尊敬的各位来宾、合作伙伴、新老朋友们，大家下午好！很高兴在这里和大家汇报我们的工作情况。每年峰会的下午第一场都是中科软团队的主题汇报，我们会针对一些行业关注的热点和痛点问题，给出我们的观点、看法和一些探讨思路，同时也汇报一下相关工作的进展和实践。
上午的压轴主题报告中，我们左总已经详细阐述了新保险合同会计准则IFRS17下的保险业务参考模型变革。IFRS17带来的变革，标志着保险行业内精细化管理将迈上一个新的台阶，更加强化了全险类、全组织、全核算的概念，可以说未来在保险系统群中以核算的角度去管理是一个重要趋势。稍后我们的团队也会针对IFRS17具体落地实践和一些相关体会，以及行业趋势进行更详细的汇报。
今天我的演讲题目是“GenAI生态赋能保险行业精准计算”。一年以来，生成式AI已经成为全球热点，也带动了大模型的迅猛发展，国内也开启了轰轰烈烈的百模大战。现在已知的大模型有300多个，在国家网信办备案的大模型，大概140个左右。其实这也给我们行业带来了不少困扰和挑战。大家都希望拥抱人工智能带来的变化，也可以说是一场革命，我们要随时关注和跟踪。一方面对于大模型的FOMO情结（害怕错过），一方面到现在为止我们还没有找到高ROI的爆炸性应用场景，实际落地有待考察，基本上处于原型论证阶段。另外由于技术的更新迭代速度太快，针对行业落地应用，我们的模型基座如何选择，算力成本如何投入，数据治理如何精准有效，其实都是我们行业比较关注的。我们认为大模型应用落地本身就是系统工程，要想实现保险行业的精准计算，需要领域知识库和大模型的深度融合，建设过程更是“长链路”的生态融合，涉及到芯片厂商、服务器厂商、平台厂商、大模型厂商和中科软这样的ISV，与行业客户共同分工合作、携手共建。
今天我会和大家汇报以下几方面，GenAI和领域知识库深入融合、与已有行业应用软件系统群的关系、应用特点和工程生态。我们都知道从场景应用入手是行业垂域大模型落地实践的共识，人工智能发展到今天，一定要聚焦到应用才能产生商业价值。而落地场景应用涉及到两种技术路线：一个是大而全，一个是小而精。大而全就是大算力、大数据、大参数，动辄几百亿、上千亿，就像人脑中的神经元越多越好，整个计算能力、理解能力、泛化能力都会比较强，但往往意味着高成本的投入，制约大模型应用落地很重要的因素之一就是算力成本。小而精顾名思义就是小算力、低配置、可本地部署，同时又是比较少的数据量，特别是行业应用涉及到比较精准的数据，参数小到什么程度？中科软内部也有一些技术辩论或者DEMO，基本就是60亿的参数规模。不知道大家有没有关注，前几天苹果发布一个7B的小模型，提供两种参数：70亿和14亿。我们现在涉及到如何选择，行业落地是以实用和精准为目标。大模型本来应该是越大越好，小模型就应该是越小越好，因为投入成本很低，训练速度很快，迭代也会很快，过程中的试错成本也是可控的，这是我们认为行业垂域大模型落地到场景应用的一个比较可行的路线。大模型和小模型是相对的概念，因为大模型的发展才促进了小模型的机遇，二者并不矛盾，小模型更多的是基于算力成本投入以及应用推广两大难题优化合作的方案，所以不存在矛盾的地方，只是要看适不适合。我们都知道国际上也有对标，行业落地中有很多难点，包括应用的最后一公里没有打通，最大的因素有很多：算力成本、数据质量是很主要的因素。数据质量问题可能导致大模型出现很多的“幻觉”，得出的答案跟真实世界的事实也就是标准答案并不相符。消费类、娱乐类的应用中可能有些泛化的东西，不是那么精准，大家的容忍度还是比较高的，但保险行业这种受强监管的行业，对安全隐私的保护非常重视。消费者买保险不是一种消费的概念，而是对未来风险保障的投资，也就是说未来发生意外事故的时候会有更丰富的应对手段。从本质上来讲，保险公司卖的是一种承诺，回答的精准度和专业度是大家考量最多的。现在有很多大模型的技术在金融行业应用最靠前，因为金融行业对技术风向特别敏感，所以会尝试，但真正要做到技术落地还是需要做很多工作，距离大模型落地产生效应还有一定距离。但不可否认，我们还是需要去拥抱，因为大模型发展的潜力是巨大的。
我们知道大模型是多模态存储，包括文本文档、图像、音频视频等等种种数据，是基于归纳推断的，就是从个别到一般的推断，因为用的是向量的计算，是一种联合概率推断。为什么人工智能到生成式AI这个阶段，大家会觉得在蓬勃发展起来？因为向量计算方式是相似度计算，通过这种方式进行概率统计，所以精准度上会有一定差距，要看行业对这种差距的容忍度有多大。我们可以提高模型的能力，式他能够博览群书、举一反三，发挥见多识广的能力。另外我们也可以给大模型划定边界，让他在边界中回答问题，就相对比较精准。大模型幻觉产生的因素很多，有大模型训练过程的因素，有文本生成过程的因素，有提示工程的因素，但最主要的因素是数据质量。要形成高质量的数据集才能让大模型的落地应用更精准。保险属于典型的数据密集型行业，拥有大量的数据，现在都是一些结构化数据存储在SQL数据库，可能只占到20%-30%，70%-80%的非结构化数据更加丰富，还没有被充分利用。随着大模型技术的发展，会给我们提供更丰富的多模态数据的融入手段。所以说企业自身领域知识库的建立至关重要，领域知识库建立本身也是系统工程，除了把数据收集过来还需要清洗、去除数据噪声，进行聚合性的预处理，包括聚合和叠加。就像农险涉及到地块数据、GIS数据，车险涉及到车联网的机采数据，结合在一起才能提供更丰富的内容。预处理的过程中还涉及到领域知识图谱的构建等等。没有大模型的时候其实也应该做，但为什么做的不是那么好？就是因为原有的领域知识库的建立需要大量的人工标注，非常费时费力，大模型技术的演进给我们提供了很多自动化的手段。前一段时间微软开源了可以自动构建相关的知识图谱的GraphRAG，然后进行少量的标注，这就是整体的技术路线思路，但还有很多东西需要验证。大模型的落地过程中对数据的质量要求非常高，可以说数据质量大于数量。昨天凌晨，Meta公司发布Llama3.1405B开源模型，同时开源了8B和70B两个参数版本，包括训练数据集、训练过程、数据权重等全部公开，厚厚的100多页文档，其中当然有地方做了很多改进，但最核心的改进就是对数据的高度加工，包括原始数据和合成数据，所以效率已经可以媲美GPT4。参数规模的下降意味着成本的大幅下降，这样才有行业应用落地的可能性。数据的清洗极为重要，前一段时间OpenAI公司收购的Rockset实时分析数据库，其实也给我们传递了一个信息，大模型对企业已有的知识成果的继承越来越重视，同时也越来越重视半结构化的数据存储方式。我们企业有大量的数据需要积累和沉淀，无论大模型如何发展，企业本身的很多工作是不可或缺的。所以我们说对于行业大模型的落地应用，是三分大模型，七分知识库。大量的工作要花在领域知识库的建立、预处理等等方面。现在目前很多人对于大模型的认知是两个极端：大模型什么都干，或者什么都干不了，其实需要两种思路融合，大模型在保险场景应用有巨大的发展空间。我们的知识图谱、图数据库或者文档数据库都是如此，可以进行精准匹配，跟大模型的概率推断本身是相互融合的过程，需要通过调整参数把标准答案权重加大，但加大的同时产生数据多样性的能力会相对比较弱，所以是平衡点的问题。大模型的发展需要领域知识库的精准输入，领域知识库又需要大模型自动化手段进行构建。
我们根据已有领域知识形成参考模型，然后经过训练形成MaaS平台。参考模型分为环境层、组件层、组装层，我们的软件系统群和MaaS平台在这三层都有互动的过程，包括水平垂直处理平台、存储数据都在这里体现，包括大模型场景应用成果，可以共同支撑客户场景的应用。原来我们处理更多的是结构化的数据，可解释性更强，大模型提供更多的是多模态数据融入的手段，让知识更加丰富，同时也让用户体验增强，我们的软件系统群有多模态升级的趋势。
