阿里云新金融行业线首席架构师 辜敏
各位领导、各位嘉宾，大家上午好！很高兴能和大家相聚在美丽的古北水镇，也借此机会向大家汇报一下阿里云在大模型相关领域的工作进展。
最近的一年里，大模型底层技术的发展可谓日新月异。同时我们也欣喜地发现在这一年，金融机构都在积极拥抱大模型技术，并在各个领域进行尝试和创新。一些金融机构利用大模型技术在客户服务领域精准识别客户意图，判别客户情绪，为客户提供个性化的服务和产品，显著提高了客户的满意度和忠诚度。在一些交易场景中，原来依赖于传统人工提供的服务，在大模型时代，借助大模型的规划能力和理解能力，可以重塑交易流程。我们的保险客户在一些交易场景中，80%的交易都由大模型替代，进行自动化的处理。众所周知，金融是一个非常专业的领域，存在很多复杂的金融场景，我们通常需要依赖资深专家的知识和经验来为客户进行产品设计和服务提供，借助大模型可以理解和泛化金融专家的能力，并把这些能力赋能给初中级的金融从业人员，这样就可以大大提升团队的能力和水平，长远来看，我们金融团队的成员构成也会因此发生很大的变化。相应的，这也会改变知识传承的方式，原来可能需要三个月的培训，新员工才能逐步上岗为用户提供服务，现在通过大模型技术进行实战场景模拟培训，以及实际工作中的智能提醒和协助，新人很快就可以胜任工作要求，快速上岗。当我们借助大模型的能力，把员工从重复性的事务性的工作中解放出来之后，他们就可以在创新性的工作中投入更多的精力，同时借助大模型在文案生成、创意生成、智能编码等等各方面的能力，可以极大的缩短创新工作的周期。由此，我们相信，大模型一定会带来金融行业新一轮的创新和价值重塑。
为了让大模型在企业能够更好的落地，阿里云主张的是模型即服务（MaaS）的理念，在底层是基础模型，包括通义千问商业版模型、开源版模型和第三方的开源模型。阿里云是目前市场上唯一一家既持续投入做模型研发，又持续将模型进行开源的公司，旨在降低大模型的使用门槛，让千行百业的客户和所有的开发者，能够非常便利地使用大模型这项新技术，充分享受新技术带来的红利。为了让大模型的能力更好地融入企业应用，我们也提供了阿里云百炼这样一款产品，用来帮助用户更好地进行模型管理、模型微调和应用构建，从而支持企业各个领域的应用场景。在应用场景层面，阿里云结合自身的应用实践，为客户提供了包括通义灵码、通义晓蜜、通义法睿、通义听悟等在内的八款产品，基于这些产品，客户可以开箱即用，即享大模型的能力。当然，更多的场景，是和众多的合作伙伴联合为客户提供的，我们目前和中科软也在保险行业知识管理、合同条款审核等方面共创联合解决方案。
接下来，首先向大家汇报一下我们在基础模型领域的进展情况。阿里云在2023年4月发布了通义千问，之后每隔两个月都会对基础模型的能力进行更新和迭代。到了今年5月，我们发布了通义千问2.5。目前通义千问模型的能力也得到了千行百业客户的认可，截止今年5月份，通义千问API的日调用次数已经过亿。
通义千问大模型家族的特点是全规格、广开源、跨模态。全规格是指通义千问从0.5B到7B到14B、72B、110B，最大甚至是超过200B的规格，提供全规格的模型，是希望客户在适配自己的应用场景时有更多的选择，能够在模型效果和推理效率之间取得一个很好的平衡。广开源是指通义千问从0.5B到110B全都开源了，也是希望能够最大限度降低企业使用大模型的门槛。跨模态是指除了语言模型之外，我们也会有多模态的能力，包括多模态的理解和多模态的生成，多模态理解包括让大模型通过看见和听懂，看见是大模型可以看懂和理解图片的内容，听见是大模型可以听懂各种声音，能够理解声音的内容，可以鉴赏音乐，可以判别情绪。多模态生成包括图片生成和视频生成，可以帮助我们在营销和服务领域，快速低成本的完成文案的设计。
根据第三方评测报告，比如Hugging Face上，通义千问2开源之后，我们的72B再一次登上全球开源大模型的榜首。OpenAI发布GPT 4o的时候，奥特曼引用了Chatbot Arena的大模型榜单，通义千问是唯一出现在榜单前二十的国产大模型。
在有了底层基础模型的能力之后，需要考虑的是如何在企业的各个场景中进行落地。结合目前金融客户落地的实践，我们总结了大模型落地的不同的范式，一是直接基于大模型来进行推理，方式是直接通过API来调用基础模型。二是基于模型训练工具或者应用开发工具来进行开发，具体落地方式有三种，分别是通过提示词工程和各种插件的编排，来构建智能体；对于企业拥有私域知识的场景，通过构建RAG链路，来构建RAG应用；对于有模型微调需求的场景，我们可以通过模型训练平台，来利用特定领域的数据，比如行业领域数据或者企业自身的数据，来对模型进行SFT，从而得到一个针对特定场景的专属模型，最终基于专属模型进行推理。
为了支持不同范式的大模型落地，阿里云推出百练2.0，希望能够通过低代码甚至是零代码的方式，来帮助客户构建大模型应用场景。在基础模型生态方面，百炼可以接入阿里云官方的模型，也可以接入第三方以及开源社区中的各种模型。在提示词工程方面，百炼内置了海量的Prompt模版，同时百炼还提供基于大模型来自动优化Prompt，让企业可以从繁琐的提示词测试工作中解决出来，使得大模型开箱应用轻松可得。在RAG支持方面，百炼提供了开放灵活的可配置的检索增强服务，企业可以方便的上传文档，构建专属的知识库，我们可以兼容各种类型的文档，同时也提供了丰富的知识库配置优化能力。在智能体构建方面，百炼支持多种插件的调用，也提供了智能编排的能力，让我们轻松的可以构建单智能体和多智能体。在模型训练领域，百炼提供了丰富的模型微调工具，以及各类效果评测工具，以支持开发者高效定制专属大模型。
