關系圈識別可降低金融風險
接下來說搜索。
以前的計算機系統(tǒng)做的探索，主要是關鍵詞的匹配和搜索。這在結構化數據當中可以做，但是80%的數據都是非結構化的數據。
現(xiàn)在認知系統(tǒng)有兩個功能：
第一，可以做到模式匹配和關系的發(fā)現(xiàn)。通過語義理解和模式匹配，可以在海量的非結構化數據當中做搜索想要的東西。比如，對一個問題，可以從海量的知識庫當中可以定位用戶所需要的答案，而不是一個關鍵詞。
第二，在海量數據當中，可以發(fā)現(xiàn)很多相關的知識、知識之間的關系是什么。
未來，IBM希望能做到無監(jiān)督的知識的構建，現(xiàn)在做的知識圖譜的構建大多還是有監(jiān)督的。未來，希望人工智能能夠從海量的知識庫中抽取其中的關系、以及關系存在的類型，能夠自動地去學習、更新、維護。
此外，現(xiàn)在很多人工智能在寫詩、在寫歌、在寫文章。IBM希望未來的探索使得認知系統(tǒng)能夠做一些藝術家所做的工作，即“創(chuàng)新”。
在這方面，IBM已有產品落地。賴開文介紹，IBM在四大行的某一家銀行里頭我們做了一個基于圖計算的品牌。通過圖計算幫銀行來進行風險的識別和傳導的預測。
具體來說，IBM做了八種關系的關系圈搜索，包括股權關系、擔保關系、投資人之間的關系、資金圈的關系等等。在這八種關系當中，IBM去檢索相應的關系圈。賴開文介紹，IBM的System G目前已經非常強大，原來做這樣的一個關系識別要一個月的時間，現(xiàn)在做到了只要分鐘級就可實現(xiàn)。原來這個關系圈做到6個就做不下去了，現(xiàn)在能夠做到無限的，20個、30個，甚至上百個關系圈搭建。
利用關系圈的搭建，IBM做的是風險傳導的預測。在這個關系圈里頭當有一個點出現(xiàn)違約的時候，它剩下的關系圈的其他的點什么時候會違約？它違約的概率有多大？就像一個蘋果筐里頭有一個蘋果爛了，其他的蘋果什么時候會爛掉？就可以預測了。我們做的準確率在40的預測做到58.2%，基于這樣的驗證，IBM即將對銀行進行這樣的產品推廣。現(xiàn)在很多銀行都很關注，對風險傳導的預測能夠大大減少銀行損失。
人工智能輔助決策
人工智能最重要的能力或者最關鍵的能力就是幫助人們做決策。IBM認為現(xiàn)階段人工智能或者認知計算更多強調的是“輔助”決策的階段。
“輔助”決策的意思是，IBM會給用戶決策的建議，這些建議里有一個“置信度”，即這個計算機系統(tǒng)、認知系統(tǒng)認為他的置信度有多少，即判斷它再多大程度上是靠譜的。并且“可追溯”，意思是，每個決策建議后面會給出證據，人可以據此作出判斷，覺得合理就采納，如果不合理，就做出自己的判斷。
在這方面，IBM的落地項目是，幫日本的一家保險公司做智能理賠。壽險公司的理賠非常復雜，因為病種很多，每個病都很復雜，要分清什么情況賠、什么情況不賠，是很專業(yè)的事情。同時，在判斷是否應該理賠時，要核查非常多的文檔、檢查的資料、醫(yī)生的處方等等。一般復雜大病需要10年以上的員工才能做。這樣人力成本的投入是非常高的。IBM通過沃森系統(tǒng)幫壽險做智能的理賠，做兩件事情：
第一，從非結構化的數據（從醫(yī)院拿過來的醫(yī)生開的處方單、診療報告）當中，把關鍵特征信息抽取出來，包括了疾病名稱、手術名稱、診療結論，不需要通過人去錄入。這是通過自然語言的理解、機器學習實現(xiàn)的。
第二，把抽取出來的特征與歷史數據進行對比，從而做出理賠決策。
賴開文透露，IBM給這家公司做完之后，該公司理賠的平均時間減少了40%，人員的投入減少了30%，原來有30%的人員轉崗去做別的事情了。每年減少支出1.5億日元。
他透露，IBM正在談中國的保險公司，TOP6的保險公司要把這樣的一個認知理賠的方案從日本移植到中國本地。（溫泉）
以下為演講實錄：
閆瑾：謝謝紀總的分享。因為保險現(xiàn)在是被大眾越來越需要，我們也期待人工智能在保險領域更多地落地，讓保險更加人工化、智能化和個性化。