保险天然的特性就是保障风险，跟各行各业都会发生关联，包括法律、运输、电商、工业、农业等等，涉及到各个行业，包括通用的场景如代码编排、会议记要等，也会涉及到领域知识，包括知识问答、评估报告、专家解答，需要一定领域知识的支撑。大模型人工智能的发展会让保险场景越来越丰富，所以我们需要拥抱大模型，因为潜力无限，只是落地的过程中还需要验证投入产出比。
我们知道GenAI工程生态涉及到芯片、大模型、服务器、平台、客户，所以是长链路的技术迁移，为客户提供端到端一揽子的服务，需要整个生态共同分工协作。怎么从这么多大模型中选择？每个模型的侧重点都不一样，包括选择向量数据库。MaaS平台的初始化，进行通用模型的训练，产生泛化的效果，本身也是迭代的过程，需要不断优化和持续训练。知识库对模型训练是一个很好的素材，因为模型更新换代很快，知识库本身也是更新迭代的过程，让我们的手段更加丰富。为什么国外很多软件发展都比较快？最主要的就在于生态分工合作可以有机地联合在一起，共同为客户赋能。我们的平台商提供各种各样的基座模型，ISV侧重于行业的微调，建立知识库强化训练，平台商侧重于多种环境下的工具和技术支持，我们ISV可以进行定制化训练，提供模型的精准度。我们更关注和已有系统的结合，现阶段大模型的应用和MaaS平台还只是起到辅助作用，未来体量会越来越大。生态有赖于大家齐心协力合作，厂家其实对技术更加敏感，我们要做的事情就是大家合在一起，把这些很好的技术转化为生产力，为客户的高质量发展贡献一份力量。一会儿我的同事会用具体的案例跟大家详细汇报领域知识库如何搭建、怎样迭代、知识聚合预处理、预存储，以及MaaS平台的搭建。
谢谢大家！
各位领导、各位嘉宾，下面我汇报的题目是大模型的落地场景。刚才邢总已经就整个方法论做了阐述，我们也认为一年多的行业实践，最终一定是要把精准体现到行业，才能实现真正的落地，必然需要把领域知识库和大模型融合。
我汇报的主题包括四个方面：生成式人工智能在赋能业务全场景中存在的问题，如何构建保险公司专属的领域知识库，需要聚合预处理的知识库和GraphRAG的MaaS平台，最后是几个实际落地案例。
一年多以来，很多客户都在努力采用大模型在各个场景中实践，包括产品的设计、销售、核保、理赔、运营、公共办公、信息系统的开发和维护都有很多尝试，但好像在最终一公里总是存在很多问题：
1、落地场景业务价值如何评估？很多时候我们一直拿着大模型的锤子到处找钉子，可能在这个维度存在一些问题。因为业务价值需要从业务入手，现在完全依赖于大模型的能力，总是觉得好像前方看得见，但永远够不着。
2、大模型参数训练是不可逆的，Transformer架构就是黑盒子，涉及到各种权重，这样会带来什么问题呢？就是我们方案的可行性和投入，包括算力、模型和各种能力投入训练的成本，其实会带来很大的焦虑，尤其是从决策层的角度来看。
3、幻觉的长尾效应，一个领域经过训练和预处理，包括增强索引的方式，可能准确率达到80%，但这在金融监管行业是远远不够的，趋近于100%是很难的，投入也会特别巨大，所以跟强监管的矛盾在很多场景中也是不可避免的。
4、我们从投入和产出来看，保险公司应用生成式人工智能的过程中组织资产形式是什么？怎样做到资产的保值增值？这些是我们跟行业客户共同探索和发现的几个主要问题。下面我们尝试从几个问题出发，看一看有什么解决思路。
应该换个角度，不是单纯从大模型的能力进行尝试，而是回到知识层次结构。知识分为四个层次：数据、信息、知识和智能。信息其实是有上下文数据，知识是有意义的信息。我们认为知识应该是有业务价值的信息，智能是富有洞见的知识。现在由于大模型很强的泛化能力和举一反三的推理能力，我们认为已经达到了智能层面，但在一年多的最佳实践中，我们发现恰恰是在知识层面是欠缺的。要想做到这一步需要一个循序渐进的过程，把领域知识库建立起来，而行业领域的知识库涵盖预处理的领域知识存储，以及领域知识图谱。
知识图谱的概念是2012年Google提出的，当时的主要目标是自动化抽取大量网络文档，增强检索的精确性。我们现在谈的领域知识图谱显然和最早的知识图谱有很大区别，主要分为四个维度：领域知识图谱的广度显然是更窄的，深度是更深的，颗粒度更细，而在知识建模方面，领域知识图谱需要自上而下的建立，基于行业事实的长链知识，质量要求其实也是很苛刻的，就是合规监管，包括对专家的经验也是强依赖，但自动化的程度是中等偏低的，推理链条更长，应用更加复杂。
我们需要构建一个保险公司自己专属的领域知识库，一定要有冷启动的过程。其实知识库最核心的是基本语义，所有保险公司成立的时候就上了核心业务系统，语义空间和实体关系就是现在保险公司在做整体知识库的基础语义空间。保单本身是多模态的，所以很多其它模态信息需要对齐，现在核心语义空间是结构化的，遵循各种中英文对照的实体关系是已经存在的，显然应该是基于这样的图谱进行知识库的建立。
下一步要做的就是把很多非结构信息，包括核心系统运行起来的时候，每天都会产生大量的系统运行日志，其中包含大量的知识。我们在跟一些客户做POC，就是通过流程挖掘的算法产生生产环境业务流程节点之间的关系，串行的、并行的，其实是对整个业务流程的实际情况有了一种真正可观测的基础。
保险本身就是基于大数据的平台，传统的算法是保险赖以生存的根本，最早用的是回归算法，包括所有核保合规的相关算法，随着最近几年各种算法的深度学习，各家公司在这方面都做了很多积累，但是分散在各个地方，我们认为这方面的知识也应该汇集。
70%的信息存在于非结构化、半结构化的数据，而这一类数据需要进行分类和识别，包括特征的标识、多维索引的建立。
有了这些预处理的知识以后，我们还要把它们之间的关系建立起领域知识图谱，需要自上而下建立，所以必须很强调schema。今天上午左总讲到I17的时候也有提到，细化到设计建设分为三大域：事实域最核心的就是合同本体，包含合同所有的要素相关维度和对应标量。约束域本体其实是项目本体，就是从财务核算的角度，面临的问题就是核算的基础是什么，I17就是从财务核算的根本上进行大的变化，导致项目本体中合同维度、收入维度、成本维度、费用维度、绩效维度、组织维度都有相应的变化，就是基于I17会计准则绩效的方式、管理会计发生了根本变革。管理会计本身就是企业经营的目标和企图的体现，所以会导致全链各条线的改革。评估域就是会进行很多风险的量化和控制，市场风险、操作风险、信用风险和合规监管风险等。
有了这种知识图谱schema以后，核心业务系统其实是最直接的，因为结构化数据可以进行ID对齐，运营日志流程节点数据进行实体对齐，业务专家规则、精算和风控模型需要进行概念对齐，大量非结构化、半结构化的数据需要实体和关系的抽取，然后进行相关关联。财险大量标的必然引发保险+的变革，跨领域的知识库其实也需要进行实体对齐。
有了企业领域知识库的建模，我们可以看到流程，根据现在已有的数据源，基于我们知识的建模进行知识加工，里面就需要进行大量的预处理，包括实体关系的抽取，建立起整个领域知识图谱，形成知识存储、知识运营，还有持续循环的学习过程。
MaaS平台具有预处理知识库以及基于知识图谱的GraphRAG方式，多了专门的知识层，我们也把之前的湖仓一体存算分离结构加入进来，可以保证对所有多模态数据进行有效管理。最核心的其实是一种混合的增强索引框架，就是把传统的NativeRAG和GraphRAG融合起来，包括向量库、文档库、知识图谱库。
