科技訊7月15日，媒體未來科技峰會在北京舉行。IBM全球企業(yè)咨詢服務部認知與分析服務總監(jiān)賴開文出席了“AI+金融”專場，并發(fā)表主題演講。他是中國大陸第一個沃森落地項目和銀行業(yè)第一個認知客服項目的實施者。

他介紹，IBM從2006年推出沃爾的計算系統(tǒng)，2014年推出商用，目前在全球17個行業(yè)，已經(jīng)在人工智能和認知計算領域有了應用。IBM也在2016年的時候宣布，全世界已經(jīng)達到了，或者計算機行業(yè)已經(jīng)來到了認知的時代。

認知系統(tǒng)四大核心能力

認知系統(tǒng)應該有四大核心能力：

第一，它能夠理解人類的語言，能夠理解很多非結構化的數(shù)據(jù)，包括文本、包括語音、包括圖像、包括視頻。

第二，認知系統(tǒng)能夠推理。傳統(tǒng)的計算機你給它輸入A，它一定給你一個確定的答案B。但是認知系統(tǒng)不再是這樣的，它會根據(jù)它所學習到的背景的知識，包括時間、包括地點、包括對象、包括產(chǎn)品、包括很多方面內(nèi)容，它會給出它認為最合適的一個答案。比如，IBM有一個小機器人，把這個小機器人放到阿姆斯特丹，有人就問他：“你覺得世界上最偉大的足球運動員是誰？”他說：“因為我在阿姆斯特丹，所以我想說是科魯伊夫?！币驗檫@個機器人有推理的能力，把地點這個環(huán)節(jié)放到了這個內(nèi)容當中，所以他會說是科魯伊夫。

第三，交互。計算機系統(tǒng)原來跟人的交互通常是通過鍵盤、鼠標來技術交互，非常僵硬。認知系統(tǒng)一大特點是，它能夠使機器和人的交流像人與人的交流那么順暢，它能夠聽說讀寫，能知道你的意圖，當它覺得你的意圖不清晰的時候，它會跟你反問、對話、交流。

第四，它可以學習。計算機系統(tǒng)你給他一個A，它一定給你一個B。學習就是你給他一個A，它會有備選的答案，B1、B2、B3……每一個答案后面對應著很多的證據(jù)，因為這些證據(jù)會有置信度的排名，它會把置信度最高的給到你。如果你調(diào)整這些答案背后的證據(jù)，你會補充它、優(yōu)化它、更新它之后，這些答案所對應的置信度就會有所變化。當某個答案的置信度突破了排名變化的時候，這個時候，認知計算機系統(tǒng)給出的答案最終給你的答案就發(fā)生變化，

賴開文介紹，目前，AI已經(jīng)發(fā)展到一定的階段，在很多單一的任務上，包括圖像識別、語音識別、人臉識別，已經(jīng)接近甚至超過人類的水平。

在這個基礎之上，IBM認為，人工智能有三大領域，第一個是交互的提升，第二個是輔助進行更廣泛的探索，最后做出更準確的決策的輔助。

人工智能改變金融交互

對交互而言，認知計算機系統(tǒng)能理解人類的對話，能夠理解人類的語言，所以通過認知計算機系統(tǒng)，它可以很好地來提升你跟客戶之間的交互，最終用戶之間的交互，提升用戶的體驗。

現(xiàn)在智能客服可以理解自然語言，未來其實我們還可以在跟人類對話的過程當中，我們了解人類的個性，了解他當時的情緒。比如，當客戶已經(jīng)憤怒的時候，客戶投訴的時候就不做推銷了，客服機器人就趕緊安慰他。未來在人的個性的識別以及情緒的識別上可以做更多的提升。

目前，IBM已經(jīng)在銀行做了三類機器人：銀行網(wǎng)點迎賓機器人、服務機器人、咨詢機器人。

迎賓機器人，可以回答銀行客戶剛到銀行網(wǎng)點時的一些問題，包括理財?shù)?a target="_blank">推薦、銀行的簡單信用卡開卡等等問題都可以回答。

服務機器人，現(xiàn)在在手機銀行、在網(wǎng)上銀行都可以辦業(yè)務，但是這種辦業(yè)務更多的是給用戶一些下拉框，讓他選一些產(chǎn)品、期限等，服務機器人辦理的業(yè)務過程中不再是下拉框，而是像人一樣對話，當用戶有疑問時，可以會很溫暖地回答用戶的問題。

