一、项目方案

项目是用户在承保前进行身份安全认证时，通过身份认证中使用的人脸图像对用户同步进行无感的BMI等健康信息的预测，同时将BMI预测结果属于高风险者传送至核保风控系统，提示核保人员该用户BMI的预测结果属于异常情况，由人核确认下一步处理流程，为人核对需要核保客户的选取提供了数据支持，降低因客户不如实健康告知为公司带来的风险。

二、创新点

（1）模式：将AI预测健康技术接入核保系统提升风控效率，并实现完整数据闭环，属于行业首创模式；

（2）技术：利用深度学习网络来提取面部视觉特征，预测BMI、三高指标等，方法上具有创新性；

（3）性能：算法效果优于学术论文中的相关结果,精准度属于行业前列，与竞品公司相比更适合国内市场；

（4）业务：与核保业务相结合，覆盖寿险、重疾、医疗险种，对于校验接口返回BMI异常提示的保单转人核处理，有效降低因客户不如实健康告知而为保险公司带来的系统性风险。

三、技术实现特点

（1）系统架构：

整个系统采用了Client-Server(C/S)结构。

客户端将图片发送到健康预测服务端，之后服务端将预测结果以特定的格式返回客户端，这样充分利用了两端硬件环境的优势。将任务合理分配到客户端和服务端，降低了系统的通讯开销，客户端负荷较轻，用户体验良好。

（2）技术研发上：

1)深度学习技术

健康预测服务使用了新的轻量级骨干网络mobilenet-v2，此网络能够在保持模型精度的同时，大大减小计算量和内存消耗。同时此网络推理速度快，能够很好地提升用户体验。

2)预训练模型

健康预测服务使用了人脸识别模型作为预训练模型。由于医疗数据涉及患者隐私，获取较为困难，所以项目获取的训练数据量有限。在经过海量人脸数据训练后，人脸识别模型能够很好地表征人脸，在此预训练模型的基础上，使用有限的医疗数据进行模型微调，就能够得到较高的准确率，同时无需从头构建模型，能够节省大量的时间和计算资源。

3)结合分类和回归的多任务训练

通过结合分类和回归的多任务训练，能够发掘子任务之间的关系，又能区分子任务之间的差别。多任务训练能够提高模型的泛化性能。各任务之间互相促进，对于新数据有更好的预测结果。

四、项目过程管理

五、运营情况

（1）覆盖保险产品情况：

主力健康险覆盖率超过60%（不包含未成年人专属保险、附加险产品、多被保人产品）；

（2）覆盖用户量说明：

自2021.01.11上线至2021.05.23共覆盖用户量23606；

（3）运营情况数据分析说明：

2021.01.11至2021.03.23期间，共甄别BMI高风险问题件27个（用户健康告知BMI正常，但人脸预测的BMI值超过正常范围），其中8个撤保，总保额近50万，降低了公司潜在的经营风险；

（4）性能调整说明：

通过2021.01.11至2021.03.23的数据分析，发现人脸预测的BMI属于高风险，经人核确认BMI值在正常范围的案例后，与各开发方沟通调整图片传输方式，从而解决因图片形变而造成的识别误差，可以更精准的预测用户BMI风险。

六、项目成效

（1）降低经营风险：为核保风控体系从“抽检”变为“普检“，“AI健康风控系统”系统检测识别问题件为精准核保提供数据支持，降低了公司的潜在经营风险；

（2）节省人工成本：大幅提升核保系统识别风险的能力，节省人力成本，提升效率；

（3）潜在商业价值：作为行业首个利用机器学习精准预测健康指标辅助保险核保进行投保客户全覆盖的风险评估模式，可借鉴国外竞品的业务模式，具有一定的核心竞争优势，可成为阳光核心的保险科技产品进行输出。

七、经验总结

（1）平等型跨部门合作：

项目规划阶段以满足各方获益为出发点推进，并且作为牵头部门实时与协同部门保持沟通，同步项目进度、取得的阶段性成绩等；

（2）借鉴行业领先者：

项目前期规划中不盲目启动，先参考了国外标杆案例，参考了美国Lapetus Solution科技公司、好啦科技的模式；建立模型的时候也积极参考了国外开源平台发布的内容，极大降低了研发成本和试错成本；

（3）集中力量突破关键点：

项目从开始就明确了数据规模对模型精准度的重要性，从开始就策划了每个模型需要的数据样本如何收集，包括设计问卷、线上活动，开发功能应用、找内外部数据源，尽量实现可以满足模型不断优化的数据样本获取机制。