目前数据来源包括两种：一种是自上而下建模，但还有一些信息因为本身就是发散系统，所以我们会从非结构化数据用大模型抽取，融合到现有的知识图谱，通过这种方式产生更加精准和高效的产出。
有了MaaS平台，模型一定需要进行评估，毕竟涉及到向量计算的时候会有很好的效果。针对垂域大模型的评估，我们决定采用语义熵量化方法，图中就是6月牛津大学团队在《Nature》发表的论文，因为我们已经建立各个企业的知识库，这就是标准答案。大模型最大的好处就是能够在标准答案的情况下进行举一反三，我们要评估的是是否存在歧义，语义熵的概念来自于信息论的信息熵。简单来说就是针对大模型提出同一个问题生成多个答案，针对多个问题的回答进行语义相似度的计算，然后进行归一联合概念的求解，要是熵越小表明确定性越高，熵越大表明跟标准答案差距越大。
雨天开车需要注意什么？这种通用问题用大模型进行语义熵测试，可以发现相关值还不错，达到10%左右，虚构的内容比较少。
提出跟自然灾害、风险控制、工程险相关的行业专业问题，回答的时候语义熵就比较大，说明存在很多的幻觉。我们现在通过这种方式评估的就是由于大模型缺少领域知识库标准答案产生无中生有和张冠李戴。
养殖险的智能核保，很多公司在实际展业中积累起大量图片信息，我们要经过生物特征识别技术构建养殖标的物的知识库，包括通过Decode算法和Transformer架构实现高精度目标检测，包括通过正脸和侧脸的照片，通过卷积网络进行三维重构进行识别。有了这些基本预处理的知识，我们下一步就才能使用大模型的多代理multiagent模式，我们把核保任务拆解成为七个步骤逐一执行，最后生成核保报告。
客户风险识别就是传统的API调用，证照识别需要OCR一致性要素调用，风险识别就是PS以及图像查重、翻拍识别，图片合规就是相关的，因为养殖线里面有很多的点，包括合规证明、地理位置和一致性，生物质能技术。
最终专家分析是大模型生成报告，而且可以进行问答，体现出邢总讲的七分知识库、三分大模型，实现精准落地的目标。
工程险的风险评估和风险减量，我们知道工程险最大的挑战，就是需要两类专家：一类就是自然灾害识别专家，另一类就是基于工程险特定标的的风险防灾减损专家。
我们构建工程险风险特征库和知识图谱的时候采用两种方式：自上而下把相关风险进行分类，自然风险和非自然风险，包括地质地震风险和海洋风险，自然灾害其实是很开放的系统，各种灾害层出不穷，每个Case都有很特殊的东西，所以我们显然很难自上而下建设。我们是把1000多个大型基建项目卫星风险经验和报告直接用大模型提取，然后跟我们自上而下进行连接，形成工程险的知识图谱。图中就是从1000多份报告进行筛选和抽取，形成相关的关联要素，然后把这种知识图谱进行链接，产生最终的知识图谱，可以看到对应的这些相关的点都是具体风险表现，基于地貌、水系、降水量数据进行洪涝风险评估，包括利用历史地震点和滑坡点的评估，根据野火风险指数进行消防安全评估，根据人口聚集地周边地形进行相关风险评估。基于这些大模型，我们可以生成风险分析报告，专家模型也会给出风险减量的建议，进行对应的专家知识应答。
很高兴再次和大家见面，去年我是代表I17产品研发小组和大家分享中科软的整体解决方案和项目落地过程中的最佳实践，今年我将给大家汇报过去的一年我们都做了什么，面向未来还可以做什么。
上午左总的汇报说明I17对行业和保险公司的影响是深入而长远的，面对过去、当下和未来，我们把I17分为散、收、扩三个阶段。
第一阶段是截止到2023年的共识期，行业围绕I17已经形成统一共识，去年峰会以后我们和大量保险公司进行深入交流，针对I17落地实施的计划、范围、分工和产品所应具备的能力达成了共识，最显性的成果就是各保司的招标要求基本趋同。第二阶段落地期是集中实施的过程，各个保司今年都在积极应对，至少今年完成招投标工作，部分积极拥抱变化的保司今年年底或明年上半年就会完成系统上线。落地期聚焦业务、财务、精算融合和财务、精算的数字化转型变革的目标。聚焦业务、精算、财务融合和财务、精算数字化转型变革的目标， IFRS 17 准则的落地实施是一个解决业、精、财线上化和自动化的复杂系统性工程。今明两年将会面临全行业的集中实施，如何合理控制范围并化繁为简的落地这个复杂的系统性工程将是各位在座的领导和我们共同面对的挑战。第三阶段是后i17时代，上午左总的汇报对后i17时代蓝图给出了定义。后I17时代是深化经营的过程，IFRS 17 准则的落地推动记账会计向管理会计全面转变，财务变革引发企业架构视角下的一系列思考。信息化建设也将聚焦在业务一体化、技术一体化的方向探讨。
在过去的一年，我们与行业客户进行大量深度交流。连续两年峰会都有I17的专题分享，目的还是希望达成行业共识，让保险公司的客户少走弯路。我们跟超过60家财险客户进行超过90轮次的交流，在交流的过程中产品研发团队抽取大量共性的有价值需求作为研发输入，不断迭代研发产品。我们也为将近10家财险客户提供端到端的POC验证服务，由保险公司客户按照我们的数据采集标准准备实际的业务和财务数据，通过我们的系统进行端到端数据加工，输出到财务报表，同时进行POC验证结果深入解读。最终的目的就是帮助保险公司客户所见即所得，并了解I17落地的过程。截至到现在，我们已有和22家产寿保险公司进行I17落地的合作，非常感谢一位特别的嘉宾，就是我们在印尼I17落地的第一家保险公司BCA财险的CFO Ibu Aang女士，特别感谢她对我们推广印尼市场的帮助。
目前正在实施和将要实施的保险公司都会面临几个普遍的核心问题：资源紧、实施难、影响广、推动缓。I17对财务、精算、核心和数据的专项人才和复合型人才的需求是非常巨大的。相信在座的很多保险公司领导都在招标的过程中提出过锁定核心资源的要求，这让供需两端的矛盾更加激化。I17实施难主要是难在专业性很强，缺乏可参考性。大型保险公司的落地经验对中小公司过于厚重，不同解决方案供应商提供的方案对周边改造的影响又不一样，某些保险公司为了I17而配套改造再保险系统的改造投入非常大。I17的影响目前主要集中在精算、财务和核心配套，未来的影响是从整个企业架构自上而下的。
关于I17的推动，去年我们曾经给出两个时间点，24年上半年完成招采工作，明年第一季度之前完成系统落地。但目前大部分保险公司都远远落后于这个时间计划。很多保险公司正在观望同业实施效果和市场价格变化，左总上午也有提到希望保险公司的领导对整个I17的专业程度给予肯定。
下面我们看一下在过去一年的实战中，中科软应对这些挑战都有那些新的策略。
为了解决资源争抢的问题，中科软从专业能力、驻厂时间和实施分工三个维度调整资源配置，形成倒三角的资源配置模型。第一层是由驻场核心团队和数据团队组成，第二层是由准备金、收付财务等专项团队组成，第三层就是I17核心产品研发团队。通过不同的分工可以看到，我们现在实施的很多项目，如数据处理平台、报表平台都已经由一线资源完整承接了。专业性比较高的精算、会计和总帐是由产品团队承接，目的还是好钢用在刀刃上。中科软特有的资源优势是在第一二层的资源以及第三层的协同。
I17实施一年以来，市场上主要的咨询公司和主流的厂商基本上都有两两配对的案例，所以行业解决方案是逐步趋同的，后实施的保险公司难度是不断下降的。但面对保司的个性化需求和行业趋势变化，我们的产品也在不断演变和改进，进一步保证实施的高效推动。
由于信创的大背景和保险公司信创选型的不同，我们对市场主流的信创数据库进行适配。部分有大数据处理需求的客户，我们提供分布式数据库I17版本。同时也融合数据治理相关指标，保证从源头控制数据质量，为后续I17自动化月结保驾护航。业精财全链路可回溯可以提高精算财务验证和对表效率。
