优秀案例｜零犀科技：因果大模型赋能保险服务全链路效能提升

1. 案例背景

零犀科技基于大模型技术的发展，致力于开发因果大模型系统，以满足市场对智能化销售服务的需求。该系统聚焦于保险领域，通过运用先进的AI技术，改变传统的销售模式，转变为以用户为中心的服务模式，强调发现用户问题、了解需求并提供精准解 决方案。零犀科技利用大模型技术进步带来的自然语言处理和推理能力，增强了AI机器人的交互深度和任务处理能力，使其能为用户提供定制化建议和解决方案，从而提高 服务质量与销售转化率。

近年来，中国在大模型技术领域取得了快速发展，多家人工智能厂商加入竞争，形成了“千模大战”,推动了行业革新和生产效率的提升。保险机构由于其较高的数字化成熟度和AI应用水平，成为大模型技术落地的理想场所。然而，保险行业的专业性要 求大模型需具备领域知识和工程化能力，以适应特定任务。

零犀科技通过将因果AI技术融入大模型，提升了模型在保险任务中的表现，使其 能从多模态数据中提取因果关系，增强可靠性和可用性。零犀利用自动化和数字化手段降低了保险服务的运营成本，并通过技术创新提升了用户体验，使得保险服务更加包容和便捷，惠及更多用户群体。致力于帮助保险机构面向普通消费者提供高质量、个性化的保险服务体验。

（1）技术创新情况

高精度语音识别及高表现力的语音合成技术：

语音识别和语音合成是人机交互领域的技术支撑，随着深度学习技术和端到端语音合 成技术的飞速发展，语音识别准确率在同领域得到了大幅度的提升，语音合成技术的 MOS得分也达到或超过人类发音人的得分。但在真实世界中存在环境噪音、说话人  口音、地域方言、日常口语化等的声学和语言学特点，这些现象带来了训练数据量样本不足、训练数据与推理数据分布跨域等技术挑战。拟研究语音识别模型的领域迁移技术、针对老年人/重口音/病理性发音的语音识别关键技术，以及基于对抗网络和Transformer的音色转换技术、利用传统语音合成算法提高合成语音的音质等。

基于Transformer基础大模型的人机对话技术：

该项技术主要目的是为了显著提高人机对话效率，实现机器主导、客户主导、混合主导的多范式对话技术。主要基于Transformer基础大模型，实现人与机器之间自然语言交流的技术。基于大模型的逻辑推理能力，提升人机对话系统的上下文理解能力多轮对话能力、对话的灵活性和高度的自然性。

基于因果图的用户需求挖掘及因果决策技术：

实现基于因果图的用户需求挖掘和服务决策，利用已有的需求元素结合其他用户情境特征，构建对应因果图，决策出有针对性的合理的需求满足方案。对比传统的关联性的模型，基于因果图需求挖掘，重点要达到需求挖掘的更精准符合逻辑，且可解释、可迁移、更鲁棒的效果。

时序性的因果量化技术：

结合时间序列预处理学习因果关系结构、构建因果数据集、对因果关系变量进行排序，并结合局部贪婪算法，学习因果关系变量之间的因果关系，从而实现两个层次的时间序列因果关系学习，重点突破多次服务沟通后的因果量化，加入时序的角度，刻画其变化得到更准确因果量化结果。

（2）模式创新情况：

①通过人机和因果的方式，能够让更多的人能享受到优质专属服务，更公平公正的帮助他们满足自己的需求(对比传统的，针对性的优质专属服务只有高净值用户能得到);

②实现实时理解需求的对话流转(对比传统的，只判别用户对服务的接受认可度，进行劝服式的对话流转);

③实现基于用户需求的匹配合理的满足需求的产品方案(对比传统的，不管用户的情况，只是轮流输出已有服务的优势);

④基于预训练大模型，实现机器人在垂直领域与用户连续交互能力；

⑤结合多次服务的时序变化特征，能够更立体化的理解用户，优化服务链路。

近年来，保险行业面临着严重的发展问题。具体体现在新单业务量的缩水，表面数字的增长主要集中在老客户方面。导致发展困境的两个主要原因，一个是用户期望与实际购买存在差异，即用户购买的保险产品与其预期不符。另外则是保险行业作为一个传统的服务行业，在互联网时代面临着巨大的转型挑战。

随着互联网的发展和普及，UTD(User Tags Driven)交易范式迅速兴起通过利用互联网的力量，收集用户标签和数据，旨在更好地理解用户需求和行为。然而，尽管UTD交易范式已经被广泛采用，但目前所收集到的用户信息往往只停留在浅层次的了解上。 虽然我们可以知道用户访问了哪些网站以及停留时间等基本信息，但却无法真正了解用户内心深处的想法和意愿，即UTD营销范式在某种程度上能够预测用户的喜好，但其对用户的真实目标理解仍然非常有限，缺乏全面性和深入性。传统保险机构通常采用UTD结合撞库式销售，并不需要对潜在客户的需求进行深度理解，而是通过大规模、广泛地接触来实现销售目标。以此模式对用户进行一轮又一轮的产品触碰，交替试错，直到找到买单的产品，这不仅破坏了用户的购买体验，更使业务增长难以为继。

