube网站的100万份猫的图片和视频自行总结出猫这一概念的特征，从而具备对“猫”的独立识别能力。,人工智能的技术要素,云服务提供商提供的GPU+CPU整合资源计算服务，满足了人工智能复杂计算的需求。云计算为深度学习提供了平台。云计算使成本低廉的大规模并行计算得以实现。,云计算,人工智能的技术要素,计算机、智能终端的发展解决了金融产业“端”的问题。互联网、移动互联网、物联网的发展基本解决了“连接”问题。当前，“端”产品与基于“连接”的服务已遭遇技术和商业的双重“天花板”。解决突关键都指向了人工智能。人工智能成为贯穿整个金融领域，站在产业皇冠最顶端的“宝石”。,I金融产业发展焦点从互联网转向
21、人工智能,人工智能产业生态的三层基本架构,基础资源层：主要是计算平台和数据中心，属于计算智能；技术层：通过机器学习建模，开发面向不同领域的算法和技术，包含感知智能和认知智能；应用层：主要实现人工智能在不同场景下的应用。,基础资源支撑,“基础资源+技术+应用”的人工智能产业生态逐步形成,“先发优势企业跑马圈地,2014年，三位人工智能领域泰斗级人物分别加入谷歌、Facebook和百度，充分展示了这些互联网巨头对人工智能领域志在必得的决心。,“竞争性合作将是主流,语义标签模型的业务场景,建立360度客户信息视图，全方位洞察客户,以独创的“7W2H”标准语法将客户解析， 归纳为“客户属性、客户行为、
22、客户需求”三方面,客户信息架构缘起,基于消费者行为学，ERG需求理论，ICB国际行业分类等业界权威理论，结合平安银行实际情况，量身定制客户信息架构。,客户信息的构建依据,客户本身所固有特性，非传统与互联网、金融等相关的特性,客户所有活动，远不止与银行行业相关的行为。,客户生活和心理真正的需要，不局限于对产品的需要,需求：Needs,属性：Is & Has,行为：Does,超越传统所想！,洞悉客户需要！,涵盖方方面面！,3个维度、6个层级的客户属性库体系,银行数据银行交易数据用户金融信息电话录音,客户信息构建 针对大数据平台数据信息按照客户的标签进行分类,基本信息,财务信息,属性信息,行为信息,
23、用户姓名,用户性别,用户年龄,起始时间,服务年限,绝对贡献值,增长率,当前账户余额,当前积分,月均账户余额,月均积分,工作单位,社会职位,工作性质,社会影响力,基本套餐类型,品牌信息,月均工资范围,婚姻状况,民族,生日,业务办理常用渠道,月均投诉次数,投诉常用渠道,增值业务使用信息,月均使用量,社会地位,宗教信仰,所属行业,家庭结构,通信地址,汽车内装,经常洗车,是否加入汽车俱乐部,爱好汽车类型,服务高峰时段,服务类型,汽车更换频率,月均服务次数,业余爱好,消费习惯,保险理赔信息,经常访问网站,消费结构,最近缴费时间,政治面貌,投诉问题, ,常玩游戏, , , ,住居区域,其他信息,社交信息,
24、大数据平台标签数据,源系统数据,互联网数据浏览信息搜索信息SNS信息,用户数据身份信息偏好数据地理位置信息用户事件,电子商务数据商品浏览信息交易数据消费趋势信息,业务人人贷小额贷款,风险管理和合规反欺诈反洗钱多点检测,营销实时营销营销活动事件式营销全渠道营销,客户360客户视图客户定价客户分类,对于企业内外部不同来源的信息，使用多源数据采集架构来捕获各种可能需要的数据，并包含数据格式统一化引擎用确保所有输出数据标准的一致性。,网络爬虫JoBo/Nutch,数据流技术引擎,聚合信息描述框架（RSS）,第三方社交API,数据服务商接口,虚拟专用网络代理,网路防火墙,人工输入接口,纸质内容扫描,图像
25、识别OpenCV,语音识别CMUSphin4,电子文档导入,外部数据采集,内部数据采集,数据获取模块,HTML格式处理,XML格式处理,Excel数据处理,PDF格式处理,JSON格式处理,Word格式处理,数据统一化适配模块,数据格式化处理,统一输出,外部数据采集架构,基于大数据的数据采集技术,外部数据获取路径。,低,高,数据即时性,低,高,获取难度,内部数据,客户基本信息、卡号、流水、消费、续期业务信息,业务线坐席收集客户信息客户特征职业和家庭信息风险意识、投资偏好,业务线网络收集客户信息,内部及外部已整合数据,个人、家庭保障缺口,客户投诉文本和语音,CDMGBD社交媒体信息（如人人、微博
26、等）,客户经理掌握的客户信息,客户增值服务使用和体验信息,收入房产车产投资,内外部未/半整合数据,旅游网站信息携程途牛芒果网,移动App信息运动锻炼、减肥餐饮理财,即时获取使用网站个人信息即时获取使用社交媒体个人信息即时获取在线搜索健康、养老、教育、投资信息,在线购物信息（如生活、健康、医疗商品购买）淘宝/天猫京东苏宁,穿戴式设备（例如泰康咕咚手环“活力计划”）,小数据,大数据,医疗和健康管理信息,数据来源的定义,通过标签化处理实现对碎片化数据的处理,1. 数据碎片,2. 元数据标签,3. 数据洞察,分析与可视化,如果提取碎片化数据中的信息?如何构建数据碎片直接的关联?如何基于碎片化的数据进行