之前的费用分摊模块基于I4体系的机构、产品线分摊后进行到合同组的二次分摊，现在又融合新旧会计准则的费用分摊，保证新的费用分摊模块可以同时支撑I4和I17体系下的精细化管理诉求。
精算计量平台主要还是为了提升计量结果评估效率，我们提供多版本计量以及结果之间核对的功能。另外也提供计量结果在正式出财务报表之前，实现财务主副表的预览。同时我们也提供了负债的预测能力。在I17前期咨询过程中，咨询公司通常会做PAA适用性测试，我们也把这一部分能力融入产品。
财务报表主要是下沉到分公司级别的能力，可以出具分公司级别的财务报表。
I17的影响是自上而下的：最直观的体现在财务、经营、考核的综合分析。针对财务分析，我们提供多帐套对帐的能力，解决I4和I17财务指标主要的差异分析。我们也有预设盈利能力、偿付能力和经营稳定性等经营业绩指标，进一步帮助我们的管理层了解I17体系下的经营变化，助力管理决策。
刚才提到很多保险公司在观望，原因就是选择困难，不知道如何选择。好比我们去看病，选择一家综合型医院还是根据我自己的病情去找专科医院？后者明显需要保险公司更了解自己，也要有更强的整合和协调能力。中科软作为“综合性的三甲医院”也给出一套体现综合能力的模型，从领先的技术能力、专业化人才组织能力、行业经验、生态整合能力以及可持续发展能力等等维度，形成综合能力指标体系，可以帮助保险公司进行整体评估，便于客户更好地选择自己需要的厂商。
我们希望更加体系化地看I17对保险公司的影响，因此利用企业架构设计的方法，从业务架构、应用架构、数据架构、技术架构四个层面分析变化。
首先看业务架构，I17是从外部的财务和精算外部驱动力转化为内核驱动力，进而引发从追求规模到关注质量的经营转型。战略层面的变化又会体现在包括战略管理、产品管理、经营管理、风险管理、投资管理的各个业务域。在业务域内识别新的能力，从而形成新的能力矩阵，作为我们业务架构的输出，又会影响到下面的应用架构、数据架构和技术架构的规划。
对应用架构、数据架构和技术架构的规划又会落到中科软的参考模型体系上。
应用架构的规划需要兵法作为指引方向、业务架构的能力明确场景、武器库作为工具支撑。应用层也就是组装层体现了I17新场景的系统群和其他场景对现有应用系统群的影响，进而产生对未来保险公司信息化应用建设的蓝图。
数据架构的变化体现在环境层的词根表、数据模型和数据平台的重新规划，i17的数据模型也是遵循了中科软积累的词根和蓝图结构标准，因而使我们在与核心进行数据探源的工作更加高效。
技术架构体现的是武器库的更新，下面我也选了两个从数字化转型角度对i17影响最直接的武器进行介绍。
数据平台作为整个数字化转型的基座，主要是形成两个维度的统一：横向统一保险公司I17数据平台和已有的数据治理平台、统一监管报送平台。基于指标、数据模型进行统一以后可以保证针对财务主题、经营主题、监管主题的指标统一一致。纵向保证三个平台的技术栈选型高度一致。
刚才邢总也有介绍AIGC，未来我们主要是基于MaaS平台基座，用现有应用场景下积累的智能体应用到新识别的应用场景，实现I17时代数字化转型的工作。
两个武器最终需要帮助业、精、财的线上化、自动化向智能化转型，产品研发小组也已经识别出部分智能应用的场景，包括业财双向驱动、一体化运营、智能化风控、生态级服务。我们也在不断研发，希望在不久的将来能够把这些新的智能应用赋能给保险公司客户。
在这里我也做个广告，智慧工坊是我们基于开源软件产品基座下自研的垂直AIGC MaaS平台，核心目标就是打造一站式大模型应用平台，让整个AI应用更接地气。平台的定位是私有化部署，基于开源模型；低成本，可以对特定业务场景进行微调；提供一整套良好的UI配置页面，可以快速搭建AI应用；适配性和多样性也有相应的能力赋能。功能分布包括模型管理、知识库管理、模型微调、编排与插件和集成与监控。我们也有大量的最佳实践，包括和主流模型集成，已研发的插件以及已经完成流程编排的业务智能场景，这些都可以直接赋能给保险公司客户。
感谢在座的客户一年以来对我们的支持，也希望在后续I17落地的过程中跟保险公司客户有更多的交流。
尊敬的各位领导、各位来宾，大家下午好！很荣幸站在这个位置向大家分享和汇报大地保险这么多年来探索智慧运维的道路，主要是从智能监控切入，赋能智慧运维。
为什么会有这条道路的探索？主要还是大地总体战略是将IT作为核心竞争力，数字化转型的战略就要求我们要有一个非常灵活和智慧的运维模式。
科技中心在响应总体战略的过程中制定了新的运维体系，主要是建设服务化、平台化、自动化的运维平台，由传统向双模转变，要支持敏态和稳态双速模式，建立统一运维服务门户，从业务视角关注应用的连续性和准确性，核心上线运用DevOps体系，实现持续开发到持续运维的全流程打通。我们聚合整个监控数据，支撑应用全生命周期的管理，快速发现问题并恢复应用。分析监控数据，优化整体的业务体验，发现隐患并且提高服务质量。
原有的监控体系存在一些痛点，原有的监控告警平台是通过与各个专业的监控软件进行集成，完成集中告警通知功能，原有架构无法处理海量数据，监控系统分别监控自己的领域，没有在各个领域之间形成互动的关系，告警发生的时候也只是将监控信息集中推送。我们运行了十几年，做了两次重大升级，最终还是不堪重负。
原有的监控告警平台正在承受内部和外部的分布压力，主要有这么几个痛点：微服务应用监控相比于传统应用发生了根本性的改变，这是我们平台无法支撑的，远远跟不上业务增长的速度。公司数字化转型战略对整个数据的重视程度越来越大，大数据、AI技术都离不开集中化的管理，原有的平台无法处理海量的数据。我们内部监控平台非常多而杂，监控数据没有统一汇总，难以维护，准确性也是不足的。
原有的监控告警工作流程是以资源监控为核心，需要转变成为由应用监控为核心，从业务的角度出发保障应用连续性。原来以资源为中心的管理架构，问题在资源负责人之间流转，整个问题的解决速度非常慢。以应用为中心的监控管理架构着重于恢复应用，保证应用的持续运行，修复以后再做问题复盘。
经过四年的规划和布局，运维大脑应运而生，充分保障系统安全地、稳定地运行，快速提升运维服务效率，为业务提供更优质的服务，实现运维本质的转变。我们坚决落实"人建设平台，平台运维机器"的转型，提升快速服务的能力，为提升运维整体的效率打下基础。我们也通过智能算法针对故障进行辅助决策，提高整个发现、分析和处理效率，为应用稳定性保驾护航。
运维大脑包含运维工作台、ChatOps、事件调度管理、知识图谱、根因分析、智能基线分析等等。
运维工作台将日常运维关注的工作统一汇总首页，方便项目管理岗和专业组快速获得运维关键信息，关注应用的运行状态、应用的动态、快捷操作、个人待处理事件工单、CMDB和性能数据快速搜索等等，主要有三个重要价值：以应用为视角集中展现信息，聚焦运维关注度。降低人员的参与时间成本损耗，快速完成常规工作。降低人员使用门槛，白屏化操作，增加平台易用性。我们的效率从原来的30分钟提升到3分钟，整整提升了9倍。
ChatOps就是通过提高纵向和横向的沟通效率，降低沟通渠道和次数，引入智能外呼，通过自动呼叫拨打，精确到人，效率提升了8倍。
在事件调度管理方面，我们之前的告警数量非常多，可能一天几千次告警都有可能，怎么办呢？太多的告警会造成运维人员对告警事件麻木，有告警等于没有告警，所以我们做了告警事件的四层压缩：重复告警压缩，就是同一个时间点的告警进行压缩；单个资源类型多个告警进行压缩，很大概率也是同一事件导致的；专业组维度压缩，比如数据库Oracle和MySQL；应用维度比如应用系统和中间件关联纬度合并压缩。最终降噪达到90%以上。
