如果你问 Alexa，“你能帮我再下单买一管牙膏、一瓶水，再来一份20年50万美元的保险单吗？”后者目前来看还有点不现实，但人工智能和机器学习在人寿保险行业的应用已经有了突飞猛进的发展。

大量关系错综复杂的、陈年累积的数据，以及需要整改的销售流程，使得人工智能的价值在保险业应运而生。这一般是通过自然语言处理（NLP）技术来做出判断。例如，当有人通过 Alexa 询问保险报价、和聊天机器人交流，甚至提交保险理赔文件，都会用到 NLP 技术。

在购买保险的前期沟通阶段，人工智能机器人可以帮助人们理解他们的投保需求，回答一些关于他们财务状况的问题，帮助客户进一步建立购买保险的决心。如果真的实现上述这些价值，这对机器人来说无疑是一套非常繁琐且个性化的过程，否则一句“抱歉，我不知道你在说什么”就会直接结束了一段对话。

AI 在保险业另一有前景的应用是保险购买体验的个性化定制。基于每一个客户的过往资料和投入情况有针对性地给出购买流程，可以省去很多不必要的问题和步骤。

基于机器算法的承保

随着数据和处理经验越来越丰富，机器学习技术可以通过置换迭代来发现数据点间细微的模式和关系，这在以往要申请者的数量足够多才能显现。从而发现一些被人们分析所忽略的奥秘。

另外，基于机器的处理过程还可以为客户在申请保单的过程中提供更多层次有价值的信息。例如，可以提供快速的投保范围决策，给出更具竞争力的定价，提高了准确性同时又降低了风险。

但基于机器的承保目前还是有它的局限性。机器学习主要适用于可以根据数据输入和承保规则来做出决定的情况。但是，对于很多更加复杂的案例，需要从大量的实际场景中才能得到解决方案时，就需要设置程序让机器将任务将转给我们人类做更全面的审核。

当需要人工审核时，机器可以通过结构化的方式缩减细枝末节，使承保人直奔主题更专注于特定的内容。

数据是人寿保险的基础

要理解人寿保险中的机器学习，必须要有作决策所需的足够多且正确性有保障的数据。这是分析和迭代最复杂的数据集之一，因为要30年才能看到承保决策的正确与否。人寿保险用于机器学习的数据主要有两类：申请人的信息和外部数据源。

在申请过程中获得客户的深度信息和想法，这一点是很有价值的。机器学习正是通过这些来比较一个人的健康史、生活方式选择、职业以及判断他们投保后可能的风险等信息。

为了创建一个清晰的对比机制，机器学习模型需要承保决策的历史结果、第三方数据集以及遵循的承保规则。例如，我们的算法承保平台使用的规则是过去15年里、约100万申请人的数据。有了这些数据分析决策，再结合行业标准的第三方数据源和申请人的信息，这才是一个模型做决策所必备的。

你可能会想，“除了日常活动、社交和其他可获得的数据集，为什么不去探索更多新的数据源？”

这个答案是：无论是对客户还是对技术，数据多并不一定总是一件好事。

如果你想要从客户得到更多的数据，那当然就要给他们提供更多有价值的信息。同时还要保证这些数据收集、分析和处理的合法性。

更多数据您要求客户提供更多数据，那么您必须为他们正在处理的信息提供更多的价值。您还必须确保合法合理地收集，分析和处置该数据。

对于机器而言，太多的数据如果没有足够的场景案例支撑，将会为机器在做“重要”决定判断时创建太多变量，反而画蛇添足。问题的关键在于如何平衡对更多的数据和更精准有价值的需求。

未来将去向何方？

越来越多的公司都在设法让 AI 技术落地，首要的还应该是客户价值。如果使用正确，机器学习是可以减少收集数据的需求，而不仅仅是提出确定死亡率所需的问题，并最终作出决定。

虽然现在让 Alexa 替你买一份保险可能还不太靠谱，但实现完全以机器驱动来保护你家人的经济安全似乎已并不遥远。