深度學習在保險業的應用

深度學習必定會在自動化及改善保險公司涉及影像、文字及聲音處理的日常營運中，擔當關鍵角色。然而，中期而言，預計它不會對保險公司的核心業務，即風險管理，帶來深遠影響。

這篇短文分享我們對深度學習技術在保險業應用的看法。

深度學習是一系列受神經網絡啟發、涉及多層模型的機器學習技術。這個詞語有點流行用語的味道（可說是神經網絡的新名稱，只是層數更多），涵蓋多種演算法，包括卷積神經網絡、循環神經網絡及長短期記憶網絡。

它的起源可追溯至二十世紀中葉。首個受生物學啟發的演算法神經網絡，是 1957 年 Rosenblatt 的感知器。

第一個重大突破出現在 1980 年代，當時一套合適的參數優化框架，即梯度方法，終於應用於神經網絡。那時，這些新方法的成效仍遠未得到證明。

直至 2010 年代，才出現雙重革命：數據量的革命（ImageNet 數據集的發佈）及運算能力的革命（Nvidia 的 CUDA GPU 達到每秒一萬億次運算）。深度學習開始在影像處理上超越所有其他方法，並逐步在自然語言處理上亦然。

隨之而來的革命以驚人的速度擴散，前後約一年半。

簡單而言，理解深度學習可歸結為兩方面：架構及反向傳播。

神經網絡的架構由許多神經元組成，以連續的層互相作用。它們代表眾多參數（層數、互動類型、每個單元的權重），機器會透過把架構與真實數據對照來學習這些參數。

接著是反向傳播。概念非常簡單：每當新數據輸入網絡，輸出便會產生誤差（以損失函數量度）。這個誤差會反向傳播，以確定每個神經元的貢獻。這些貢獻用於以梯度下降法優化權重，最終把損失函數減至最低。

真正的奧妙在於，深度學習會同時優化所有東西。

以上是大原則。本文目的不在深入技術細節，而是聚焦深度學習成功的關鍵因素。

實際上，要令它運作需要甚麼？

大量數據：要校準數十萬個參數，觀察數目必須多得多。
合適的輸入數據類型，而其附加價值已獲證明。這通常是非結構化數據：影像、文字及聲音。直覺是，當底層變數難以推斷時（影像、文字及聲音通常如此），複雜而深層的神經網絡最能發揮價值。
在其他使用結構化數據的應用上，深度學習相對傳統機器學習演算法的進步並不顯著。

兩個經典例子可作說明：影像及文字。

影像處理的主要深度學習架構之一，是卷積神經網絡。它們辨識影像的不同部分，逐一聚焦，再組合起來為影像分類。這些方法學習輪廓、形狀、位置、對比度等。這是高價值的部分；最終決策則建基於相對簡單的規則。

當數據具有歷史或時間維度時，便會使用循環神經網絡，其中最常用的一種是 LSTM（long short-term memory）。

它們包含迴路，能考慮短期及長期的過去：資訊得以延續。最著名的例子是預測句子中的一個字。要推斷「我在德國住了五年……我能說流利的德語」這句話的最後一個詞，需要記憶效應。標準模型或可學會「我能說流利的」之後是一種語言的名稱；但要預測是德語，模型需要記憶，因為「德國」在句子較前位置出現。

LSTM 亦可視為深度學習中相當於時間序列計量經濟模型的方法。我們深信，這些方法仍蘊藏大量創新機會，無論是時間序列無處不在的金融業，還是時間序列及時空序列日益普遍的保險業（下文再述）。

深度學習為人工智能帶來，並持續帶來新的動力，但它不會解決保險公司的所有問題。細看之下，便能看出深度學習在保險業哪些範疇價值有限，哪些範疇價值巨大。

時至今日，仍沒有人能完全解釋深度學習為何在這麼多應用場景中表現出色，因此它本身並不容易解讀。

然而，保險公司的主要任務之一，正是了解風險及其成因，以便盡可能預防及管理。

可解釋性在多方面都不可或缺：監管、審計、決策及穩定性。這是保險業一個活躍的研究範疇，大型集團及保險科技初創企業皆然。概念是以可解釋的模型去解釋深度學習的結果……但這只是故事的開始。

簡而言之，這就是為何深度學習在保險公司面對的純風險應用中，沒有明顯的用途。

不過，保險業還有許多其他應用，而且非常活躍。為甚麼？

保險是一門資訊生意，建基於資訊及數據流，而今天大部分數據都是影像、文字及聲音。如前所述，深度學習對這類非結構化數據的附加價值顯而易見。深度學習正改變保險業的主要範疇大概包括：

短期內：

長遠而言更有：

這些應用為數眾多，旨在改善服務，從而提升客戶滿意度及效率。

總括而言，深度學習短期內顯然無法滿足保險公司所有數據分析的需要，因為保險公司的工作主要在於了解風險，並解讀相應的模型及演算法。今天，深度學習仍未被充分理解，因此尚未能產生它們所需的模型。

不過，凡有影像、文字、聲音及物聯網數據之處，深度學習都會在短期及長期內在保險業廣泛應用。

這引發一場有關員工未來及角色的根本討論。這對保險業的工作將帶來甚麼實際影響？員工會被大規模取代，還是人的角色將會改變？

更多消息