为了能够更好的让大模型应用在金融行业，我们还提供了通义点金这样一款专门针对金融行业的垂类产品。通义点金目前已经内置了30多个典型的金融行业场景，覆盖了银行、证券、保险等行业客户在投顾、投研、核保、客服、营销等各个领域，企业可以基于这些模版快速的完成应用场景的开发和大模型能力的嵌入。另外，通义点金目前还积累了丰富的行业专属数据，包括25TB的高质量金融语料，以及51000+的金融评测数据，这些积累都可以很好的解决客户在模型训练和微调的面临的数据缺失问题。
除了应用场景模版和高质量的数据之外，通义点金还在RAG、Agents和安全等领域进行了金融增强。这其中包括了对金融行业专属知识的增强，包括了对金融客户年报、研报等金融类文档的解析能力，包括了金融类提示词工程的智能优化能力，针对金融强监管的要求，我们还内置了10万+的金融合规管理规则。这些能力都可以进一步增强大模型在金融机构的可落地性。
基于底层基础模型的能力，以及阿里云百炼和通义点金这样的平台能力，我们在近一年也和众多的保险机构开展了各个领域的尝试和创新。在客户营销和服务领域，典型的应用场景就是智能问答，借助大模型的能力，我们可以更加精准的识别客户意图，再根据客户的意图从知识库中检索出相关内容，并按照最优的方式生成推荐话术，提供给客户经理，一方面可以减少客户经理查阅资料的时间，另一方面可以更加精准的回答客户问题。在与客户进行沟通互动的过程中，客户经理通常需要把握时机，来推荐适合的产品，来达成销售目标。为了能够提升销售产能，我们借助大模型技术来对万级的TOP Sales的过往销售过程进行分析，从中总结出针对不同类型产品的最佳销售时机和最佳销售话术。然后在客户经理与客户沟通的过程中，实时捕捉销售时机，提醒客户经理，并为客户经理提供最佳的销售话术，从而完成Top Sales销售经验的快速复刻。
在保险理赔领域，我们借助大模型的多模态能力为客户提供“秒赔”服务体验。基于多模态识别技术对相机进行能力增强，使其能够识别多种理财材料，借助AI能力进行拍摄引导、质量检测和增强，以及内容理解。在客户完成资料提交之后，对提交材料的完整性进行智能检测，并提示客户补充相关缺失的资料。借助智能理赔技术，目前在门诊险和团险实现秒赔率90%，在医疗险实现秒赔率60%。在提升客户体验的同时，也大大降低了企业的运营成本。
智能还款提醒这个场景，是一个机器人外呼的场景，通过机器人外呼与客户完成交互，提醒和促成客户还款，并根据电话沟通的情况决定下一步动作。在这个场景中，我们利用大模型的能力在精准识别客户意图，并根据客户意图来和客户开展下一轮的对话，直至对话结束。外呼目标达成率与外呼时段、意图识别、话术设计有非常强的相关性，通过大模型技术我们发现客户意图识别准确率提升了6个百分点，最终达成率提升了3个百分点。每一次通话结束之后，大模型都会进行通话总结，来决定下一步的运营动作。
智能质检也是在客服领域一个非常重要的应用场景。传统的客服质检要么通过人工抽查，要么通过NLP这也的小模型来做，一方面成本高，另一方面效果也不是很好。借助大模型技术，我们可以更加高效的完成质检工作，一是比传统小模型能够更精准的识别客服人员对话术规范的遵循情况，二是我们基于通过记录识别潜在的销售商机，三是我们可以完成通话过程的自动小结。质检领域目前还有一个比较新的方向是，借助多模态大模型的能力，识别话务员的情绪，在出现情绪不佳的场景中，及时进行服务阻断，以降低客诉风险。
投资研究也是保险机构非常关注的一个领域。投研人员在实际工作中通常会面临信息庞杂、研报多、标的多、专业知识要求高等各个方面的挑战，通常一个完整的研究报告需要花费好几个月的时间才能完成。我们可以将投研专家的思维和研究框架总结提炼出来，然后让大模型学习和掌握这个框架，当一个投研问题被提出之后，大模型会根据问题的类型选择出对应的分析框架，然后将检索出来的信息和资讯按照分析框架进行生成。我们可以不断的来调整分析框架，最终得到相对满意的生成结果。基于智能投研能力的辅助，投研人员能够快速的完成研究报告的撰写。
智能用数针对的数据分析场景，企业在构建了数据中台之后，通常加工出非常多的数据、指标和标签。在传统的数据分析场景，通产需要数据分析人员知道有什么数据，这些数据在哪里，还需要掌握数据分析的工具，才能最终完成数据分析工作，这其实对数据分析人员有非常高的要求。利用大模型的能力，我们可以让数据分析人员通过对话的方式完成数据的分析，而不用过多的去了解有什么数据，以及数据存储在哪里。这样可以大大降低数据分析的门槛，实现人人都是数据分析师的目标。
智能编码是用在开发领域的一个场景，借助大模型的能力，开发人员可以实现代码生成、代码补全、代码测试、代码解释、注释生成等，可以极大提升研发效率。目前阿里云通义灵码的插件下载量已经超过了350万次，每日推荐的代码量超过3000万行，被采纳的代码累计过亿。目前阿里云内部30%的新增代码也是由通用灵码生成的。