27、业务洞察与数据可视化?,索引分类,搜索,前台 信息搜索结构的变化,半结构化数据,结构化数据,文本和非结构数据,实体对齐,异构数据整合,属性值决策,关系建立,认知立方数据,索引生成,检索系统,知识库,可配置化检索,信息检索,信息实体的N维到平面特征的转换,结构化知识库,业务问题的实体,知识表达工具,元数据方案不具有普遍适用性。无法克服特殊性与一般性的矛盾，而形式化的知识本体可以提供一种在元数据方案之间自动映射的机制，通过语义Web服务的体系架构进行实现；元数据应用难以实现元数据方案本身的进化，而知识本体可以提供信息系统的其它视图，只需要通过自动或半自动的手段应用新的元数据方案；元数据方案自身难以
28、对不同知识体系、不同“粒度”的资源进行描述，而知识本体正是起到这个作用，从而实现异构资源和系统之间的语义联系；单纯的元数据方案对于数字资源的整个生命周期的描述非常困难，而采用以诸如FRBR模型为基础的知识本体，这个问题便迎刃而解，不同生命周期的知识产权属性也非常易于描述；,本体价值对于数字银行的作用,提供与描述型元数据有关语义描述的知识地图提供资源库领域知识的规范描述提供元数据映射方案，集成到数字银行体系中的元数据服务中，成为协议的一部分提供智能代理与信息环境之间基于语义的理解机制作为跨平台、跨系统之间的通信中介分布环境下查询请求的语义理解数字银行中的数据挖掘,本体方法弥补元数据方法的不足,事
29、件知识图谱事件学习：从多个相似事件实例中学习层次主题模式主题,关键词,实体类型,Gene Ontology,LOD,企业对知识图谱根据内部数据有大量的业务需求需求,知识图谱在企业数据上的利用从两方面来建设知识图谱体系: 知识实体，算法,1 : 4 ！,“人工智能”从科幻走进现实,2 top issues机器的崛起,工业革命 第一个机器时代，见证了体力劳动的自动化。我们生活在第二个机器时代，大量增加的自动化和认知工作。,第二个机器时代见证了人工智能（AI）的兴起，这里的“智能”并非人类人类思考的结果。现在许多商业产品中，从搜索引擎到虚拟助手是无处不在的。人工智能是计算能力、记忆能力、云计算、分布
30、式、并行处理、开源解决方案和全球化人与机器连接等指数化增长的结果。大量结构化和非结构化数据（如文本、音频、视频、传感器）生成了迅速处理、有意义、可行性见解的数据。,3 top issues非神秘化的人工智能, 人工智能与认知计算 认知计算没有一个明确的定义。最确切的来说，它可以被看作AI的子集，基于大脑如何工作来模拟人类思考方式。它也被视为“使用自然语言程序和机器学习来使人类与机器的交互更加自然化并进一步延伸人类专长与认知的一种科技范畴。”2 在任何一种定义下，它都是AI的一个子集，而并不是一个独立的学习领域。, 人工智能与数据科学 数据科学3指的是跨学科的领域，包括了统计学、数学、计算机科学
31、与业务分析来收集、组织、分析大量的数据来实现可行性洞察。这类数据（如，文本、语音、视频）和分析技术（如，决策树、神经网络）都是数据科学和AI使用非常相似。如果有区别，可能是基于其目的而产生的不同。数据科学目标是为业务产生可行性洞察，不考虑模拟人工智能，而人工智能则是为了模拟人类思考的智能化。, 2 Why cognitive systems? http:/ A very short history of Data Science http:/ 机器学习仅仅是人工智能的一个子领域。是科学与工程使机器“学习”。也就是说，智能机器需要做学习以外的很多事 它们需要规划、实施、理解并能够提供理由。,机器
32、学习与深层学习 机器学习与深层学习经常被交替使用。深层学习实际上是机器学期的一种类型，使用多层次神经网络学习。也有其他机器学习的方法，包括贝叶斯学习、进化学习以及符号学习。,4 top issues,无人驾驶汽车当美国国防先进研究计划局 (DARPA)举行2004年自动化汽车挑战时，没有汽车可以完成150英里的挑战。实际上，当时最成功的参与者只完成率7.32英里的挑战。然而第二年后，5辆汽车就完成了此项挑战。现如今，每个大型汽车制造商都在研发实现无人驾驶汽车未来5-10年上路的计划。而谷歌汽车已经达到130万英里的自主驾驶。人工智能（AI）技术 特别是机器学习与图像处理，帮助自主驾驶汽车创建了