零犀因果大模型设计理念专注于解决保险领域的问题，相较于通用模型，它在保险领域表现出更高的专业性和实用性，是更懂保险的大模型，旨在推动保险行业的创新与发展，提高服务质量和效率，为客户提供更优质的保险产品和服务，具体功能包括：

• 提升效率和降低成本：保险业具有大量的数据和复杂的业务流程，传统的手工处理方式效率低下且容易出错。大模型技术可以自动化处理数据、优化业务流程，提高工作效率并降低运营成本。

   

• 提高风险管理能力：保险业面临着各种风险，包括市场风险、信用风险、操作风险等。通用人工智能技术可以利用大数据分析和机器学习算法，更准确地评估和管理风险，帮助机构做出更可靠的决策。

   

• 优化客户服务体验：保险业需要提供高质量的客户服务，而通用人工智能技术可以 实现智能客服、智能理赔等功能，提高客户服务的效率和质量，增强客户满意度和忠诚度。

   

• 支持个性化产品和营销：保险产品需要根据客户的需求和风险特征进行个性化定制， 而通用人工智能技术可以通过分析大数据和客户行为，实现个性化推荐和定价，提高产品的竞争力和销售转化率。

   

• 加强反欺诈和合规监管：保险业面临着欺诈和合规监管等挑战，而通用人工智能技术可以利用机器学习和模式识别等技术，及时发现异常交易和可疑行为，加强反欺诈和合规监管能力。

c.奖励模型训练，为了在强化学习中为奖励函数提供人类反馈，需要一个奖励模型来将人类偏好转化为数字奖励信号。

d.策略优化，如果仅使用奖励模型来训练大语言模型，则语言模型可能会为了迎合奖励机制而大幅调整其权重，甚至输出毫无意义的胡言乱语。策略优化主要目的是限制每次训练迭代中可以在多大程度上更新策略，从而提供了一种更稳定的更新AI代理策略的方法。

● AI Agent建模技术

智能代理(AI Agent)的决策流程可以精简为三个基本步骤：感知、规划和行动，Agent通过感知系统从环境中收集信息，这些信息可以是文本、图像、声音等多种形式；在 收集到信息后，Agent需要一个规划系统来确定如何达到目标，这个过程涉及到决策制 定，将复杂任务分解为可执行的子任务；最后，Agent根据规划的结果执行行动。通过构建智能代理，模拟销售人员的决策过程，自动化处理复杂的销售任务和客户交互。比如用户问题agent、用户情境agent、销售技巧agent、沟通策略agent、因果推断agent、话术生成agent等等，在销售等场景，大模型通过Al Agent自动回复客户咨询、 推荐产品、生成销售话术等。

（2）功能架构

因果发现：这一功能旨在通过拟合方法和实测数据找出数据特征间的因果关系。这 是一项挑战性的任务，因为不可观测变量可能干扰对因果关系的探索。在实践中，因果发现算法与大型语言模型相结合，能够提高识别数据特征之间因果关系的准确度。

因果效应估计：此功能关注于估计不同干预措施或变量改变带来的效果大小。例如， 在营销中分析优惠券对用户转化率的影响。Uplift模型便是属于这一领域的一种方法，它针对的是因果效应估计。

反事实推断：这是指在缺乏反事实数据的情况下进行推断，是因果推断中的难点之一。大模型在这方面具有潜在应用，可以通过其强大的推理能力辅助生成高质量的反事 实实例，以支持决策制定。

策略学习：指利用因果推断来指导策略的制定和优化。在实践中，这可能涉及使用大模型协助构建仿真环境，进而测试不同策略的可能效果。

基于因果大模型项目自启动以来，已在保险行业内引起了广泛关注，并逐渐在市场中占据了一席之地。该项目依托于零犀科技自主研发的因果大模型，通过高级因果推理和决策支持自动化等技术手段，实现了对用户需求的精准理解与响应，从而显著提升了产品推荐的准确性和用户体验。

目前，零犀科技的因果大模型已在保险领域的多个环节得到广泛应用。在保险产品讲解、家庭配置、智能核保等方面，该模型能够提供更加精准的服务，帮助保险公司更好地理解客户需求，提供定制化解决方案。

在市场推广方面，零犀科技与泰康保险、慧择保险、黑牛保等  多家知名企业和保险机构建立了战略合作关系。通过这些合作关系，因果大模型得以迅速推广并在实际业务中发挥作用。基于此模型的上层应用有效交互用户数(MAU)于2024年5月已突破2100万，成为行业内的隐形冠军，帮助保险公司实现业务正向增长。目前，每月能为保险公司创造2亿至3亿元人民币的保费收入，充分展示了 因果大模型在提升保险行业整体服务水平方面的潜力。

随着技术的不断成熟和应用场景的进一步拓展，预计因果大模型将在更多领域发挥重要作用。特别是在提高业务效率和吸引新客户方面，该模型的表现已经得到了市场验证。到2024年底，零犀科技的营业收入将达到2.5亿元，2025年则可进一步增长至4亿元。这一收入增长的预测基于模型在提高业务效率和吸引新客户方面的实际效果。