如何看待AI和保險(xiǎn)的“水土不服”（上篇）

23時(shí)55分，降旗、升旗儀式開(kāi)始，中葡雙方護(hù)旗手入場(chǎng)。23時(shí)58分，在葡萄牙國(guó)歌聲中，葡萄牙國(guó)旗和澳門(mén)市政廳旗開(kāi)始緩緩降下。

1999年，上海弄堂里，張醫(yī)生正和家人端坐在彩電前，見(jiàn)證這一歷史時(shí)刻的到來(lái)。滴、滴、滴、滴，腰間的BB機(jī)顯示一條消息“暴露了，快走”。

隨著最后一名嫌疑犯張醫(yī)生被抓獲，上海市醫(yī)保部門(mén)的第一次聯(lián)合打擊騙保案正式告破，五名醫(yī)?！爸x(chóng)”全部落網(wǎng)。

在充滿(mǎn)龐氏騙局的時(shí)代，他們沒(méi)有想到自己的暴露，竟然源于當(dāng)時(shí)尚在萌芽中的技術(shù)“行為識(shí)別”，也就是今天的人工智能。

作為當(dāng)年那次行為識(shí)別的研發(fā)人員之一，好人生科技首席健康經(jīng)濟(jì)學(xué)家湯子歐博士，略帶自豪的表示：“和今天的算力相比，我們那時(shí)候完全是小米加步 槍?zhuān)荒馨凑者壿嬙跀?shù)據(jù)庫(kù)里一遍一遍刷數(shù)據(jù)，當(dāng)時(shí)我們開(kāi)玩笑說(shuō)，要是把電腦弄壞了，可能就賠了，因?yàn)樗⒊鰜?lái)的數(shù)據(jù)價(jià)值可能還沒(méi)有那臺(tái)電腦高?！?/span>

入行26年的湯子歐博士，2000年就已經(jīng)在出國(guó)培訓(xùn)中接觸保險(xiǎn)人工智能風(fēng)控，之后又成為首位華人北美健康險(xiǎn)管理師，壽險(xiǎn)管理師，國(guó)際健康風(fēng)險(xiǎn)管理協(xié)會(huì)（IHRMA）理事，并創(chuàng)立了中國(guó)首家獨(dú)立資質(zhì)的商業(yè)健康保險(xiǎn)公司。

他向雷鋒網(wǎng)表示，AI保險(xiǎn)風(fēng)控?zé)岫瓤此坪芨?，但是里程碑根本沒(méi)有到來(lái)，應(yīng)用都停留在淺層。雖然產(chǎn)品給大家的感覺(jué)是不明覺(jué)厲、但扒開(kāi)發(fā)現(xiàn)，無(wú)非實(shí)現(xiàn)只是小區(qū)門(mén)口識(shí)別車(chē)牌這類(lèi)的需求。

究其原因，并非是保險(xiǎn)行業(yè)根本不需要深層次的需求，而是一批學(xué)術(shù)型的創(chuàng)業(yè)者，唯技術(shù)論，堅(jiān)持“數(shù)據(jù)為王”，不愿意接受行業(yè)過(guò)去積累的知識(shí)，產(chǎn)品效果不好之后就開(kāi)始抱怨，找各種數(shù)據(jù)不足、算力欠缺、預(yù)算太低的借口。

以下是專(zhuān)訪(fǎng)的完整內(nèi)容，雷鋒網(wǎng)做了不改變?cè)獾木庉嫛?