知识图谱分为应用指数和资源指数两部分，就是整合现有的Zabbix、Pinpoint和Dynatrace的告警和性能数据，通过这些数据将应用的整体情况以“健康度”展现给运维人员，实时观测应用系统运行状态，联动CMDB拓扑等，降低运维的门槛，提升问题发现、定位和处理的效率。应用指数方面，聚合了应用系统的黄金指标，以红黄绿健康度进行直观可视化的展现，实现问题的四级定界。一级定界哪个业务系统应用出问题，二级定界哪些技术栈出问题，三级定界是找出技术栈的根因组件，四级定界是从根因组件中定位问题根因。资源指数方面，通过专业视角展现全网IT资源的健康度，方便专业组了解资源的运行情况。
根因分析是一项结构化的问题处理法，不仅是关注问题的表征，而是通过关联分析统计出有可能影响的根因概率。其优点还是很多的，可以辅助运维人员定位问题根因，提高问题发现效率，缩短平均故障修复时间，减少对运维人员经验的依赖，运维故障修复经验平台化。难点也很多，数据源全面性比较差，数据源标准化工程大，数据源准确性工作量大，算法应用成本高，算法质量调优时间长，算力平台建设成本高。根因分析是持续不断探索和尝试的，并不是短平快可见成效的工程。
智能基线分析就是基于历史统计数据来确定基线的一种算法，围绕现有模型进行学习和分析，系统会自动生成最为贴切的基线数据，能够方便运维人员合理的进行故障预测，避免运维人员对业务运行不了解，造成阈值设置不贴近真实的情况，也会导致告警的不及时。我们的智能基线分析大幅度增加了告警的准确性和可靠性，抑制无效告警，提高问题发现的准确性和及时性。
发现问题、分析问题，最终还是要解决问题。我们是在问题故障发生的时候自动化调用内置的知识库进行处理，达到自动化恢复故障的目的。现在平台已经接入自动化场景200多个，执行次数达到5万多次，涵盖主机、数据库、中间件和网络等。故障自愈有三个优势：节省故障处理的人力成本，可有更多的时间研究专业领域的事情；降低人员参与时间成本损耗，从而缩短故障修复的时间；降低人了工误操作的风险。故障自愈除了优势，当然也有不好的地方。告警不准确，处理的时候就是误操作，处理不标准的话也无法实现故障自愈。
智慧运维的未来在哪里？我们提出运维大脑的设想，就是全链路端到端的综合监控，以应用整体为视角进行综合监控，为实现更加精准的故障根因定位，实现故障相关联的影响面分析，日志的采、管、控将是补全端到端综合监控的一块空白。可将业务日志、运维日志、系统日志、操作日志等进行集中化数据分析，辅助业务异常监测，同时可绘制出业务运行拓扑图，端到端的全链路分析。运维大脑还有很多很长的路要走，我们现在只是刚刚起步，未来会更加专注于这一领域的探索。
今天非常高兴在这样一个风景优美又富有文化底蕴的地方跟各位保险行业的专家老师进行科技前沿交流。观远数据这个名字对大家来讲可能稍微有些陌生，这里自报家门：我们成立于2016年，致力于做一站式智能分析平台和解决方案。要是具象化一点，我们做的就是商业智能，通俗来说，我们做的就是BI。
各位专家老师可能会有疑问，市场上、国内外做BI的厂家已经有很多，为什么你们还要在这方面做点什么？其实我们对自己的定位还是有差异化的，强调要做让业务用起来的现代化BI，所以重点不在BI，而在让业务用起来。
为什么我们想要做让业务用起来的BI？其实还是得从我们的市场上对数据应用的诉求说起。就拿今天的主题保险行业来说，最近几年整个保险行业市场环境发生了很大的、快速的变化。随着更多的八零后、九零后甚至零零后迈入保险购买消费群体，这些年轻人标榜自己，很畏惧坐在保险经纪人面前谈论保险产品，选择通过线上渠道和新媒体了解保险产品，直接在线上下单。新能源车企的崛起，掌握着大量真实有效的数据，以此开展车险甚至其它险种的精准营销，互联网保险的崛起，包括由新媒体、自媒体造成的信息差特例，使得以往通过信息差打造的产品护城河、业务护城河不复存在。
面对这样的市场环境和国家层面的政策和监管的要求，大部分企业都在进行数字化转型，包括经营方式和观念转型，需要更多数据支撑自己的敏捷决策，能够得到数据支撑的话会对业务提升有很大的帮助，需要具备一定的敏捷决策能力提升自己的业务。
目前来看，大部分企业业务人员想要获取数据，这个过程并不简单，这里有一个比较典型的流程图。作为分支机构一线副总如果想要拿到数据，想要看到实时投资回报、精准营销的名单就提需求，给到总部业务部门，确认以后再给到科技团队数据管理部门、数据应用部门，可能数据工程师手里没有这个数据，还要把需求提到底层数仓团队，把数据上架到数据集市，再由数据分析师上架应用产品，给到业务方下发到各个层级的一线。流程太长了，连这个15米长的屏幕都快放不下了，沟通成本也会很高，最后达到一个奇怪的，双方都不满意的瓶颈。科技团队每年会有太多的报表，我们经常跟这些客户交流，科技团队十几个人，每年要处理几千个报表需求，压力是非常大的，业务人员也不满意，我提了需求，你给我反馈的时间也太长了，半个月一个月甚至两个月，等到实现了，营销活动都已经结束了，客户都跑了。
怎样解决这样的困境？波士顿给出了数据分析组织变化趋势，其实数据应用的里程是从IT部门底层开始到业务和数据，甚至是一线业务人员，如何更加高效地使用数据满足应用需求？很简单，三个阶梯中都有圆形接口，就是科技团队把数据交到业务人员，双方握手成交，需要把这个接口往前推，从一到二再到三。看起来简单，但具体实现也不容易，一些互联网公司会选择比较简单粗暴的方法全员颗粒化，营销部门、运营部门都要具备SQL撰写能力，运维人员会写SQL才能去做业务。当然，这种方法转变成本太大，所以我们抛出“三板斧”：真正让业务用起来的BI、行业先进解决方案、数据文化建设方法论，更好地发挥出价值指导自己的业务。
一站式解决方案是我们的基石，但涉及到的东西比较多，挨个介绍的话可能影响大家吃晚饭。
BI就是数据接入、开发整合、分析和应用，还要构建一些数据的门户，包括移动端应用。我们把这些架构简化，通过菜单化的拖拽操作能够具体上传，一到两天的基础学习，业务人员可以掌握这些技能。
横轴是学习成本，纵轴是实现效果，传统报表工具学习曲线是比较缓的，所以还没有学到满足自己需求的地步就已经放弃了，我们的产品更多的是应用的形式，让大家快速上传并且使用。
在此基础上，我们还融合了其它比较有特色的能力：虽然AI产品在使用的过程中，业务人员确实能够去做一些自己的数据洞察和分析，但当我们深入使用数据的时候又涌现出数据的指标化。因为数据在科技手里叫库、叫表、叫模型、叫字段、叫大数据平台，一旦到了业务手里，我们一般叫指标，所以口径上有很大区别。业务人员使用数据完成一些自助分析，意味着需要先知道数据从哪里来，来自什么库，来自什么表，需不需要多库融合，然后才能确认把数据拿出来应用和展示，这个过程太漫长了，也是阻碍推广运维使用数据很大的一个障碍。
为了解决这一问题，现在市场上有很多企业在做数据指标化的事情，我们是选择在自己的BI工具内部或者结合BI去做一体化、一站式的指标中心，可以把底层数据前置性指标化，放到我们的指标中心，包括指标定义、指标治理、逻辑追溯等等，囊括整个消费方式，可以直接调用AI，业务人员不需要再管来自什么表来自什么库，只需要关注需要什么指标，找到合规口径就可以使用。