从这么多已经落地的应用场景中，我们可以看到大模型带来的各个方面的价值。在与众多客户沟通的过程中，也会发现金融机构都面临算力构建方面的困局。目前金融机构在大模型落地时面对的是三高一低的困境，三高是指大模型行业内卷试错时间成本高、大模型IT投入沉默成本高（起步门槛高&模型演进快&软硬件迭代快）、大模型人才紧俏组织能力建设门槛高，一低是公共云大模型服务及工具落地门槛低。因此，我们建议金融机构采用四阶段建设法。阶段一是云上试航，在大模型自建成本高难度大，尤其是在价值尚未被完全验证和挖掘的情况下，可以基于公共云提供的算力、模型和平台工具，快速验证技术可行性和业务价值，从而避免前期无谓的投入和时间浪费。阶段二是小步快跑，选择2-3个相对有容错性和投入产出比的作为试点进行落地和推广。阶段三是平台筑基，当大模型应用全面铺开之后，就需要从平台层面进行整体规划，实现基础能力的中台化管理和服务，支撑大模型在更多业务场景中的快速落地。阶段四是云端融合，当大模型场景从服务内部为主转向直面外部C段客户之后，大模型推理的资源需求会呈现指数级增加，在这个阶段算力资源会再次成为瓶颈，通过建立混合云架构，在安全合规的前提下，把本地算力作为固定资源池，把云上的资源作为弹性资源池，将会成为金融机构在大模型时代的最佳选择。
华为云aPaaS产品部总裁 胡建军
非常感谢组委会的邀请，今天我将代表华为云分享华为云aPaaS AI原生应用引擎赋能AI应用创新，使能千行万业数字化转型。
面对AI大模型的浪潮，企业加速应用人工智能技术，使能行业应用创新，但过去两年其实面临着很多的问题和挑战，包括行业内如何快速创新AI应用，怎样规避架构复杂度、应用生成难度和多端协同难度，快速生成AI应用，也包括行业内复杂多变的场景，如何快速确立AI应用场景，沉淀行业知识、行业Knowhow。同时，业界现在有多种大模型，我们认为模型在不同场景下的应用是非常复杂的，如何选择更适合场景的应用大模型，进行相应的接入、开放和评测，包括如何用好大模型、管好大模型，都是面向人工智能时代面临的很多挑战。
今年2月，华为云正式发布AI原生应用引擎，面向千行万业使能行业应用快速创新。产品架构分为几个层次：Agent编排中心、知识中心、模型中心，资产中心，以及面向行业应用使能的过程中更加安全、更加高效地使用模型。智能架构如何分钟级创建应用，以前开发应用是非常复杂的，需要大量代码，人工智能时代如何简捷、高效、分钟级创建是我们需要解决的问题。华为云提供智能架构，标准的API屏蔽底层各种模型厂家的差异，面向行业应用提供标准化API，让行业应用充分调用模型能力，通过标准化API让行业应用快速创新，包括超高的效率，快速构建企业知识库，实现应用分钟级的创建和广域生态。云上沉淀行业Knowhow，包括政务、教育、医疗、制造、金融等等，如何把行业的知识沉淀到云上来，然后更加快速地使能上层行业应用创新，我们需要构建广域生态，与行业生态合作伙伴一起，发挥大家的力量构建行业广域生态。面向行业让人工智能更加安全地使用，安全调用底层模型能力并进行交互，需要构建安全可信的管控体系。
AI原生应用引擎包括几个能力：智能架构，面对千行万业不同场景非常复杂，如何快速创建和生成Agent？我们提供可视化的编程能力，让客户自身随时生成Agent。让Agent在云边端一键式生成和部署，华为云提供一键式AI应用构建能力，包括自动化部署和生成能力。同时，电力客户合作时提出海量Agent场景，数量高达千万级，如何让千万级的Agent高效协同，通过超分布的智能架构可以实现。
标准化API面向上层行业应用快速复制是非常重要的，产品平台能力需要兼容业界主流模型，包括几个方面：南向统一接入，行业内的模型厂商都有自身优势，百花齐放，面向行业应用需要提供Agent的作业平台，把不同场景、不同模态接入进来，我们已经接入30多个主流大模型。模型统一治理，包括具体的调度、评测和分发。北向统一开放，我们提供API统一封装，屏蔽模型厂家的接入差异，包括底层模型版本升级和切换本身对上层行业应用和场景提供无感知的变化。
超高效率就是面向不同行业场景快速构建知识飞轮，周级创建、天级迭代，每个行业都会有不同的知识库和Knowhow，如何跟行业伙伴快速提供行业所需要的知识？我们认为周级创建是必须的，天级迭代也是必须的，企业日常的运营数据、用户反馈等可以成为企业面向大模型场景下不断提升和增强的输入，通过这种方式更快更好地提升大模型面向企业应用场景的效果和体验。
华为公司在保障业务场景的安全可信方面也有较多的实践，国家2023年7月发布《生成式人工智能服务管理暂行办法》，强调创新和安全并举。华为在应用人工智能技术的实践中沉淀出三大安全体系：知识安全包括数据集分类、权限管理、安全审计等；模型交互安全非常重要，在企业应用和模型之间做到安全隔离带，针对保险行业非常重要，包括交互信息加密、访问权限等能力。应用内容安全包括注入检测、生成过滤、动态知识输入、场景化数据生产等能力。同时安全体系需要统一的安全治理框架，包括安全策略、合规管理、反馈审计，这是核心。能够让应用自身构建立体式的纵深防护，面向企业构建端到端安全合规的治理框架、治理体系和流程，让企业应用充分调用人工智能的同时更安全、更高效地为企业提供服务。