雷鋒網(wǎng)：AI已經(jīng)在保險(xiǎn)風(fēng)控、醫(yī)保審核等場(chǎng)景中應(yīng)用，是否已經(jīng)有了明顯的效果、應(yīng)用不好的原因是什么？

湯子歐：AI要結(jié)合行業(yè)特點(diǎn)才能發(fā)揮作用，目前來(lái)看，AI在保險(xiǎn)行業(yè)的應(yīng)用，還沒(méi)有發(fā)揮出明顯的作用。

其實(shí)AI在保險(xiǎn)行業(yè)應(yīng)該是大有可為的，比如做單證收展。保險(xiǎn)行業(yè)每天有大量的投保單、理賠單需要人來(lái)處理，這種情況下，利用AI做這些單證的收展可以極大提升審核的效率和質(zhì)量。

另外，利用AI可以發(fā)現(xiàn)大規(guī)模數(shù)據(jù)的異常值，人們常說(shuō)，事出反常必有妖。保險(xiǎn)行業(yè)每一分每一秒都在產(chǎn)生大量新數(shù)據(jù)，這些新數(shù)據(jù)的審核，依靠人力總會(huì)出錯(cuò)。

對(duì)于數(shù)據(jù)，人工智能會(huì)比人更敏感，例如從統(tǒng)計(jì)學(xué)角度的找均值、方差，一旦發(fā)現(xiàn)高度聚集性的正態(tài)分布，就需要關(guān)注找原因，以及反標(biāo)簽的數(shù)據(jù)，例如男性發(fā)生了婦科用藥。

但現(xiàn)在的情況是，AI大數(shù)據(jù)風(fēng)控根本沒(méi)發(fā)揮有效的應(yīng)用。

原因在于，最開(kāi)始的那些技術(shù)大牛、一直追捧技術(shù)、卻沒(méi)有有效利用行業(yè)多年積累的經(jīng)驗(yàn)、也沒(méi)有和行業(yè)的需求結(jié)合在一起，這是很悲哀的現(xiàn)象。

雖然設(shè)計(jì)出的產(chǎn)品給大家的感覺(jué)是不明覺(jué)厲、但是扒開(kāi)發(fā)現(xiàn)，無(wú)非實(shí)現(xiàn)只是小區(qū)門(mén)口識(shí)別車(chē)牌這類(lèi)的需求。

最終造成這類(lèi)AI創(chuàng)業(yè)企業(yè)遲遲無(wú)法上市、盈利又困難、對(duì)整個(gè)市場(chǎng)估值都產(chǎn)生負(fù)面影響，最后跌的很慘。

舉一個(gè)例子形容，那些學(xué)術(shù)派創(chuàng)業(yè)者，面對(duì)保險(xiǎn)公司的需求，直接就表示：“只要你把數(shù)據(jù)給我，我什么都能給你解決”。

但保險(xiǎn)公司聽(tīng)到這句話(huà)的反應(yīng)，肯定直接一愣。因?yàn)檫@是站在技術(shù)的角度看問(wèn)題，“通過(guò)數(shù)據(jù)發(fā)掘、發(fā)現(xiàn)普遍規(guī)律?！?/span>

但是從保險(xiǎn)精算的角度，首先 保 險(xiǎn) 數(shù)據(jù)隱私安全非常重要、另外這些健康險(xiǎn)數(shù)據(jù)往往存在大量的噪音，直接拿數(shù)據(jù)找規(guī)律，得出的規(guī)則肯定不靠譜。

經(jīng)過(guò)幾百年的發(fā)展，保險(xiǎn)精算已經(jīng)積累大量規(guī)則性邏輯，AI只有和這些基礎(chǔ)結(jié)合才更適合保險(xiǎn)行業(yè)。

但學(xué)術(shù)派人工智能創(chuàng)業(yè)者，非要直接不信這些知識(shí)，堅(jiān)持“數(shù)據(jù)為王”，這也是目前雙方談不攏的主要原因，深度學(xué)習(xí)的學(xué)者不愿意了解精算知識(shí)，也不愿意深入。

最終造成依靠數(shù)據(jù)開(kāi)發(fā)的風(fēng)控產(chǎn)品，大大偏離市場(chǎng)的預(yù)期，未來(lái)這種矛盾可能會(huì)長(zhǎng)期存在。

雷鋒網(wǎng)：以好人生的經(jīng)驗(yàn)來(lái)看，保險(xiǎn)公司對(duì)于評(píng)判AI風(fēng)控產(chǎn)品的好與壞，有怎樣的標(biāo)準(zhǔn)。