咨詢機器人，通過身份驗證可以知道用戶是誰，根據(jù)客戶需要，推薦千人千面的個性化的服務。

目前這幾個機器人都有實際落地。IBM已經(jīng)在***的某家銀行做了信用卡的推薦，做了房貸的申請，以及外匯兌換的幾個業(yè)務。在推出的一個月當中，這家銀行的業(yè)務量增加了4倍。IBM還在國內(nèi)的某家股份制有限銀行做了網(wǎng)點機器人，IBM很可能馬上就會跟某一家國內(nèi)非常有名的排前幾位的股份制銀行，給他們的智能投顧產(chǎn)品，由原來的幾個下拉選項的選擇變成一個智能的交互，使得他們和客戶之間實現(xiàn)“有溫度的對話”。

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(shù)據(jù)當中可以做，但是80%的數(shù)據(jù)都是非結構化的數(shù)據(jù)。

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(shù)據(jù)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(shù)據(jù)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(chǎn)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(jīng)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(chǎn)品推廣?，F(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(diào)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(jù)，人可以據(jù)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(shù)據(jù)（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(shù)據(jù)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(zhuǎn)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。

下面同樣邀請到一位重量級的嘉賓，他是中國大陸第一個沃森落地項目和銀行業(yè)第一個認知客服項目的實施者，今天他首次就AI+金融發(fā)表演講。讓我們有請IBM全球企業(yè)咨詢服務部認知與分析服務總監(jiān)賴開文先生，有請。

賴開文：大家上午好，今天很高興有這樣的機會來分享IBM在人工智能（IBM叫認知計算）的觀點，以及我說一下，IBM很重要的是在2B的市場，就是幫傳統(tǒng)的企業(yè)做人工智能的應用和創(chuàng)新。今天從兩個方向，第一個是認知計算的發(fā)展趨勢以及IBM如何本身傳統(tǒng)企業(yè)在金融行業(yè)做一些認知的應用。

我們知道其實AI不是一個新的課題，AI其實從50年代就開始了，到目前60來年的歷程。但是這么多年，經(jīng)過了兩個波谷，都是因為AI未能達到人們的預期。第一個是70年代，第二個是80年代。現(xiàn)在其實從機器學習、大數(shù)據(jù)，甚至到深度學習這樣一個大的技術的突破，使得AI來到了一個新的春天，甚至我認為現(xiàn)在是夏天，大家都在非?；馃岬負肀н@個話題，無論是從新興的IT企業(yè)，還有傳統(tǒng)的行業(yè)，都在積極地擁抱AI（人工智能）。IBM從2006年推出沃爾的計算系統(tǒng)，2014年推出商用，目前在全球17個行業(yè)，已經(jīng)在人工智能和認知計算領域有了應用。IBM也在2016年的時候宣布，全世界已經(jīng)達到了，或者計算機行業(yè)已經(jīng)來到了認知的時代。

認知時代其實跟AI是一脈相承的，IBM在談認知計算或者認知系統(tǒng)的時候，我們主要強調(diào)認知系統(tǒng)應該有四大核心的能力：

第一，它能夠理解人類的語言，能夠理解很多非結構化的數(shù)據(jù)，包括文本、包括語音、包括圖像、包括視頻。這些內(nèi)容能夠像人一樣去理解里頭的真實的含義和分類，等等。這是第一個理解的能力。

第二，認知系統(tǒng)能夠推理。傳統(tǒng)的計算機你給它輸入A，它一定給你一個確定的答案B。但是認知系統(tǒng)不再是這樣的，它會根據(jù)它所學習到的背景的知識，包括時間、包括地點、包括對象、包括產(chǎn)品、包括很多方面內(nèi)容，它會給出它認為最合適的一個答案。我舉一個例子，其實IBM有一個小機器人，把這個小機器人放到阿姆斯特丹，有人就問他：“你覺得世界上最偉大的足球運動員是誰？”他說：“因為我在阿姆斯特丹，所以我想說是科魯伊夫?！币驗檫@個機器人有推理的能力，把地點這個環(huán)節(jié)放到了這個內(nèi)容當中，所以他會說是科魯伊夫。所以認知系統(tǒng)很重要的特點就是有推理能力，他根據(jù)背景的知識能夠選擇他的輸出或者選擇他的答案。