广域生态需要联合伙伴沉淀行业Know-how，我们认为要真正深入赋能千行万业，需要与合作伙伴一起，包括中科软等行业内头部伙伴。通过联合软件合作伙伴、服务合作伙伴、数字化转型与系统集成等伙伴，通过AI应用引擎一站式服务平台面向千行万业赋能。
过去一年多，华为联合人工智能行业伙伴，不仅联合打造产品，更是面向行业场景进行实践。眼科医疗人员和患者的比例差异非常大，达到1.6：50000，意味着1.6个眼科医生要服务50000个眼科患者。我们与中山眼科企业联合打造出眼科问诊Agent，让医疗服务效率提升2倍，快速把眼科专家经验沉淀到模型，让应用更好地服务眼科患者。艾吉威是制造AGV的企业，我们联合其场景和应用，联合打造智能巡检agent和辅助决策的Agent，让企业的工作效率提升了5倍。我们联合中软面向不同场景、行业，打造全场景大模型应用创新。同时，华为云aPaaS AI原生应用引擎面向医疗、教育、制造、零售、矿山等行业也有很多成功实践，华为云愿意和伙伴一起改变和重塑千行万业。
前面讲的主要是产品能力和行业实践，随着人工智能的广泛应用，我们认为应用新范式已经发生变化。产品应用架构会发生天翻地覆的变化，从构成走向生成；体验从原来键盘鼠标触摸式的方式变成自然生成、自然交互的模式；以人为本，专家经验协作的开发模式，未来以人工智能为代表，数据为主构建生成式开发工程能力；模式从软件即服务转变为服务即软件，快速生成行业应用。最终面向行业应用、行业场景，能够真正把AI First作为新思想、AI Native作为新实践，面向超级智能体的目标实现AI原生应用。
华为云在商业、技术、生态多个方面联合合作伙伴开展全方位的合作。商业使能侧重能力共建、商机共享；技术使能打造基线方案，发挥各自所长联合打造行业解决方案；生态使能提供相关的生态政策，使能软件、服务和咨询与系统集成伙伴积极参与行业数智化转型。
华为云一直与中科软携手同行，通过华为云一切皆服务赋能中科软保险业务系统实现数智化，中科软作为保险业务系统的龙头企业，把保险行业的优秀实践沉淀到云上，通过华为云再反哺行业客户。华为云和中科软联合打造业界保险业务系统，更好地服务保险行业客户。双方通过联合创新打造联合创新实验室，包括云原生分布式核心商业系统、面向新国际会计准则的管理平台、数据中台的联合方案，同时面向人工智能双方在联合孵化创新大模型中心，通过人工智能推进保险行业快速发展。
以上是我的汇报内容，相信华为云联合中科软以及保险行业的客户、伙伴和开发者，通过人工智能，一定能重塑保险行业的业务体验，加速保险行业的数智化进程！
合合信息智能解决方案事业部解决方案专家 梁子攸
尊敬的各位来宾，大家上午好！我是来自合合信息智能解决方案事业部的梁子攸，非常高兴，也非常感谢会务组让大家齐聚美丽的北京古北水镇，给予我们这么好的一个舞台进行分享。今天我的核心主题就是“AI+大数据，重塑文档数字化范式，助力保险业务升级”。
合合信息2006年在上海成立，作为一家科技公司，整体使命和愿景就是希望通过科技创新让世界更高效，通过成熟的AI+大数据能力，助力整个行业实现一系列的智能化、数字化的升级。
我们公司有两条核心业务矩阵：在座的来宾应该对C端并不陌生，包括扫描全能王、名片全能王、启信宝，金融、制造、政务大数据解决方案都有一定的影响力，我们专门为行业提供结合AI和大数据能力的整体解决方案。
作为一家科技公司，我们一直在思考如何使用相对成熟和先进的技术手段和应用，真正帮助行业实现数字化转型和能力加持，包括大模型技术和实际场景、业务创新的分享。作为一家AI核心能力提供商，为了更好地赋能行业，我们自己对行业的政策背景、远景规划都有相应的了解，因为这些了解的背后一定会产生实际需求和业务场景。我们也了解到今年作为“十四五规划”的倒数第二年，未来马上就是“十五五规划”，保险科技也有相应的目标和需要转化的科技能力。在政策的指引下，我们的发展方向和规划会有一些场景和需求的演化，如何通过成熟的技术能力进行结合？
我们主要是做OCR、NLP和大模型相关能力的孵化和输出。传统的OCR阶段是对标准的证件证照识别，当前能力输出超过200类产品，帮助我们开展业务的过程中实现文档、资料、卡证单据的识别，业务中也有沉淀大量数据和语料，结合技术的深度发展，通过学习能力能够将特殊场景在有大量数据的基础上输出对应的高精度场景化模型，我们也有推出深度学习训练平台，可以基于大批量数据和实际业务场景孵化高精度的AI模型，实现数字化的运营提效。结合大语言模型应用能力，伴随业务逐渐深入发展，基于传统NLP技术和一场景一模型的构建，很多需求背后都有特别多的数据依赖，我们结合大语言模型应用能力包括传统NLP能力将两个技术进行结合，实现完整的、具备高度泛化能力的结构化输出。我们的场景从设计到高度定制化的表单、单据、凭证，包括确认单、批复单等等都可以通过当前已经标明的数字化大模型方案进行落地。
刚才提到政策、行业、场景和技术，我们也是依托于这些核心需求，结合实际遇到的客户真实业务诉求梳理行业通用场景的解决方案。我们依托于需求，包括AI能力的需要，我们也有构建标准化的AI产品，基于完整的七大底层能力，包括AI和大模型能力孵化场景背后依赖的产品。