湯子歐：經(jīng)驗(yàn)是人類(lèi)的知識(shí)，大數(shù)據(jù)挖掘結(jié)果是計(jì)算機(jī)的知識(shí)，對(duì)于A(yíng)I產(chǎn)品，最終還是服務(wù)人類(lèi)，最重要的評(píng)判標(biāo)準(zhǔn)是體驗(yàn)。

作為服務(wù)人類(lèi)生產(chǎn)生活的產(chǎn)品，AI首先應(yīng)該對(duì)人的生活發(fā)揮具體的效用，這個(gè)達(dá)不到，其他都是空話(huà)。

好人生對(duì)人工智能的應(yīng)用，具體的場(chǎng)景包括風(fēng)控核保、理賠、風(fēng)控和創(chuàng)新。對(duì)于保險(xiǎn)公司的作用，有一個(gè)代表性案例。

一家保險(xiǎn)公司，直接將十幾萬(wàn)例數(shù)據(jù)丟給我們，要求在兩天時(shí)間內(nèi)計(jì)算出可以節(jié)約多少成本。

要求和評(píng)判標(biāo)準(zhǔn)非常明確，但這么簡(jiǎn)單的需求，那些算法很強(qiáng)、建模能力很強(qiáng)的學(xué)術(shù)型創(chuàng)業(yè)公司也不一定可以完成。

這些數(shù)據(jù)好人生的風(fēng)控模型兩小時(shí)就可以完全跑完，并可以識(shí)別出10%的異常情況，再對(duì)這10%的數(shù)據(jù)進(jìn)行分析，更改參數(shù)再跑一次，從中得到5%的確定數(shù)據(jù)，最終統(tǒng)計(jì)效率在95%以上。

統(tǒng)計(jì)出來(lái)的這5%數(shù)據(jù)，可以依靠精算的經(jīng)驗(yàn)，分門(mén)別類(lèi)的報(bào)告就可以完成目標(biāo)。所以直接有用才最關(guān)鍵，把精力全花在算法上，往往就是鏡花水月。

雷鋒網(wǎng)：保險(xiǎn)AI產(chǎn)品主要的服務(wù)對(duì)象就是保險(xiǎn)公司，從保險(xiǎn)公司的角度，對(duì)于A(yíng)I的訴求是什么？不同部門(mén)又有怎樣的差異？

湯子歐：從客戶(hù)角度來(lái)說(shuō)，保險(xiǎn)公司評(píng)價(jià)產(chǎn)品的優(yōu)與差，不同的部門(mén)評(píng)價(jià)方法往往不同。

第一、銷(xiāo)售部門(mén)，對(duì)于人工智能的訴求是識(shí)別什么樣的人，會(huì)買(mǎi)他的產(chǎn)品，所以主要基于行為識(shí)別。

好人生對(duì)于這個(gè)需求，也開(kāi)發(fā)了相應(yīng)的行為識(shí)別產(chǎn)品，通過(guò)既往的健康行為和醫(yī)療行為，判斷其購(gòu)買(mǎi)傾向。

但用戶(hù)最終買(mǎi)不買(mǎi)保險(xiǎn)，買(mǎi)哪個(gè)產(chǎn)品，并不是理性的，而是感性的。用戶(hù)買(mǎi)保險(xiǎn)的時(shí)候很少有人會(huì)意識(shí)到自己真正需要什么，往往是根據(jù)自己的基礎(chǔ)認(rèn)知和當(dāng)下感受就買(mǎi)單，最終并沒(méi)有經(jīng)過(guò)需求適應(yīng)性評(píng)估。

第二、兩核部門(mén)，即核賠和核保。兩者的考核指標(biāo)不完全相同，核保部門(mén)目標(biāo)是不能放壞人進(jìn)來(lái)太多；核賠部門(mén)目標(biāo)是不能讓壞人得逞的太多。