第三，交互。我們的計算機系統(tǒng)原來跟人的交互通常是通過鍵盤、鼠標來技術交互，非常僵硬。認知系統(tǒng)一大特點，它能夠使機器和人的交流像人與人的交流那么順暢，它能夠聽說讀寫，能知道你的意圖，當他覺得你的意圖不清晰的時候，他會跟你反問、對話、交流。

第四，它可以學習。計算機系統(tǒng)你給他一個A，他一定給你一個B，如果過兩天不給你B的時候，你會說他有Bug，但是認知系統(tǒng)最重要的就是學習。學習就是你給他一個A，他會有備選的答案，B1、B2、B3……每一個答案后面對應著很多的證據(jù)，因為這些證據(jù)會有置信度的排名，他會把置信度最高的給到你。如果你調(diào)整這些答案背后的證據(jù)，你會補充它、優(yōu)化它、更新它之后，這些答案所對應的置信度就會有所變化。當某個答案的置信度突破了排名變化的時候，這個時候，認知計算機系統(tǒng)給出的答案最終給你的答案就發(fā)生變化，也就意味著認知計算機系統(tǒng)，當你把它所對應的背景知識進行更新訓練的時候，它會不斷地學習，優(yōu)化它的答案輸出。

剛才談到四個觀點。其實在目前，AI已經(jīng)發(fā)展到一定的階段，在很多單一的任務上，包括了圖像的識別、包括了語音的識別、包括了人臉的識別，其實他們已經(jīng)接近，甚至超過人類的水平。比方說圖像的識別，現(xiàn)在已經(jīng)不僅僅是速度，在精準度上已經(jīng)超過人類。在語音識別上頭，在某些特定的場景，它其實超過人類了。但是在一些錄音比較嘈雜的環(huán)境下，它可能沒有人類那么靈敏，它抗干擾的能力稍微差一點。但是人臉的識別到現(xiàn)在已經(jīng)基本沒有問題了，我們知道的技術是達到了百分之九十九點幾以上的準確度。

我們其實認為，IBM認為，人工智能有三大領域，第一個是交互的提升，第二個是輔助進行更廣泛的探索，最后做出更準確的決策的輔助。

我一個一個來看，對交互而言，認知計算機系統(tǒng)能理解人類的對話，能夠理解人類的語言，所以通過認知計算機系統(tǒng)，它可以很好地來提升你跟客戶之間的交互，最終用戶之間的交互，提升用戶的體驗。以前其實有一個偽機器人，其實就是關鍵字的搜索和替代。剛才紀總也談到，他們在眾安科技做機器人。其實現(xiàn)在很多的對話系統(tǒng)或者說是FAQ的系統(tǒng)，問答系統(tǒng)，大家都在用機器人做。以前有一些傳統(tǒng)的機器人，我們叫智能客服1.0，是通過規(guī)則的匹配，配關鍵字、配規(guī)則來做。現(xiàn)在我們來做，通過機器學習、深度學習理解，我們叫自然語言的語義理解，去理解客戶的意圖，然后進行多輪的對話。因為我們跟人之間的對話不是一問一答就好了，需要多輪的對話，現(xiàn)在我們已經(jīng)做到深度對話的能力。未來能做什么？未來其實我們還可以在跟人類對話的過程當中，我們了解人類的個性，了解他當時的情緒。當客戶已經(jīng)憤怒的時候，客戶投訴的時候就不要做推銷了，你就趕緊安慰他就好了。所以在這一塊，人和人之間，人要看臉說話，當人臉已經(jīng)發(fā)怒了，你就趕緊停止。未來在人的個性的識別以及情緒的識別上可以做更多的提升。