保险企业可以进行政策的研究和梳理、场景的认知和理解、技术的孵化和产品的落地，今天我们带来的核心分享就是依托于主要开展业务的四大方向，包括投保证件、核保承保、理赔给付和运营管理，我们依托于合合信息成熟的AI大模型能力在四大场景中实现落地。
基于传统的OCR技术和深度学习的AI能力、大语言模型能力，我们现在已经输出很多标准化的通用智能识别产品，基于通用的文字识别、表格的分析识别、证照机器人、票据机器人、海外单据和理赔场景应用非常多的保单医疗发票识别，这些都是通过AI能力封装成为标准化的组件产品，协同当前的理赔业务系统，针对保险业务系统实现AI能力升级。当前的产能过剩和转型的大背景下，AI能力可以非常高效地助力我们完成一系列的转型需求。
投保进件就是通过AI能力针对上传的证照，包括身份证，相关的凭证可能是实际用户通过自己手机拍照或者其它方式上传，面对复杂场景包括光线、倾斜和其它复杂场景导致样本没有办法做到高精度的识别，我们的证照全能王可以对图像质量进行增强，助力或者提升整体识别效率。
针对影像件实现完整的质量检测，包括自动化分类，实现整个进件业务存在的人工分类审核痛点。
投保场景就是客户上传不同资质、证照和凭证的时候会有大量凭证需要利用线下人工的方式进行分类，现在可以通过成熟的AI能力实现全景自动化分类以及识别以后的自动化输出。
核保也可以通过不同的场景，包括模糊判断、分类质检，形成最终的结构化输出结果，实现当前对业务流程的升级。
基于寿险也有一些细分场景，本身是依托于AI能力孵化出来的：寿险的理赔作业最近几年的业务开展过程中也有大量业务需求，传统流程就是在业务端输出和提交大量的理赔清单，包括但不限于单据和凭证、医院门诊发票、住院结算单等等，不同省市都会有不同版式，高精度的分类和识别是非常困难的，但结合成熟的AI能力可以实现智能化的标准服务方案，打通业务前端和业务后台，通过上传凭证和单据的自动分类，实现完整的质检、分类、识别和结构化信息，跟当前的系统进行完整的流程化对接。
实现流程化对接的背后依赖于如何通过标准化产品将当前的理赔影像材料进行分类，我们已经结合实际理赔动作，包括车损、人伤、三证一卡、诉讼和其它种类，标准化分类已经可以实现。如果业务中出现这一类单据凭证，可以实现全自动化的分类，包括后续的识别。
图中就是分类业务场景示例，希望通过AI能力在理赔作业系统实现完整的采集、处理、分类和识别，把可能出现的医疗凭证、理赔申请书和相关证件、发票都实现完整闭环的AI能力加持。我们也有针对专门医疗票据识别进行分类，可以实现整个医疗票据场景包括电子医疗门诊票据、电子医疗住院票据都可以自动化输出。
保单、批单、确认书的识别当前也都在我们完整的智能识别体系服务内，可以为大家提供。
我们依托于场景打造专门的TextPro医疗保险解决方案。
刚才提到的都是基于合合信息AI能力输出的相对作业流程化的能力加持场景，合合信息旗下启信宝也在险企开展业务和经营动作的时候提供完整的产品和智能化服务。
启信宝整体数据中台有着多样的数据分类，包括全景企业数据库、标签画像数据库、评分数据分类，希望通过完整、专业的数据治理、数据挖掘、数据分析能力，能够给险企在经营的活动中提供完善的、高质量的、及时的数据资产进行引入，我们可以结合不同的场景提供全景的、不同维度、不同信息资产类型的数据库服务。
结合实际业务场景和需求，我们也有构建不同的数据库产品能力，包括定制开发的相应能力。
商业大数据在寿险行业实际业务应用不是那么广泛，但在主体经营范围还是要对交易主体对手方周边的情况有所了解，因为很多险企也是央国企，国资委也会开展合规监管，所以对交易主体方背后的风险、链条相关企业风险，是否会对业务产生一系列影响，都是可以通过大数据进行分析的，我们会对企业主体周边的信用风险进行输送和智能推荐。
险企运营的过程中其实是存在着一些历史信息的，由于数据更新的不及时，针对业务产生的波动和风险情况，我们可以引入高效、标准、完善的数据资产化能力提升我们对数据管理、数据治理的相应要求。
某央企保险公司进行在线理赔应用，如何通过AI能力进行加持？这里就是通过影像上传以后，AI能力能够实现质检、自动分类和标准化信息提取，把这些结构化信息回传到业务系统，极大地提升理赔作业流程暴露的问题，包括人工效率过低、成功率过低等等。
智能在线理赔自动化的背后，受众方向和实质业务落地的需求存在一些差异：针对电子医疗票据、分类和保单识别，理赔材料的发票要素信息提取和相应的识别。
如何使用大数据能力规避在企业经营过程中产生的合规性风险？其实这些也是我们寿险客户基于招投标环节对交易对手主体方是否会发生历史的违规风险、重大外部事件风险等等进行完善和落地，通过对数据深层次的挖掘能够开展全面排查，最高超过十五层，实现总公司和分公司协同，七大风险累计七十项风险信息的统一筛查标准逻辑，通过这种方式进行完整的风险质检，也是通过大数据手段帮助我们更好更高效地开展企业实际经营活动。
由于时间有限，今天只是把我们的产品力进行简单的分享，大家如果有兴趣了解我们的大数据产品体验和解决方案，可以扫描二维码与我们进行后续沟通。
神州数码企业云业务集团能力中心总经理 吴静涛
今天，我有幸在此与大家共同探讨一个至关重要的话题——在生成式AI ( Gen-AI ), 信创和降本增效等技术和市场的多种挑战情况下, 保险业客户如何面对下一个攻击.