33、一个周围事物实时视图呈现的效果，并且帮助其根据以往经验进行学习与行动。令人惊讶的是，大多数这些技术在10年前甚至是不存在的。,图 1: 人工智能主题领域 （非全部）,如上图所示，人工智能不是一个完全统一的主题领域，而是由一系列事物组成。在过去我们提供了一些AI在保险行业的例子；如它是如何改变客户原始体验、分布、风险管理、运营等。,5 top issues,图 2: 普华永道体验导航： 基于主体的体验模拟,个性化的客户体验：重新定义价值主张,客户体验 早期阶段：许多保险公司已经在早期阶段注重与优化和个性化客户体验。利用社会数据来理解客户需求以及客户对产品和流程的敏感度（如，需求）是人工智能一些早
34、期的应用。 发展阶段：此阶段是预测客户的需求并根据客户做什么推测其行为。机器学习与现实挖掘技术可以用来推测数百万的客户行为。 先进阶段： 更为先进的阶段将不仅仅局限于预测客户行为，而是个性化的交互与定制化产品的提供。保险公司最终基本上会向市场细分的趋势发展，运用基于主体的模型来理解、模拟、并定制客户交互与提供。,客户体验与人工智能 自然语言程序： 对非结构化的社交和线上/线下交互数据使用文本挖掘、主题建模、倾向分析。 语音/声频分析：使用呼叫中心语音记录来理解呼入者来电的原因。 机器学习：决策树分析法、贝叶斯学习法以及社会物理学可以从数据中推理出客户行为。 模拟模型：基于主体的模型来模拟每个客
35、户以及他们的交互。,6 top issues,数字化建议：重新定义分布,金融建议： 早期阶段：授权代理商传统上提供防护与金融产品建议。早期robo-advisor通常建议为自住客户提供一个投资组合的选择与驱动引擎。 发展阶段：在robo-advisor演化阶段提供了较智能的客户需求和基于目标计划的保护和金融产品。推荐系统和“someone like you” 测量与多元分析将会对客户和咨询师变得越来越有效。 先进阶段：U理解每个客户家庭的资产负债表、损益表、以及经济、市场和个体场景，以便更好为客户和咨询师建议、监测、修订财务目标与投资组合。,金融建议与人工智能： 自然语言程序：文本挖掘、主题建
36、模、倾向分析。 深层QA系统：采用深层问题解答技术帮助咨询师识别正确的税收优势产品。 机器学习：在客户对产品的需求基于不同人生阶段和事件时，采用决策树分析法和贝叶斯学习开发预测模型。 模拟建模： 以基于主体的模拟模型为客户提供全生命周期以及基于目标规划的支撑。 虚拟个人助理：利用移动助理监测客户行为、开销与储蓄等模式。,图 3: 普华永道： 基于AI的数字财富管理解决方案,7 top issues,自动化 & 扩增承销：增强有效性,承销 早期阶段：采用贝叶斯学习法或深度学习技术进行大型自动标准化汽车、家居、商业（小、中型商业）、生活、传感器数据（物联网）、非机构化文本数据（中介/咨询师或医生笔
37、记）、呼叫中心语音数据以及图像数据等承销。 中间阶段：对新型业务与承销流程采用soft-robotics与模拟建模，来理解可出现的风险并扩大自动化和增强承销。 先进阶段：运用AI系统（基于NLP和深度QA）扩增大型商业承销，识别人类决策者关键考虑。企业或个人个性化承销奖考虑独特行为与场景。,承销与人工智能 深度QA系统：使用深度问题解答技术帮助承销者寻找恰当的风险属性。 Soft robotics: 使用程序挖掘技术自动化并提升效率。 机器学习：使用决策树分析、贝叶斯网络以及深度学习来研发风险评估预测性模型。 传感器/物联网：采用家居与行业物联网数据建立风险驱动的运营智能，使其融入机器学习技术
38、。 模拟模型：采用系统动态模型建立深度商业风险因果模型和产品线。,9 top issues,Robo-claims adjuster: 降低理赔流程处理时间与成本,理赔 早期阶段：Bu使用现有历史数据进行开销管理、高价值损失、储备、结算、诉讼以及欺诈等理赔。分析理赔流程来识别瓶颈与各层级流程从而提升企业与客户满意度。 发展阶段： 采用预测模型和深度学习模型来建立robo-claims adjuster，使其可以利用分析图像来预估维护费用。另外，使用传感器和物联网来主动地监测和预防突发事件，即降低损失。 先进阶段：Bui建立理赔洞察平台，精确模型并更新不同经济与保险周期下重大损失的频率（如，so
39、ft与hard市场情况）。可以申请产品设计、分配与营销的理赔洞察，从而提升整体客户盈利能力。,理赔与人工智能 Soft robotics: 使用程序挖掘技术来识别瓶颈并提升效率，且顺应标准理赔流程。 图表分析：利用图表或社交网络识别理赔欺诈形式。 机器学习： 为了确定理赔费用，使用深度学习技术来自动化分类车辆事故中严重的损失。采用决策树分析、SVM和贝叶斯网络建立理赔预测模型。 传感器/物联网：为了减少风险与损失，使用家庭与行业物联网数据建立针对严重事故损失的运营智能。 模拟模型：建立深度因果理赔模型，使用系统动态和基于主体技术，并将其与产品和分布有效连接。,10 top issues通过机器