所以就現(xiàn)在就產(chǎn)生兩個(gè)需求：

第一，回顧性風(fēng)控，要求對(duì)過(guò)去兩年的數(shù)據(jù)，進(jìn)行批量審核管理。

第二，在線(xiàn)實(shí)時(shí)風(fēng)控，現(xiàn)場(chǎng)決定出好人還是壞人。

前兩年健康險(xiǎn)公司創(chuàng)業(yè)野蠻生長(zhǎng)時(shí)代，有些公司為了獲得用戶(hù)量，就曾大量放水，不管是誰(shuí)，一律通過(guò)，但是很快就發(fā)現(xiàn)賠付率過(guò)高，然后股價(jià)很快就掉下來(lái)，開(kāi)始重視實(shí)時(shí)風(fēng)控。

綜合來(lái)看，兩核部門(mén)的初步要求都是真實(shí)核驗(yàn)，即使在線(xiàn)快速完成，也必須要有核賠算法在背后做支撐。

但目標(biāo)雖然一樣，具體實(shí)現(xiàn)又有較大差別。

核保是基于既往數(shù)據(jù)和行為時(shí)間序列進(jìn)行分析，并和標(biāo)準(zhǔn)值比較，最終確定差距大小。

核賠是對(duì)不同供方需方數(shù)據(jù)，進(jìn)行大規(guī)模比對(duì)，其中需要識(shí)別的數(shù)據(jù)既有需方，也有供方，也就是醫(yī)療行為和就醫(yī)行為，所以比風(fēng)控更加復(fù)雜。

第三、產(chǎn)品精算部，這個(gè)需求只有深入到保險(xiǎn)公司內(nèi)部，才能了解。因?yàn)楸ｋU(xiǎn)精算的需求在于，通過(guò)AI發(fā)現(xiàn)普遍性風(fēng)險(xiǎn)規(guī)律，也被稱(chēng)為保障標(biāo)的。

保障標(biāo)的主要有三個(gè)特點(diǎn)：被普遍關(guān)心和認(rèn)可；風(fēng)險(xiǎn)不可人控；風(fēng)險(xiǎn)可被預(yù)測(cè)。

這個(gè)過(guò)程一定需要人工智能在背后做算力支撐。20年前，自己做精算師的時(shí)候，完全依靠手工，速度非常慢。

現(xiàn)在通過(guò)人工智能做支撐，保障標(biāo)的的創(chuàng)新速度在逐漸加快，迭代周期逐漸縮短，甚至通過(guò)人工智能可以把過(guò)去聯(lián)想不到的風(fēng)險(xiǎn)事件內(nèi)在關(guān)聯(lián)逐一發(fā)現(xiàn)。

面對(duì)保險(xiǎn)公司內(nèi)部訴求的不同，AI產(chǎn)品只有貼合市場(chǎng)導(dǎo)向，才能實(shí)現(xiàn)價(jià)值。

雷鋒網(wǎng) (公眾號(hào)：雷鋒網(wǎng))：好人生過(guò)去有哪些實(shí)際案例可以證明，AI風(fēng)控對(duì)于保險(xiǎn)公司有明顯的作用？

湯子歐：過(guò)去有一個(gè)大型保險(xiǎn)公司的團(tuán)險(xiǎn)案例，它有一張服務(wù)幾十萬(wàn)人規(guī)模企業(yè)的團(tuán)險(xiǎn)訂單，這種巨量客戶(hù)，雖然保費(fèi)很可觀(guān)，但他實(shí)際非常痛苦，原因在于虧損十分嚴(yán)重。

每年都在虧，但又不能丟，這么大的規(guī)模，一旦釋放到市場(chǎng)，足夠可以養(yǎng)活一家小型保險(xiǎn)公司，而且這種雞肋型的團(tuán)單案例，市場(chǎng)上也并不少見(jiàn)。