首要问题，是人工智能的应用，是将由我们保险行业的客户先行一步，还是那些意图对我们构成威胁的黑客抢先一步？答案显而易见，我们必须先行一步, 如何利用这项技术进行合规, 运维和攻防, 已成为摆在我们面前的一项紧迫任务。
其次, 在信创环境中, 如何保证性能, 可靠性, 我们必须不断创新，整合包括信创区、传统区以及云原生在内的新技术和产品，确保在不产生安全漏洞的前提下实现技术融合。
第三, 降本增效一直是保险业IT投入的最大目标, 回顾过去十年，随着保险业和IT技术的不断融合, 电销/网销业务的推广, 保险代理人的数量在逐步下降, 中科软在这方面发挥了重要作用。设想一下，如果我们能够将网销和电销的比例提升至银行行业的水平，即手机银行和网上银行的占比超过90%，这将带来怎样显著的降本增效效果？
下面, 我们就外企退出, 人工智能等新科技引入的情况下, 如何设计全新的安全架构, 应对信创的国产化策略, 如何解决性能和稳定性, 同时还要保证低成本的降本增效等3各方面进行阐述:
-
面对外企的退出，我们曾依赖由他们提供的安全性和可用性规划，如今该由谁来接手？正是神州数码（作为过去中国最大的IT分销企业），通过旗下品牌神州云科，致力于整合资源，通过投资并购、控股、投资研发等多种方式，构建了完整的网络和应用安全产品线，包括防火墙、WAF、负载均衡、GSLB, Log日志管理系统等。我们致力于实现端到端的Tracing可观测性，无论在即传统还是微服务架构中，都能通过无探针的应用日志采集能力, 和大数据平台上独特的数据缝合技术，实现智能基线, 根因分析, 影响范围判断, 实现一键容灾和攻防配置变更。在保险行业中，AI的攻击需要用AI来防御。我们通过可观测性为基础的SOC安全服务体系, 来实现了真正的安全攻防。
-
针对信创的性能和稳定性, 参考20年前, NetScreen面对网络速度由10/100M到1G的快速上升和CPU处理能力的不足，通过研制ASIC芯片来解决高性能和低成本问题; 信创同样面临了CPU等芯片处理能力不足和网络速度再次从10G到25G/40G和100G/400G的极速上升, 在这种状况下, 我们在投入巨资研发ASIC3.0芯片，为保险行业提供信创架构下, 低成本、高性能的产品.
-
在降本增效方面, 我们提倡设备整合，基于信创合规架构和ASIC芯片，实现云边端的统一管理，提供防火墙、VPN和SD-WAN的整合解决方案来降低客户采购和运维成本。
在攻防领域，人是最关键的因素, 无论是架构, 实施, 合规, 渗透还是攻防,都需要人的参与, 神州数码的安全服务团队拥有独特的能力, 就是拥有几乎全部安全厂商的认证工程师, 基于他们的能力和知识库所构建的安服和SOC平台, 来帮助保险客户实现自动的监控、发现汇报, 再等待判断后, 实现一键切换的半自动运维，以适应保险行业的特殊需求。
最后，神州云科依托神州数码的强大资源整合能力，构建了完善的产品线，并与各安全厂商合作，提供从安全架构设计、现场实施安装到后期运维和运营的全方位服务, 为保险行业客户提供应用可用性, 安全性和可持续性的保障。
天瑞软件总经理 韩少波
尊敬的各位领、导各位嘉宾，我是北京天瑞软件的韩少波，非常荣幸参与到本期的寿险行业峰会，也非常感谢主办方中科软科技。今天我的汇报主题是“让规则回归业务本质——实践篇”。
在信息技术蓬勃发展、不断迭代的今天，数字化、智能化应用已成为各行业针对自身属性做出的全新探索和尝试。规则引擎技术不仅提供了自上而下规则决策和自动化作业方式，规则集中大前置，规则战略平台统一管理思想架构也被提上了议事日程，更是成为企业最重要的核心数据资产被加以重视。如果说十年以前，某国外规则引擎产品覆盖不同行业，改变人工执行端的应用，十年后的今天，我们围绕国家倡导的自主研发、安全可控原则，更加适合中国保险公司信创国产化规则技术实现完美的替代。业务场景结合业务诉求，更趋向于减小人工学习成本，让规则回归业务本质的属性。未来国产规则引擎技术会随着数字化、智能化的不断融合，在保险全栈运维领域发挥更加高效、更大的核心竞争力优势。
北京天瑞软件自2005年成立以来，我们始终专注于规则引擎应用的项目建设，在金融领域以科技创新为驱动，不断追求卓越。我们是最早代工某国外规则引擎产品的，比如大家耳熟能详的IBM、FICO。我们2016年12月研发完成自主知识产权规则管理平台软件产品eRuleV1.0。
图中就是早先和现在我们在保险金融客户的服务案例，最近几年应用我们自主知识产权的产品，完整地替换某国外产品，实现全栈运维的应用。75家规则引擎场景落地、29家服务客户，最近几年14家完成全栈业务规划。
我们代工国外应用产品的过程中，随着沉淀和积累以及业务部门不断提出诉求，经过我们的总结，我们认为当前保险行业存在管理规则的瓶颈和痛点：
扩展应用成本高。国外厂商产品往往存在License的限制，无法做到新的应用更好的扩展，新增投入成本过高。
无法满足定制化需求。国外厂商产品不能为中国用户提供定制化功能开发服务。
业务用户很难自主维护。国外厂商产品没有根据中国用户使用特点，导致绝大部分保险公司运维人员无法自主维护运维规则，维护意愿不强。
存量规则迁移工作量大。国外规则引擎应用存量数据规则以及现行规则累计和叠加存在想做而不敢去做，就是因为历史数据存量和现行规则面对迁移困难的问题。