40、学习来定义新的风险,新兴风险与新产品创新 识别新兴风险 （如，网络安全、环境、纳米技术）、分析观测到的趋势、识别有可能合适此类风险的保险市场，并研发对应其开发覆盖产品。然而，收集、组织、清洗、集成甚至将这大量结构与非结构化的数据生成可分析的洞察，就目前来讲基本上是机器学习的任务了。 从发展中期来看，将人工与机器的洞察综合起来为保险公司提供可补充的、产生价值的能力。Man-Machine Learning 让人工通用智能可以执行任何人为的任务还有很长的一段路要走。同时，将人类的创造力与机器分析、综合数据能力相结合 也就是说，man-machine learning (MML) 可以产生直接的结果
41、。例如，对MML来说，机器学习部分可以从不同的资源中筛选日常新闻，识别趋势和潜在的重要讯号。而人力学部分可对上述部分提供强化与反馈，提炼资源后提供更宽泛和深层的内容。采用此类形式的MML，风险专家（同样采用ML）可以识别新兴风险并监测其重要性和增长情况。,MML可以更进一步的帮助保险公司识别潜在客户、理解关键特征、定制方案以及综合反馈意见来提供更好的产品介绍。（注：将机器学习与基于主体的模型相结合可以启用此类MML解决方案。）,Computers that “see”In 2009, Fei-Fei Li and other AIscientists at Stanford AI Labora
42、torycreated ImageNet, a database ofmore than 15 million digital images,and launched the ImageNet LargeScale Visual Recognition Challenge(ILSVRC). The ILSVRC awardssubstantial prizes to the best objectdetection and object localizationalgorithms.The competition has made majorcontributions to the devel
43、opmentof “deep learning” systems, multi-layered neural networks that canrecognize human faces with over97% accuracy, as well as recognizearbitrary images and even movingvideos. Deep learning systemsnow can process real-time video,interpret them, and provide anatural language description.,“People wor
44、ry that computerswill get too smart and takeover the world, but the realproblem is that theyre toostupid and theyve alreadytaken over the world.”Pedro Domingosauthor of The Master Algorithm,11 top issues人工智能：对金融企业的影响, 效率提升 人工智能已经在客户交互和兑换率、降低理赔分辨时间、新产品上市速度方面提升了效率。这些效率提升的结果是源于人工智能加速决策（如，自动化承销、自动审批理赔、自
45、动化金融建议等）。 实效提升 由于其对决策能力的提升，人工智能很快将提升前景目标，将其转化为对客户、风险评估、基于风险定价、加强理赔审批等的作用。随着时间的推移，当人工智能系统从其与环境、人类的交互中学习，它们将会变得比人类更加有效率并替代。咨询师、核保人、呼叫中心代理、理赔审批人等将会面临更大的挑战。, 提升风险选择与评估 人工智能最具有意义的影响在于其识别趋势与新兴风险、以及评估个体、企业、业务风险的能力。此能力可以帮助运营者基于从风险/非风险信息中开发新型收益资源，而其影响也是具有重要意义的。,人工智能的最初影响基本上是与提升效率、自动化客户服务和承销与理赔流程相关的。随着时间的推移，它的影响将会更加深刻，它可以识别、评估新兴风险并确定新的收入来源。,2. 识别合适的人工智能领域 解决特定的业务问题可以涉及不止一个领域的人工智能课题。确保映射所有适合的人工智能领域来解决所面临的问题（如，NLP、机器学习、图像分析等）。3. 从大处着眼，从小事着手 AI人工智能存在着对决策的重大影响，但企业仍需要建立正确的数据、技术、能力以及执行觉得从而使其得到开发。向更先进的能力开发一条进化性的道路。当人工智能平台持续从环境和人类方面学习，人工智能的能力就可以有效开发（也称“动态洞察平台”）。,