IBM在認知交互其實做了很多的工作，我們已經(jīng)給某些客戶做過問答機器人，很簡單，其實就是在我們的銀行網(wǎng)點上弄一個實體機器人，過來迎賓，他等候的時候你可以問他問題，包括理財?shù)耐扑]，包括銀行的簡單信用卡開卡等等問題都可以問，這是很簡單的。第二個是服務機器人。我們都知道，其實現(xiàn)在在手機銀行、在網(wǎng)上銀行都可以辦業(yè)務，但是這種辦業(yè)務更多的是你給他一些下拉框，讓他選一些產(chǎn)品、期限，等等很多下拉選項，給他一些金額，要辦多少錢的保險，多少金額等等，但是這種交流沒有溫度，而且很多時候客戶辦理業(yè)務的過程當中會有問題要問你，比如辦一個理財產(chǎn)品的時候，他會問你什么叫保本？保本就不會虧錢嗎？人家的理財產(chǎn)品收益會比體高，為什么出現(xiàn)這種情況呢？這個問答需要得到及時的回答。這個時候我們叫服務機器人，辦理的業(yè)務過程中不再是下拉框，就像人一樣對話，你獲取他的需求，當他有疑問的時候，你會很溫暖地回答他的問題，消除他的疑惑，最終臨門一腳的時候幫你做好最后臨門一腳的破門的動作，使得他購買你的產(chǎn)品，選擇你的服務，這是服務機器人。

第三個是咨詢機器人，每個人希望個性化的服務，通過身份驗證我知道你是誰。他的頭銜是什么，如果某些人學歷非常高，他希望被稱之為博士，或者你給他推薦產(chǎn)品的時候，做服務的時候不是統(tǒng)一的我現(xiàn)在整個企業(yè)希望推什么產(chǎn)品，而是這個客戶本身希望推什么產(chǎn)品。在服務過程當中你又給他一些引導，引導他得到千人千面的個性化的服務。所以第三方面就是咨詢的機器人。在這塊我們其實已經(jīng)在***的某家銀行做了信用卡的推薦，做了房貸的申請，這兩個業(yè)務以及外匯兌換的幾個業(yè)務，在推出的一個月當中，他們的業(yè)務量增加了4倍。我們還在國內(nèi)的某家股份制有限銀行給他們做了這樣一個網(wǎng)點機器人，我們還很可能馬上就會跟某一家國內(nèi)非常有名的排前幾位的股份制銀行，給他們的智能投顧的這樣一個產(chǎn)品，由原來的幾個下拉選項的選擇變成一個智能的交互，使得他們叫有溫度的對話和產(chǎn)品的客戶的交互。這個是我們現(xiàn)在在做的一些事情。

接下來說探索。以前的計算機系統(tǒng)做的探索，關系型數(shù)據(jù)庫，我們做什么事情？關鍵詞的匹配和搜索。這個其實在結構化數(shù)據(jù)當中可以做，但是現(xiàn)在我們都知道，80%的數(shù)據(jù)都是非結構化的數(shù)據(jù)，現(xiàn)在認知系統(tǒng)能夠做什么？現(xiàn)在認知系統(tǒng)可以做到模式匹配和關系的發(fā)現(xiàn)。所以我們通過語義理解和模式匹配可以在海量的非結構化數(shù)據(jù)當中做搜索，去搜索出你想要的那些東西，包括現(xiàn)在你問一個問題，我從海量的知識庫當中可以定位到你所需要的答案，而不是一個關鍵詞，你相似的答案可能是這些，你再去搜索一下。我們可以根據(jù)你問的問題精準地定位到你所需要的答案是什么。第二，在海量數(shù)據(jù)當中，我們可能發(fā)現(xiàn)出很多相關的知識，知識之間的關系是什么？這個是第二點。我們現(xiàn)在能做到這個。未來我們能做什么？未來我們希望能做到無監(jiān)督的知識的構建，我們現(xiàn)在做的知識圖譜的構建大多還是有監(jiān)督的，希望為能夠做到無監(jiān)督的知識構建，整個給你一個海量的知識庫，我能夠抽取當中的關系以及關系存在的類型是什么，它能夠自動地去學習、自動地去更新、自動地去維護，這是第一點。第二點，現(xiàn)在很多人工智能在做什么？在寫詩、在寫歌、在寫文章。我們希望未來的探索使得我們認知系統(tǒng)能夠做一些藝術家所做的工作，我們叫創(chuàng)新。這是未來能做的事情。

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。通過圖計算幫他們來進行風險的識別和傳導的預測，大家都知道，剛才劉總也談到了風險的識別，還有蔣總也談到了風險，銀行風險很大。我們做了什么事情，我們做了八種關系，包括股權的關系，包括擔保的關系，包括投資人之間的關系，包括資金圈的關系等等這八種關系當中，我們?nèi)z索相應的關系圈。IBM的System G非常強大，我們原來做這樣的一個關系識別，他們要一個月的時間做這樣的關系識別，我們現(xiàn)在做到了只要分鐘級就可以做關系圈的識別，而且我們這個關系圈原來做到6個就做不下去了，現(xiàn)在我們能夠做到無限的，20個、30個，甚至上百個關系圈搭建。我們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？我們做了這樣一個風險傳導的預測。我們做的準確率在40的預測做到58.2%，基于這樣的驗證，我們馬上會給他們進行這樣一個產(chǎn)品推廣，而且現(xiàn)在很多銀行都關注這樣的，對他們的傳導預測能夠非常地減少他們的損失。