针对客户提出的诉求，天瑞软件提出如下整合方案：结合多年专注于规则引擎领域的实践，我们认为我们的规则应用应该更好地支持业务的发展和业务的使用习惯，无需License限制，发挥应用最大的效能。支持符合保险公司定制化功能开发需求。使用的过程中所见即所得的产品功能设计理念直观的规则逻辑展现，让没有技术的业务应用能够轻松使用。针对自主维护的下属分支机构业务老师操作，权力下放面临规则的时候无法适应，结合现在所见即所得，我们以可视化的展示方式更加智能地便于未来由总公司授权分支机构自主维护规则。作为一个伟大的里程碑，经过不断研发，我们提供自动迁移工具。eRuleV2.0版本实现完美的迁移具化，准确率达到90%以上。
图中就是可视化登录的图形界面，便于理解，更便于业务老师的使用习惯。我们沿用早先业务老师的使用习惯，以任务单下拉的方式，图形化表格中能够直观地感受到规则分类和数据统计，更加便于理解。我们提炼、总结、归纳的规范化和流程化，任务填报、需求审核、规则调整、规则测试、任务审核、任务发布，完整的规则应用标准化流程。
eRule简单、直观的操作体验：在座的应该有寿险业务部门的领导，这些就是现在和日后需要使用的图形界面。大家可以很容易地感觉到，北京天瑞软件在总结和提炼以后，结合业务的诉求，我们的规则应该是什么样子，就是简单、高效、便捷。
eRule优异而稳定的性能表现，拥有许多积累、沉淀和合作中的寿险客户。我们按照CPU内存占比进行统计和归纳，包括压力测试性能预期达到的结果。
eRule准确而高效的一键转换，可以精准地将ODM规则迁移，我们和某个寿险客户验证的过程中，综合性能指标排名第一。整个中国寿险应用案例中，可以看到这些就是某个国外寿险产品的规则结构，包括现在使用的情况，最后就是eRule单条规则极简的应用模式。
eRule产品组件架构，我们以架构和功能融合的方式，从规则管理、任务管理、测试管理、规则服务接口以及规则服务监控、规则执行报表，按照完整、统一、归纳、组件的架构模式展现在我们的客户端。
eRule国产化适配一览表，基于信创国产化，目前我们在不同的产险和寿险客户端与所有主流头部厂家进行适配和认证。
eRule为企业带来的收益包括统一入口、方便管理、业务驱动、响应快速、降本增效、精益求精、回归业务、稳定运行。
eRule对规则开发流程的变革，业务部门提出需求、信息部门分析需求，然后交还给业务部门发布，我们缩减到业务部门自主提出需求，自主编写规则，自主发布规则。
eRule在保险行业的应用示例，因为涉及到商业机密，无法全部说明，希望各位老师理解。
eRule与核心业务系统的协同，我们可以将各个规则系统整合以后统一设计，然后由我们统一管理，这些是回访客户的过程中听到的，规则集中大前置和战略规则统一管理，我们现在正在为客户搭建这样的架构。
eRule在寿险的应用场景案例，全栈规则应用体现在寿险应用场景，我们也有这样的具体描述。
在全业务流程规则生命周期中，我们是规则应用的领航者，北京天瑞软件eRule值得托付。目前基于eRuleV2.0，我们正在咨询和请教，希望利用半年到一年的时间，eRule自主知识产权2.0版本能够扩容提升到3.0的同时有机融合人工智能技术，让我们更好地服务于中国的保险客户。
腾讯云副总裁 胡利明
尊敬的各位保险行业的领导和专家，大家上午好！很荣幸有机会在中科软寿险高峰论坛汇报腾讯云最近两年服务寿险行业的实践，一起探讨数字金融对寿险业务发展的升级和助力。
首先从宏观角度来讲，中央金融工作会议提出做好五篇大文章，对金融的高质量发展提出了更高的要求。数字金融带来了先进的生产力，也是在“数字中国”和“数字经济”的框架下，保险行业通过数字化转型取得了一定的成效，就是数字金融。数字金融的核心抓手在于应用金融科技与数据要素，这些是对宏观政策导向理论上的理解。
行业监管也对保险机构安全稳定提出更多新的要求：稳定运行需要增强运营韧性，确保关键业务和服务持续不断的能力。安全可靠需要潜力数据分级分类管理，包括未来高可用性的常态化能力。报行合一要求保险中介清需提质行动，持续提升保险服务。优化偿付能力，促进保险公司回归保险服务实体经济的功能。
整个保险行业的趋势是从追求量到追求质转变：去年保险行业保费增长比较明显，达到12.75%，主要得益于政策驱动因素，通过前几年的数字化转型在保险渠道和服务的升级使得保费有所增长。代理人从原来的人海战术转为专业化和服务化。资产端也是因为低利率的大环境，导致保险公司利润水平受到一定的影响，需要引导保险资金成为长线资金，提升金融服务实体经济的效果。随着人口老龄化的加速到来，使得保险与康养产业结合越来越深入，投资康养产业可以延伸保险上下游服务链，打造产品+服务的新模式。
我们认为从政策监管和业务趋势来看，保险行业需要增强科技投入加速向数字金融的转型。
腾讯云深耕金融行业、保险行业多年，通过自主创新的产品矩阵和业务的全面保障体系，也是通过云原生、大数据以及创新AI能力支撑，打造数字金融时代新的科技引擎。
寿险核心系统的国产化是至关重要的进程，我们和中科软共同推进，提供基础云底座TCE、核心数据库以及相关的PaaS组件，与中科软的核心系统结合，两个月内完成寿险核心功能场景的全面适配和整体上线。我们实现IaaS、PaaS全栈自主可控，主要是合规架构，中后台采用私有云模式，互联网营销渠道系统在公有云上非常高效、低成本地知识扩展。我们采用云原生架构，保险公司从之前的业务系统发布往往需要三到四周时间，可以缩短到现在的小时级，通过这些措施共同实现保险核心业务的国产化转型，提高整个系统效率的稳定性。