對(duì)這個(gè)案例，不能執(zhí)行回顧型的兩年不可抗辯，好人生當(dāng)時(shí)采用的邏輯是在理賠過(guò)程中，實(shí)時(shí)進(jìn)行風(fēng)控。每一單都切入智能理賠的模塊，模塊中內(nèi)嵌風(fēng)控算法，并作API接口輸出和輸入，在安全屋經(jīng)過(guò)核算之后，再進(jìn)行理賠終決，很快輸出結(jié)果，這種快是實(shí)時(shí)的。

項(xiàng)目進(jìn)行一個(gè)周期之后，我們統(tǒng)計(jì)發(fā)現(xiàn)，從所有理賠中篩查出8~9%的索賠異常，而且經(jīng)過(guò)人工核實(shí)，其中98%基本正確。

給這種雞肋型團(tuán)險(xiǎn)業(yè)務(wù)解決很大的問(wèn)題，因?yàn)槠渥罱K和雇主談判過(guò)程中，利潤(rùn)也僅僅在2~3%之間，或虧或賺都在這個(gè)區(qū)間之內(nèi)，節(jié)省8~9%，利潤(rùn)就全出來(lái)了，實(shí)現(xiàn)轉(zhuǎn)虧為盈。

雷鋒網(wǎng)：保險(xiǎn)風(fēng)控是AI落地的重要方向，但有專(zhuān)家認(rèn)為，很多時(shí)候智能風(fēng)控根本用不到復(fù)雜的機(jī)器學(xué)習(xí)模型，一個(gè)簡(jiǎn)單的決策樹(shù)或基礎(chǔ)的統(tǒng)計(jì)模型就能解決，您怎么看？

湯子歐：這首先是一個(gè)比較普遍的現(xiàn)象，無(wú)論保險(xiǎn)、銀行，還是其它應(yīng)用人工智能行業(yè)。

這些應(yīng)用目前都僅停留在淺層，所以才有專(zhuān)家說(shuō)，相對(duì)簡(jiǎn)單的決策樹(shù)就可以解決問(wèn)題。

無(wú)法進(jìn)入的深層或者不需要復(fù)雜模型的原因，首先是因?yàn)樾袠I(yè)過(guò)去長(zhǎng)期粗放式的發(fā)展，導(dǎo)致大量簡(jiǎn)單錯(cuò)誤數(shù)據(jù)混在里面，所謂的噪聲；其次專(zhuān)業(yè)性問(wèn)題，是否具有幾十年的從業(yè)經(jīng)歷，看到那些行業(yè)深層次的需求。

反向來(lái)看“保險(xiǎn)行業(yè)是否不需要復(fù)雜的算力和因素？”其實(shí)是需要的。

從市場(chǎng)平均利潤(rùn)率角度，矮子當(dāng)中拔將軍，今天我的產(chǎn)品在行業(yè)領(lǐng)先一厘米，就開(kāi)始沾沾自喜，但明天忽然發(fā)現(xiàn)大家都漲了一厘米，就要面臨價(jià)格戰(zhàn)了。

所以為了避免價(jià)格戰(zhàn)，一定要做長(zhǎng)期的技術(shù)儲(chǔ)備。

今天的模型確實(shí)夠用，因?yàn)?9%的人，還沒(méi)有認(rèn)識(shí)到危機(jī)，保險(xiǎn)公司面對(duì)人工智能的到來(lái)，甚至也是兩眼一抹黑。但這種情況不會(huì)持續(xù)，更不會(huì)發(fā)生利用簡(jiǎn)單模型就可以躺在那一直賺錢(qián)的情況。

我認(rèn)為現(xiàn)在A(yíng)I對(duì)保險(xiǎn)行業(yè)的能量只發(fā)揮了百分之十幾，行百里者半九十，越往后就越能發(fā)現(xiàn)，新的需求和知識(shí)，這個(gè)知識(shí)一旦你知道別人不知道，產(chǎn)品的競(jìng)爭(zhēng)力就越強(qiáng)。