今天出现最多的一个主题就是大模型，BI的迭代已经有了很长时间，上个世纪七八十年代开始就已经有了工具，慢慢地改进和迭代，现在我们认为达到终点同样需要需要AI，我们通过自然语言交互获取数据，甚至让AI给予我们辅助决策结论。我们自己的BI平台内部上线基于大模型的ChatBI，但很容易发现一个问题，就是大模型没有经过准确训练之前，因为对我们的业务知识缺乏了解，所以问答的结果往往是不准确的，我们是在业务系统、业务文档，甚至只存在于老师的脑海中。为了解决准确性的问题，我们也有上线知识库模块，使用ChatBI之前可以对接企业文档和各种各样的数据资产，已经建设的内部大模型和知识库，我们也可以考虑应用，完成知识库的冷启动，用户使用ChatBI的时候可以不间断地对语言模型提问、调整、追问，被后期追踪和感知，持续不断地判断ChatBI给出的结论是否准确。作为用户，可能会把问答的结果应用到数据作品中进行收藏和分享，判断回复是否准确，要是回复不准确，用户可能会持续不断地纠正，把系统关掉并且持续半个月不登录。通过持续不断的追踪，我们可以做到自循环的优化，通过这种形式满足ChatBI问答模式的需求。
刚才介绍的是产品能力，实际上就算是搭建好了这样的舞台也不见得就能够快速让业务用户广泛使用我们的产品进行分析，因为在用户的视角，可能自身行为习惯更加偏向于提出需求，然后数据团队去满足，所以我们也会提供一系列数据文化、培育和推广运营服务，这些就是我们最有特色的能力。
图中就是观远自创的6S模型，属于企业数据分析进阶阶梯，分为六个阶段，三个阶梯：第一阶段强调从无到有，通过数据简单回答企业发生了什么。第二阶段是数据库强调从有到多，更多的决策形成依赖数据的习惯，让一部分核心场景做到看到问题、找到原因、解决问题。第三阶段强调从多到精，让大量人员养成用数看数习惯，全面覆盖企业各种各样的业务场景。
前面几个阶段统一称之为第一阶梯，就是中心化产出的模式，主要还是需求和交付的应答合作，第二阶梯就是打造广泛自助的模式，让数据更广泛地应用于日常工作，成为决策的前提，让我们的业务方不再过度依赖科技团队的产出，而是使用分布式的开发模式，可以自给自足，核心分析师可以先具备数据应用的能力，第三阶梯强调融合性进步，把自己的数据分析系统内容和业务系统直接打通，完成从数据分析到应用决策的链路闭环，BI能力融合能够让AI算法加入进来辅助分析和决策。
诊断、规划、执行、反馈，可以跨越不同的方式，助力企业数据应用从进步、进阶到飞跃。这里就不展开了，因为方式方法有很大的差异，可能比较耗费时间。
我们为某个健康保险企业进行数字化经分会提升，原来也有一些报表，但因为开发比较复杂，业务方必须提需求，然后会计准则开发，效率比较低，缺乏权限管理，数据没有办法给业务下放。引入我们的产品和服务以后，我们共创打造一表一会的场景。一表就是经分会分析全员看板，面向总部、分支机构和部组，通过权限划分和内容隔离，可以看到具体的数字，指标都是不一样的。一会就是经分会的数字化驱动，以往抛出问题，寻找数据、寻找答案，然后需要复盘寻找解决问题的策略，但通过BI产品的加持，会前各个部组会做大量业务数据的准备，然后直接针对这些看法提出问题，通过灵活的BI能力联动找出问题背后的原因，效率会得到很大的提升。
金融是我们最看重的行业条线，目前我们在服务某股份制银行过程中，为其打造的方式就是开通15万个帐号，每个月都有稳定的6万+月活。我们已经在平台开发10万余张卡片和报表，进行数字化的展示和应用，70%都是业务人员自己完成开发和制作，极大地减轻团队的工作量和负担，让他们能够有精力进行数据治理和大模型引入，也让我们的业务方自给自足的方式遨游在数据的海洋，数据需求的响应周期能够极大地缩短，体验非常好。
以上就是我们的解决方案，大家可以扫描二维码领取，如果想咨询更多的内容，可以到我们的展位进一步交流。希望通过我们自己的产品和能力，真正帮助企业客户，让业务用起来，让决策更智能。
很高兴参加今天的论坛，我给各位领导和同仁带来的分享主题是“变革重塑开放共赢，探索新质生产力，实现高质量发展”。
介绍一下华农这几年的数智化转型思考和实践，我的分享主要分为两个部分，第一部分就是数智化转型的成长之路。
大家应该对新质生产力非常熟悉了。华农认为新质生产力和传统生产力相比有三个区别：技术革命性突破、生产要素创新配置、产业深度转型，同时我们认为新质生产力有三个重要特点：高科技、高效能、高质量，关键就是质优和高质量，相比传统生产力强调的就是数量和规模，第三就是2个摆脱：摆脱传统经济的增长方式，也摆脱传统生产力的发展路径，它的特点是创新，不是传统生产力的延续，核心标志就是全要素生产力大幅度提升，本质就是更先进的生产力。
华农数智化实践跟新质生产力的理论是高度契合的，新质生产力推动高质量发展重点在于数智化建设，通过这几年的数智化转型实践、科技转型、创新驱动，引领公司实现线上化、数字化的全面升级。随着AIGC大模型代表技术革命性的突破，我们也是紧跟时代，加速智能化升级。
我们的数智化转型是怎么做的呢？这张图是根本第一性原理，通过底层剖析，对我们思考的总结。华农2019年开始数智化转型，跟大多数中小型企业是一样的，同质化很严重，虽然业务方向不同，但经营方式和组织形式是高度同质化，考核也是短期化的，KPI考核追求短期主义，缺乏核心沉淀。
从保险的核心逻辑来看，保险主要包括三大逻辑：客户逻辑就是如何低成本地获取客户，怎样为客户解决问题，创造价值；保险本身是大数法则、风险共担的过程，因此我们做的是风险共担的买卖，拼的就是对风险识别、定价和管理。企业成功的商业逻辑就是成本最优、效益最佳、降本增效成为公司生存的关键。
通过对行业和保险底层经营逻辑分析，我们认为需要构建几大核心能力：获客能力、客户能力、风险管理能力、成本管控能力。通过线上化、信息化、数字化、智能化，不断提升信息化水平，建立强大的科技支撑。
就落地举措来看，我们不只是要懂业务，还要懂人性。贴近用户的需求，优化用户的体验；通过科技赋能优化流程，实现降本增效；也要用数字化决策体现智能；团队管理、公司治理需要做到精细化，每个环节都是可记录、可追踪、可量化，体现我们的专业。
前面讲的都是显性的东西，冰山下面的一大块都是看不到的，是我们的组织和文化。我们认为数智化转型就是一把手工程，也是战略项目，要求领导必须亲自抓。团队是战略落地的关键，招聘的都是有学习能力的人。架构也是非常简单，就是以扁平化管理为主。我们建立的是结果导向，鼓励做长期正确的事的机制，专注、开放、平等的文化，极大地提供了强大的内生动力，有力地推动数智化转型。
我们也有取得不错的成绩：规模效应双优双增，各项指标不断创造历史，轻资产不断巩固和增强，排名不断刷新历史纪录，2023年公司在87家主体中排名第三十，公司总保费突破47亿，增速达到19.1%，疫情以后，我们并没有反弹，经营成果还是比较显著的。
轻资产优势也是在持续深化，效率在不断提升，科技成本不断下降，我们2023年科技成本创出历史最佳，IT成本1.33%，相比2020年1.74%有大幅度下降，人均产能连续保持在300万以上，维持较高水平，后续成本也有明显优化，费用达到大约7.5%，创出历史最佳。
就科技战略来看，我们用行业最快的速度完成核心系统能力建设，搭建大中台、小平台、稳后台的架构，推进线上化、数字化、智能化，线上化率达到90%以上，已经打通了系统端到端的能力，构建行业竞争壁垒，沉淀数字化资产。
就获客端，华农大力发展成本最优、粘性更强、更接近终端用户的个人销售体系，个代渠道迅速发展，代理人增员极大地突破，2023年突破2万，相比2022年底翻了1倍，个代保费达到了15.8亿，相比2022年有着48%的提升。
就业务端，非车互联网业务是我们公司的重要业务来源，去年非车互联网业务达到32%的保费增速，为此搭建了一套“六脉神剑”的体系化解决方案，支持非车互联网的发展，去年参加分子科技比赛时拿到全国第三名的成绩，已经得到行业认可。