国内寿险公司面对的技术挑战包括系统架构非常陈旧，性能存在明显瓶颈，业务系统颗粒度比较大，导致新的功能迭代开发耦合度非常高，所以迭代效率不高，不同模块的故障会互相影响，导致高可用性存在挑战。腾讯云TCS云原生套件可以实现保险业务系统微服务的拆分，通过DevOps体系提升整体的运营效率，然后通过FinOps清晰展现我们资源利用率持续提升的效果，支持国产化中心适配和业务长效转型。
去年年底到今年年初，我们总共花了三个月时间上线超过50多套的业务系统，保单服务的效果还是非常明显的，使得保单一次完成率达到90%，保全理赔效率提升15%，整个基础设施应用率提升30%，这些只是初期的水平，仍然可以持续优化。
腾讯云在云原生方向也有深入实践，集团业务规模达到4000多万，应该是国内最大的云原生实践，落地的平台体系和资源优化也是非常完善的。
国产化的过程中还有一个非常关键的场景就是数据库的国产化，希望Oracle一体机的数据迁移到国产化数据库。我们采用TDSQL数据库支撑，内核驱动包括语法工具几个层面全面兼容Oracle，让系统应用平滑迁移，通过TDSQL可以支撑多中心异地灾备架构，整体成果还是非常显著的，通过迁移实现相关系统成功上线，能够支持非常高的系统并发处理性能，上线当天单量高达4.8万，峰值每小时支持8000次出单。
随着新的人工智能时代到来，大数据相关基础设施平台建设已经成为金融行业的热潮，无论是银行、证券还是保险都有很多大数据基础设施建设。太平人寿希望采用国产化技术实现湖仓一体的大数据基础设施，主要目标是几个方面：消除数据孤岛，采用国外不同厂商的技术构建平台，提升一线实时计算的分析效果。我们提供TDS大数据平台和数据治理平台，帮助太平人寿构建企业级一站式的开发工具链，解决数据的存储、计算、开发、治理，包括管理多平台的问题。数据安全主要是分级分类、脱敏、健全的一体化数据安全体系，打造跨链应用的全面数据开发治理平台。目前这一平台在太平人寿已经上线，也是首个国产化湖仓一体的落地实践，应用价值还是非常明显的，包括开门红以及很多营销场景、数据运营、数据产出可以从以往的几个小时加速到现在的几分钟，我们正在帮助太平人寿做到实时。治理与安全一体化的企业级平台，提升整个数据的准确性和实时性。通过湖仓一体构建企业级数据资产中心，打破以往数据孤岛，服务于整个公司的数据运营场景。
数据基座的建设是非常复杂的系统性工程，除了我们提供的TDS以外，其实还需要对行业的数据应用场景有深入了解。我们联手中科软基于保险行业应用场景打造全栈大数据解决方案，主要是在产品业务流程支持、业务决策应用、监管上报以及客户价值应用构建落地案例，为保险行业客户带来更多的应用价值。
大数据应用有一个典型场景就是I17，包括海量数据复杂计算、数据可追溯、计算时间的集中度等等，需要每个月进行集中处理。我们也是和中科软合作打造一站式的I17解决方案，针对刚才提到的几个痛点提出全托管、精算计算、费用分摊等等，支持可视化的数据编排以及丰富的报表，包括多元数据的实时同步，多种信创数据库的实时运营。
当前的大数据和人工智能时代，在线业务比重越来越大，云架构应用改变业务系统的安全边界，传统安全防护机制主要是被动式攻防，包括遇到安全事件之后的驱动，没有办法应对现在新的安全形势。我们提出的安全理念就是被动防御转向主动防御，可以支持金融机构从业务底层视角建设一套有利的中枢系统。不局限于传统的防火墙概念，希望通过平台插件的思路面向各类终端，包括网络边界安全、性能安全、应用开发安全、数据安全统一纳入安全管理平台中，不断扩展安全能力，主动防御方向通过实时态势感知、攻防对抗、追踪溯源应对和预防安全攻击，打造一体化的金融安全运营能力。我们的安全服务支持80%以上的头部金融机构，有着非常成熟的产品能力和突发应对经验。
腾讯的大模型目前已经拓展到万亿级别的参数规模，还在不断探索新的技术。我们是在国内率先应用，通过多个模型组合，单个模型尺寸不一定大，但效果非常好，整体性能可以提升50%。我们也在To B针对性地做了很多应用平台和相关应用，大模型和知识引擎应用可以在企业知识库、智能客服、销售辅助场景更好地服务客户内勤。腾讯乐享AI助手可以进行个性化的知识推荐、知识管理。我们也有一站式的代理人培训解决方案，包括智能出勤和代理人能力画像，帮助代理人持续提升能力。腾讯AI会议助手可以提供智能问答、一键生成会议摘要，优化团队协同的沟通效率。腾讯文档可以进行AI辅助写作和润色，为大家提供文档的专业形象。我们IT能力主打的产品叫做代码助手，属于相对价值比较清晰的，特点是可以自动理解开发工程，因为可以理解整个工程的全局，头部银行和保险公司都有实践，测试效果还是相对领先的，代码生成率可以达到接近30%的国内领先水平，集团内部很多都在使用代码助手。
大模型带来了新一代的新质生产力，我们也与中科软携手在业务领域持续探索和创新。一直以来，腾讯云和保险行业保持紧密合作，共同落地大量成功的实践。期待与寿险行业客户携手共创，不断探索新的创新实践，共同推动行业发展。
主持人：感谢胡总的精彩分享！目前已有数百家企业使用腾讯云大数据平台，腾讯云也始终聚焦在自己擅长的领域，坚持打造更精、更快、更易用、更安全的大数据平台。这个过程离不开深耕金融行业，擅长数据应用场景合作伙伴的大力支持，2023年，腾讯云跟中科软等多家伙伴合作，落地多家金融客户大数据项目，为客户提供端到端的数据应用场景，联合解决方案的落地也帮助客户实现数据战略目标的快速达成。今天腾讯云与中科软再次联手发布面向保险行业的大数据联合解决方案，将各技术方在金融行业的成熟经验向大家分享。保险行业大数据联合方案即将发布，让我们共同见证此刻！