第三個是決策，我們做了這么多，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(diào)的是輔助決策的階段，我們會給你決策的建議，這些建議里有一個置信度，這個計算機系統(tǒng)、認知系統(tǒng)認為他的置信度有多少，我判斷他多少是靠譜的。第二個是可追溯，就是我給你一個決策，相應的后面給你一個證據(jù)，為什么給你這樣的決策？理由是什么？我會給你證據(jù)。人可以去看，我做這樣一個決策證據(jù)背后的內(nèi)容一二三四是什么，你覺得合理就采納我的建議，如果不合理，請你做出自己的判斷。所以這是一個現(xiàn)在叫輔助決策。未來當我們的認知系統(tǒng)更加智能，當我們的數(shù)據(jù)更加豐富，當我們的歷史數(shù)據(jù)周期更長，當我們在監(jiān)管方面不再那么嚴格要求的時候，或者我們更有信心的時候，我們希望未來計算機系統(tǒng)就可以幫你做決策。其實現(xiàn)在這樣的一個自動駕駛就是計算機在幫你做決策，左拐、右拐、剎車不剎車都是計算機幫你做決策。未來面對商用的時候一定會有監(jiān)管的要求或者法律的風險要去解決。

在認知決策里頭，IBM做過什么？我談一個案例，我們幫一家保險公司做智能理賠。大家多知道，尤其是壽險公司，一旦投完保之后出險，要理賠的時候其實非常復雜，大家都知道病種那么多，每個病都那么復雜，保險的條款，我也買過這樣的壽險，看到后來我根本看不下去了，就因為朋友的關系我就買吧，我信任你。理賠專員其實也很難受，這么多病種都是很罕見的病，而且都是很專業(yè)，保險的條款什么情況賠、什么情況不賠非常復雜。所以這樣的一個事情，第一，非常多的出險理賠的文檔、檢查的資料、醫(yī)生的處方等等，一般復雜大病需要十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)幫他們做智能的理賠，做兩件事情：1，從非結構化的，從醫(yī)院拿過來的醫(yī)生開的處方單，開的診療的報告，我們把一些關鍵的特征信息抽取出來，包括了疾病的名稱，包括的手術的名稱，包括診療的結論，不需要通過人去錄入，直接計算機系統(tǒng)就抽取出來，通過自然語言的理解，通過機器學習抽取出來。2，當抽取出來的這些特征放到規(guī)則的引擎里去做，做過保險系統(tǒng)的人知道，規(guī)則引擎只能解決一些問題，還有一些問題不能解決，需要人工去處理。IBM的沃森系統(tǒng)就把這些拿過來，他去讀理賠的專案，拿過來申請材料，跟保險的條款進行比對，跟歷史的案件進行比對，歷史的案件里頭哪些跟它相似，相似的案件賠了還是沒有賠？沒有賠的原因是什么？是否跟你這個相符合，這個拿過來了。IBM給這家公司做完之后，他們原來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，我們不能說下崗了，這家公司把這些人員拿去做別的事情了。剛才劉總說的，把北大、清華的人員拿去干別的是一個意思，他們把這些人拿去做別的。每年給他減少了1.5億日元的指出。日本的保險公司沒有那么大，對于中國的保險公司，現(xiàn)在我們已經(jīng)在談，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，我想中國的量級，未來可以給這些保險公司人力的成本節(jié)省是有多大可以想見。這是第三個認知理賠所輔助決策的這樣一個內(nèi)容。

以上就是我今天所分享的內(nèi)容，希望未來有機會跟大家再有時間作更多的分享，我也希望我們今天的內(nèi)容，我們知道AI未來非常有廣闊前景，但是它怎么能幫助到各自的企業(yè)？怎么能幫助到傳統(tǒng)的企業(yè)？我想AI正在腳踏實地一步步往前走，走得非常踏實、非常堅實。謝謝大家。