我们是用阿凡达低代码解决对接快的问题，用互联网分布式架构解决高并发低延时问题，通过天网智能一体监控平台实现事后告警到事前预警，实现重要渠道四年零阻断，通过搭建智能收付结算运营平台，解决高效运营过程中发现的痛点问题，包括发票结算、支付等等，通过天仪全球数字化管理体系有效管理研发资源，通过天眼实现数据管理、智能化决策。非车互联网业务已经在持续为我们公司贡献专有利润。
我们依托天擎智慧决策系统实现车险算帐经营，用8个月时间实现天擎1.0到2.0的上线，解决精算定价和市场政策调整的痛点，就像我们常说的让听得见炮火的人做决策，让看得见炮火的人呼唤炮火，天擎就是要实现这一目标。正是因为有天擎的加持，车险保费规模也在得到持续增长，专属成本率也有得到大幅度优化，降到98.8%。
华农客服端也有打造一套数智中台体系化解决方案，叫做合成旅，今年也有拿到分子科技大赛理赔组的第一名。主要分为几个阶段：在线化打造核心底座-天路，他是国内首家由中小保司自主研发的系统，支持车险全场景、线上化作业，上线以来各项指标得到大幅度提升。
第二阶段，我们还有建立天书数字化治理平台，依托数据底座把数据标准化，数据复用效率得到大幅度提升，实现效率的目标。
数字化、智能化阶段还有打造星盾反欺诈系统，主要是按照几个阶段建设：我们基于业务经验+算法，实现专家经验的体系化、风险特征的数字化，年化降赔达到千万以上。我们引入社交图谱技术，基于过往80万条数据挖掘2300多个循环，涉及到3600个案件。我们严控成本，减少跑冒滴漏，成本得到极大的优化，实现要利润的目标。
最终的目标就是实现在线化、数字化、智能化的联动和打通，体现一个保险公司尊重科技、尊重业务本质的结果。
在后台支持端，打造“天仪”全流程数字化管理协作平台。它针对流程中的需求，开发、测试、验证、验收等环节进行监控和数据实时采集，建立起13个标准指标，涵盖开发延期率、需求变更率等等，覆盖所有项目，实现了包括自研、外包都有100多人的标准化管理，并将这些量化指标和月度考核直接挂钩，实现全流程数字化闭环管理，有力地推动研发团队数字化的管理水平。
随着AIGC时代浪潮，我们也在探索大模型落地模式，先后打造包括星问APP，包括大模型管理中台以及多个大模型服务的1+1+N，星问APP上线数周就达到38%，截至第一季度，我们已经在审计、公关等十几个产品实现大模型赋能。
去年年底，我们也开始对代码大模型进行探索，把所有的系统代码进行整理、清洗、切分、构建，然后再放入大模型进行深度学习，得到反馈结果，最后进行微调。我们通过对代码开展三轮微调，各项指标相比微调前提升的幅度达到250%。100多名开发人员都在积极试用，每天晚上18：00都会总结、复盘当天使用的情况，不断地强化、优化日常使用的工作标准，使得代码大模型对研发团队的赋能从最初不足6%提升到10%，目前是14%。
最后，我重点介绍一下我们和中科软合作共建的项目。我们与中科软的合作，主要包括三个阶段：第一阶段华农保险大部分核心系统都是由中科软开发、运维和支持的；第二阶段我们团队开始逐步掌握核心建设能力；第三阶段，去年开始我们跟中科软强强联合，相互协作，充分利用华农保险的自研能力、数字化管理能力和架构设计能力，发挥中科软丰富的行业经验和优秀平台建设能力，高效协同，打造领先的样板工程，这就是我们新一代的农险核心系统-天泰系统。在这里需要重点感谢昕辉团队的符林、李德涛等人，也感谢赵谨和周晓宇。
天泰去年8月正式启动，今年2月正式上线，短短几个月的时间完成5个核心子系统的开发，12个周边系统的改造。作为中小保险公司量身定做的，使用了微服务最新架构的天泰，也有很多的亮点：产品快速上线的能力，产品配置、组装和上下线完成由业管人员操作，实现零代码的开发；提供卓越的快捷录单能力，确保数据的准确性和完整性的同时实现80%的字段默认复制，录单时效提升270%；严格的风险管控能力，引入多维度、多领域的风险评估，研发基于算法的影像查重防篡改功能，查重率达到96%以上，有效提升了双核人员的风控能力；我们也有实现高质量监管报送，对接多省份平台集成先进数据治理，包括实时监控预警，极大地提升数据报送的准确性、及时性和可靠性，平台运维工作量将近170%。
以上就是华农最近几年数智化转型的思考和实践，希望能够给大家带来一些借鉴。
尊敬的各位领导、业界同仁，大家好！非常荣幸站在这里与在座的各位行业精英分享。首先向此次会议的主办方表示诚挚的感谢，接下来我将围绕中原科技农险向新探索、向质攀升这一主题和大家分享公司在农险科技领域应用探索的成果和心得体会。
中原农险成立于2015年，目前有3家省分公司，包括河南、内蒙古、黑龙江，190家分支机构。截至2023年，公司保费规模超过50亿，其中农业保险业务占比高达80%。作为专业性农险公司，农业保险是我们主要的业务来源，业务的稳步增长也离不开科技的支撑。我们立足于河南，虽然河南是全国粮食的主产区，但由于耕地面积少、地形复杂，我们在农险展业过程中同样存在很多困难。在这样的环境下，我们不得不依靠科技手段解决人力投入大、展业效率低的问题。
从我们的农险科技发展历程来看，从2017年到2023年，我们对十余项农险科技进行过深度探索和应用。
提起农险科技，大家首先想到的就是天空地三大技术支柱。天代表卫星遥感技术，空就是无人机遥感技术，地则是我们地面线上化作业工具，也是各项农险科技与业务流程结合的载体。农业保险科技发展迅速，相关技术已经成为各家保险公司的标配，关于相关技术的原理，在这里我就在不在赘述。大家都知道天与空技术搭配应用的数据产物，包括种植机构分布、作物生长监测、农业灾害监控等等，在农业保险承保理赔和防灾减损过程中起着至关重要的作用。随着遥感技术的发展，获取高清影像数据相对容易，但关键在于数据及时处理和融合应用，如何降低技术的使用门槛，将技术应用到实际的作业流程中，促使天空地三大技术应用形成良性互动循环，共同推进技术应用进步与普及是我本次分享的核心思想。
按图承保的核心在于图，即是将客户承保相关流程关键要素数据可视化地展现在地图上。我们以卫星地图为基础，叠加行政区划最基本的底图，在此基础上，我们又进一步叠加了地块分布图层，可以清晰地判断每个地块的分布情况，图上用红色标线展示。我们又叠加了农户空间标的库，这是我们经过多年客户承保绘制积累的结果，每年每个季度都会经过一次清洗，主要是农户与地块空间的分布关系，图上用蓝色标点展示。正常来说农户与地块关系基本变化不大，但是地块上种植的作物可能会发生变化，特别是秋粮存在多个作物同时承保，因此又叠加种植结构图层，能够确认每个地块区域的种植作物，根据以上图层叠加，我们能够快速定位到客户的地块位置以及标的的种类，这对承保验标起着很大的辅助作用。
养殖险承保则更加关注的是场区、圈舍的图，我们可以根据圈舍面积大小大致推算存栏量，根据厂区的位置设立电子围栏，防止养殖虚假承保风险。
为了确保理赔服务高效，我们又实施了按图理赔流程，客户承保信息的基础上巧妙融合最新的作物长势，然后又叠加理赔最关键的农业灾害分布，主要是干旱、洪涝、倒伏和光谱特征明显的病害，极大地提高理赔的精准性和依据性，让理赔更加科学高效。
天空地技术除了在展业工具上应用以为，我们还有积极拓展其它功能。众所周知，种植险承保流程，验标是尤为复杂的环节，特别是散户需要提前预约多个客户，现场核实客户信息、标的信息，采集影像资料，这一过程既耗时又费力，风险难以把控。接下来，我将为大家介绍解决方案，遥感验标应用，这也是我们利用“天”、“空”、“地”技术对非现场验标的一次重要探索，目前已经在散户大宗作物承保中得以试点应用。