但越往后，往往越難，難點(diǎn)在于潛在規(guī)律的發(fā)現(xiàn)周期不確定，可能是兩個(gè)月、也可能是兩年。

以金融危機(jī)為例，現(xiàn)在都知道因?yàn)榻鹑趧?chuàng)新問(wèn)題，每十年會(huì)發(fā)生一次。但保險(xiǎn)科技的需求周期，還沒(méi)有被發(fā)現(xiàn)。

而且人類(lèi)是善于忘記的，三年以上，自己最初做這件事的原因可能都會(huì)忘記，然后就進(jìn)入意想、癲狂之中，爆雷可能就是早晚的事，就看誰(shuí)在爆雷之前接盤(pán)，最終吃下苦果。

像金融危機(jī)這么嚴(yán)重都需要十年以上的數(shù)據(jù)才能發(fā)現(xiàn)。一家風(fēng)控公司，AI只是手段，可能今天適用，明天又有另一種新的方法，數(shù)據(jù)和經(jīng)驗(yàn)的有效整合才是最核心的要素。

雷鋒網(wǎng)：既然數(shù)據(jù)才是最核心的要素，現(xiàn)在行業(yè)在數(shù)據(jù)利用上存在怎樣的問(wèn)題？

湯子歐：現(xiàn)在數(shù)據(jù)利用最大的問(wèn)題在于只注重“量”，忽略了時(shí)間序列。

一些人工智能公司為了積累量，就在橫斷面上搜集大量數(shù)據(jù)，在和保險(xiǎn)公司、政府醫(yī)保合作中，一下子可能獲得幾百萬(wàn)例數(shù)據(jù)，但都是兩年之內(nèi)的，之后就宣稱(chēng)有龐大的數(shù)據(jù)量。

這種數(shù)據(jù)積累我是不看好的，因?yàn)闄M斷面數(shù)據(jù)訓(xùn)練的模型，只能反饋這個(gè)時(shí)間點(diǎn)的靜態(tài)規(guī)律，過(guò)兩年可能就完全不靈。

統(tǒng)計(jì)學(xué)角度上，基于時(shí)間序列的分析非常重要，這和人的特點(diǎn)有很大關(guān)系。黑格爾說(shuō)：歷史給人的唯一教訓(xùn)，就是人們從未在歷史中吸取過(guò)任何教訓(xùn)，

人本身就具有健忘、盲目從眾、容易被麻醉和帶偏的特點(diǎn)，所以人的真實(shí)行為需要依靠時(shí)間序列進(jìn)行觀(guān)察，不能只從橫斷面看靜態(tài)。

雷鋒網(wǎng)：如果說(shuō)現(xiàn)在人工智能的應(yīng)用只是停留在淺層，那如果向更深的角度發(fā)展，遇到像數(shù)據(jù)噪音過(guò)多等問(wèn)題、應(yīng)該怎樣解決。

湯子歐：健康險(xiǎn)風(fēng)控不是一招鮮吃遍天， 大體上可以分為管理式醫(yī)療、慢病管理，健康促進(jìn)這三類(lèi)，三類(lèi)的風(fēng)控點(diǎn)完全不同。

管理式醫(yī)療側(cè)重是管供方，慢病管理供方需方兩頭管，健康促進(jìn)主要是管需方，這里面的底層認(rèn)知面非常廣。

目前AI做的都只是簡(jiǎn)單行為識(shí)別、糾錯(cuò)，現(xiàn)在這些能力達(dá)到的平均數(shù)在8~9%，估計(jì)未來(lái)可能會(huì)實(shí)現(xiàn)15~20%，就到達(dá)技術(shù)的邊界，即使是加上未來(lái)的技術(shù)，也在30%以?xún)?nèi)。

真正要提升，方向就要拓寬，借助其他技術(shù)門(mén)類(lèi)，解決傳統(tǒng)的灰色地帶問(wèn)題，例如濫用，這些其他技術(shù)門(mén)類(lèi)就是行業(yè)過(guò)去已有的知識(shí)，所謂的經(jīng)驗(yàn)。

1999年，自己參加世界銀行學(xué)院培訓(xùn)里面一節(jié)課就講到：現(xiàn)在沒(méi)有辦法對(duì)人類(lèi)的行為進(jìn)行高效的識(shí)別，但可以進(jìn)行定向分析，彌補(bǔ)算力的不足。

這個(gè)觀(guān)點(diǎn)同樣適合現(xiàn)在，我們不能對(duì)海量的數(shù)據(jù)在各個(gè)角度、各個(gè)維度都精算一遍，因變量就可能變成自變量，最終數(shù)據(jù)的排列組合非常巨大，即使是現(xiàn)在的算力也無(wú)法滿(mǎn)足。

所以如果要深入，就要依靠行業(yè)的既有知識(shí)和大數(shù)據(jù)的應(yīng)用高效結(jié)合，這種結(jié)合誰(shuí)做得好，誰(shuí)就會(huì)實(shí)現(xiàn)領(lǐng)先。

雷鋒網(wǎng)：很多風(fēng)險(xiǎn)控制，更多是靠人的經(jīng)驗(yàn)判斷。您認(rèn)為人工和智能，哪個(gè)更重要？

湯子歐：在相當(dāng)長(zhǎng)一段時(shí)間內(nèi)，人的經(jīng)驗(yàn)肯定比智能重要，我舉一個(gè)例子，做保險(xiǎn)科技的企業(yè)，是否知道保險(xiǎn)公司具有醫(yī)院報(bào)銷(xiāo)目錄，而且可以通過(guò)醫(yī)院認(rèn)證，更深入來(lái)說(shuō)，是否知道這個(gè)目錄和醫(yī)保不同，一些特殊藥品存在不同理賠范圍，同一種診斷，理賠可能包含手術(shù)，也可能不包含。

這些知識(shí)一定需要多年的經(jīng)驗(yàn)積累，不僅是保險(xiǎn)，其他行業(yè)也是一樣，人的經(jīng)驗(yàn)會(huì)占據(jù)主導(dǎo)地位，開(kāi)始由行業(yè)專(zhuān)家主導(dǎo)人工智能在各個(gè)行業(yè)的發(fā)展，實(shí)現(xiàn)遍地開(kāi)花。

因?yàn)槿斯ぶ悄軆H僅是一種工具，基于行業(yè)認(rèn)知的有效利用非常重要。

所以我建議人工智能的算法學(xué)者，應(yīng)該留在大學(xué)校園里面，不要出來(lái)創(chuàng)業(yè)，沒(méi)什么意思，最終會(huì)發(fā)現(xiàn)真正落地到行業(yè)，很難變現(xiàn)。

對(duì)知識(shí)領(lǐng)域認(rèn)知的深度，也就是模型訓(xùn)練中的監(jiān)督字典，所謂的金標(biāo)準(zhǔn)，AI在所有行業(yè)的應(yīng)用都需要以這個(gè)為基礎(chǔ)原點(diǎn)，智能首先需要靠譜的東西，這個(gè)東西就是人的經(jīng)驗(yàn)。無(wú)監(jiān)督學(xué)習(xí)在有深度領(lǐng)域知識(shí)的行業(yè)很難成功。

雷鋒網(wǎng)：對(duì)于醫(yī)保風(fēng)控中長(zhǎng)期存在的 數(shù)據(jù)標(biāo)準(zhǔn)化 問(wèn)題，正在 推行的DRG技術(shù)能否做到改變，最終這這種技術(shù)對(duì) 醫(yī)?？刭M(fèi)可以達(dá)到是什么樣的 效果。 

湯子歐：這是供方風(fēng)控范疇的內(nèi)容。我本人對(duì)于DRG 的應(yīng)用是持負(fù)面態(tài)度的，不要說(shuō)三年能否抗過(guò)去，我覺(jué)得一兩年就會(huì)爆。