我们根据种植险承保的四大要素，就是谁的地、地在哪、种什么、长势如何，随机抽取承保清单的5名客户的承保数据与农户确权图层、种植结构图层、作物长势图层进行叠加分析，详细展现客户的地块面积、承保面积、作物长势，最终形成遥感验标报告，我们验标人员无需到达现场即可完成验标工作，轻松实现种植险验标四要素的采集。
下面谈一谈无人机应用探索——无人机中台。首先，我来谈谈系统建设的背景。2022年，我们首批采购了140多架无人机，并下发给各个机构。同时，公司层面也成立了无人机飞行队，并进行了两轮操作培训。然而，在实际操作场景中的应用效果仍然不尽如人意。一方面，我们无法有效掌握无人机的使用情况；另一方面，在实际业务流程中进行实地操作仍存在一定的难度，特别是后期与业务结合的影像的处理。
为了解决这些问题，我们搭建了无人机中台。通过无人机中台的应用，我们首先在作业工具基础上集成了无人机飞控模块，从而简化了无人机的操作流程。我们又根据业务流程中不同节点的采集需求，我们设定了三个飞行场景：规划航行、定点飞和采样飞，可实现部区域分采样到全地块扫描的高清影像的采集，操作人员在展业过程中可以通过选取客户地块，快速唤醒飞控模块，自动匹配场景并进行路线规划，实现一键起飞。飞行结束后，结果会自动拼接，贴附到地理信息系统，并回传到业务流程当中。
无人机中台又结合图像分类处理和灾害识别模型，可将飞行结果解译处理，并回传到理赔业务流程当中，为理赔查勘、定损提供更可靠的依据，此外，无人机中台还有着对无人机资产的管理作用，对无人机应用情况了然于胸，摆脱生产状态，实现无人机高效管理，保证无人机好用。
谈起天空地技术的应用，气象应用也是不可或缺的一部分，气象数据除了辅助遥感解译以外，气象预警在农业保险的过程中也发挥很大作用。我们一直提倡防大于赔，及时的气象预警对农作物的防灾减损尤为重要。
区别于传统的天气预报，农业气象预警最重要的其实就是预警模型。我们根据不同的作物、不同生长阶段的习性，不同气象结果下可能发生的灾害，面对不同群体进行建模，建立了90多个气象模型，当预警临界值触发时，会结合承保数据对客户、机构人员、协保员及时推送预警信息，包括近期的气象预报、作物可能发生的灾害和可以采取的防控措施，便于相关人员及时作出防灾减损工作决策，避免灾害带来的损失。当然，实际气象灾害发生的情况下也能够及时生成气象凭证，为理赔定损提供依据。
接下来介绍天空地技术在经营分析、合规检查方面应用的探索。我们把农户标的数据结合业务数据进行整合，统一归集到地图中台，实现时间维度、空间维度、业务维度的查询，通过一张图，可以清晰展现的所有客户的承保、理赔信息以及查勘员的作业轨迹等，也可以通过赔付热力图，直观看到不同区域赔付率的分布情况，也可实现与气象、遥感等空间数据的叠加分析，从空间维度为经营分析、合规检查提供的数据支撑能力。
为了满足全流程线上化需求，我们针对农险展业流程开发上线多个线上化工具，基本满足农险全流程线上化，每个工具产品落地都有经历漫长的过程，在此期间需要考虑不同场景的差异化、耐心的推广、不断创新模式、打磨流程、选取试点，在一线使用试错和调整中反复迭代优化。
但同时也因为碎片化需求，产生了一个问题，整个线上化作业流程分散到多个工具当中，技术模块存在多端重复穿插使用的问题，导致推广使用不方便，由于农险展业比较集中，承保理赔需要机构人员全员出动，工具的切换使用和学习成为了负担，另外多端技术模块使用标准不统一，导致技术迭代复杂、成本高、且周期长，难以应对紧急需求的开发上线。
为了解决以上问题，我们毅然决定借助数字化转型的契机迈向向质攀升的第一步，把整个线上流程进行重组。在此过程中，我们以两个最核心的理念进行指导，就是“解耦”和“整合”。“解耦”一是对技术模块的解耦，如最常用的水印相机模块，各影像资料采集环节都会用到，区别就是水印的内容存在差异，那我们就可以把整个水印相机模块抽离出来，配置多个模板，设定变量值，达到适用各种应用场景的目的，其它技术模块也根据同样原则，引入动态变量，形成可复用的技术模块。二是对线上化流程不同节点的解耦，我们对不同节点所需数据出入口制定标准，以便通过技术模块对各节点进行赋能和扩展。“整合”则是将解耦的技术模块和业务流程节点整合起来，实现整个线上化流程的高可用。例如，在养殖险牲畜唯一标识的采集录入环节，我们可以使用牛脸识别、耳标识别等技术，也可以通过手机的串口外接RFID扫描设备，对电子耳标进行识别。通过“解耦”与“整合”的策略，我们优化了线上化流程，提高了其灵活性和可扩展性，上线了我的主流产品，农险唯一作业工具，i农险4.0，为农险数字化转型奠定了坚实基础。。
首先i农险4.0以客户为中心，对农户投保标的库进行了丰富拓展，将客户实施了精细化分类管理，根据农险客户承保、理赔展业方式的特性，将客户拆分为个体和集体，大户以个体为单位，承载农户基本信息、标的信息、标的位置信息、流转合同信息，散户以集体为单位，承载村信息、村坐落，农户清单信息，可以从集体、个体的角度查看客户的历史承保、赔付情况，以及当前的任务进度，也可以从时间、空间的维度对承保标的做横向展示，为客户业务分析和承保风险把控提供有效的数据支撑。
另外i农险4.0对农险承保理赔移动作业进行了重塑调整，在承保环节涵盖种植险、养殖险、涉农商险业务展业的全流程，根据客户需求为三农领域提供更丰富更全面的保障，通过科技手段以及展业模式的创新，也对整个承保流程进行了简化，支持多标的同时落图验标，多标的、多主险（多保额）、主险+附加险+配套指数险种、以及配套涉农商方案组合出单，通过一个投保流程完多个投保单生成，并提供各险类业务单证的合并预览展示功能，机构作业人员可以通过微信分享给客户进行确认、签字、缴费，让客户对所保业务了解更清晰，投保确认更放心、操作更省心，保险业务经营更合规。
理赔功能同样进行了很大的改进，在定位技术、导航技术的加持下，查勘人员可以根据案件出险位置，对案件快速定位，规划查勘行程路线，并支持地块级别的导航，随着承保客户信息、标的信息的完善，也简化了现场查勘人员业务操作环节，种植险只需要进行简单的选择受损地块依据空间图谱信息，进行测产抽样，简单取证即可完成查勘，面对大面积受灾也可唤醒飞控模块进行无人机查勘估损；养殖险通过耳标识别，尸重识别、牛脸识别等技术现场快速完成查勘定损，并出具定损报告现，现场完成电子单证线上签署工作，针对特殊不能进厂的场景，养殖险也支持把查勘任务推送给客户版APP，协同完成查勘的工作。相比传统案均件作业使用i农险4.0APP移动工具后，很大提高了理赔的“查定”效率，缩短了理赔的结案周期。
通过以上科技手段，我们减免了农险展业过程中的9个环节的流程，对15个环节进行了优化，工作量整体减少50%，三个省分农险业务全流程操作实现了90%以上的线上化，并根据客户经营情况，通过风控指标库，将核保规则结合科技手段进行了前移，在展业过程中及时识别风险并给出提示，有效提升了展业人员对风险把控能力，实现了我们数字化转型对线上化工具也就是一升、一降、一强、一优的要求。
综上所述，在农业保险这条向“新”探索、向“质”攀升的道路上，我们已迈出了坚实的一步，我们已经实现了移动作业工具的整合优化、操作便捷性的显著提升，并搭建了天、地、空三大智慧农业科技中台，也提升了智能化的程度。面对未来，我们将深化服务三农的理念，以数字化转型为引擎，坚持创新驱动推动农业保险高质量发展，进一步利用大数据、云计算、人工智能、AI模型等先进技术，实现农业保险服务的精准化、智能化，同时持续加强移动作业工具的集成与优化，提升操作便捷性，降低农户使用门槛，实现农业经营、农业保险、农业金融触达每一个客户，让科技真正惠及广大民众。
今天的科技分享就到这里，在农业保险的科技应用上，我们与同行业还存在一定差距，期待与大家更多地交流和学习，感谢大家的耐心聆听，谢谢大家。