2000年，還在上海醫(yī)?；鸬臅r(shí)候，我們就已經(jīng)嘗試過(guò)DRG 的方法，最終放棄選擇了global budget（總額預(yù)算制）和多維因素分析。而且這些方法和原理，我后來(lái)帶到了好人生，也包括現(xiàn)在的大數(shù)據(jù)風(fēng)控，關(guān)鍵是和DRG在方法上有區(qū)別。

好人生參與的醫(yī)保基金審核項(xiàng)目，都是基于這些大數(shù)據(jù)理論，不管以后稱(chēng)為DIP還是大數(shù)據(jù)風(fēng)控等其他名稱(chēng)，作為DRG的替代方案，也已經(jīng)在準(zhǔn)備逐漸推行。

DRG 和DIP（總額預(yù)算制）相比有什么不同？首先DRG最大的問(wèn)題就來(lái)源于出生時(shí)的背景條件，最開(kāi)始是被美國(guó)人創(chuàng)造的。

它的研發(fā)背景不是大量線(xiàn)上數(shù)據(jù)的時(shí)代，依靠一張一張統(tǒng)計(jì)表，按照統(tǒng)計(jì)學(xué)角度，一步步按照一級(jí)指標(biāo)、二級(jí)指標(biāo)迭代出來(lái)，所以是基于統(tǒng)計(jì)數(shù)據(jù)，按指標(biāo)產(chǎn)生的體系。

DRG的稱(chēng)呼就是分析診斷相關(guān)疾病組的分類(lèi)付費(fèi)方式，把相關(guān)疾病聚集在一起，進(jìn)行分類(lèi)付費(fèi)，策略就是剛性一刀切，方法學(xué)上稱(chēng)為白名單制，入組制。這種剛性一刀切的入組制，在醫(yī)保應(yīng)用中一定會(huì)出現(xiàn)，嚴(yán)重的溢出效應(yīng)。

按照健康險(xiǎn)精算邏輯，去不去看病，80%由需方?jīng)Q定，看病以后，發(fā)生的醫(yī)療費(fèi)用多少80%是由供方?jīng)Q定。

所以應(yīng)用DRG，就會(huì)出現(xiàn)一部分溢出費(fèi)用，出現(xiàn)在其他診斷類(lèi)目之下。最終發(fā)現(xiàn)DRG里面是大晴天，形勢(shì)一片大好，外面全是重災(zāi)區(qū)，醫(yī)?；鹂偙P(pán)子和過(guò)去一樣，照樣爆。

醫(yī)保局采用這個(gè)策略，也是被迫的無(wú)奈之舉，其實(shí)最終的訴求還是把控醫(yī)保的總盤(pán)，只要不爆就完成目標(biāo)，進(jìn)一步控費(fèi)就是更好的表現(xiàn)。

所以，目標(biāo)直接應(yīng)該朝向總盤(pán)子，繞了一圈上線(xiàn)DRG，總盤(pán)子根本沒(méi)管，所以DRG之內(nèi)效果非常好，不管的地方就拼命用。

總額預(yù)算制的目標(biāo)就是直接指向總盤(pán)，現(xiàn)在的技術(shù)已經(jīng)能夠達(dá)到，實(shí)時(shí)進(jìn)行大數(shù)據(jù)分析，算力也不受限制。

好人生的大數(shù)據(jù)風(fēng)控引擎每個(gè)月都會(huì)輸出一個(gè)全量數(shù)據(jù)、多維分析，簡(jiǎn)單化處理的話(huà)，可以找出前3%，所謂槍打出頭鳥(niǎo)，干掉風(fēng)險(xiǎn)最大的。

按照這種邏輯，前3%縮回去以后，后面的情況也會(huì)逐漸發(fā)生變化，逐漸整個(gè)趨勢(shì)會(huì)向均數(shù)靠近。

這種方法很智慧，也比較適合我們的國(guó)情，實(shí)行剛性一刀切人家可能直接造反了，因?yàn)槟芰勘旧砭捅饶愦?，一下得罪太多供方，就走不通了?/span>

https://www.leiphone.com/news/202005/QbyuPnOG2G8AvJiT.html