📚 课程目录第4章数字化核保系统概览

4. 数字化核保系统概览

数字化核保不是把纸质问卷简单搬到线上，而是把“问什么、怎么问、答完怎么判、判完怎么留痕”重构为一套可配置、可追溯、可迭代的系统工程。理解这套系统的整体架构与数据流，是后续设计问卷、编写规则和调优模型的基础。本节从架构分层入手，逐层拆解问卷引擎、规则引擎与人工智能组件各自的职责与协作方式。

一、核心原理：五层架构与职责边界

一套成熟的数字化核保系统通常分为五层，每层只解决一类问题，避免逻辑互相污染：

接入层：承载投保端、代理人端、API 对接与第三方数据回调，负责协议转换、鉴权与限流。
问卷引擎层：根据产品、渠道、被保人特征动态生成问题集，控制题目显隐、跳转与校验。
规则引擎层：把核保手册中的判断逻辑转化为可执行规则，输出标准核保结论与依据。
人工智能组件层：承担 OCR 识别、病历结构化、风险评分、异常检测等规则难以覆盖的任务。
数据与审计层：沉淀问卷答案、规则命中记录、模型输出与人工复核轨迹，支撑回溯与监管报送。

关键原则是：问卷引擎负责“采集”，规则引擎负责“判定”，AI 组件负责“增强”，三者通过标准数据契约解耦。任何一层都不应越权替另一层做决定，否则后续维护会迅速失控。

二、数据流：从一次点击到一份核保结论

以一位 45 岁被保人投保重疾险为例，数据流大致如下：

接入层接收投保请求，携带产品代码、渠道号、被保人基本信息。
问卷引擎根据产品与年龄，拉取对应问卷模板，生成首屏问题。
被保人作答过程中，答案实时写入会话缓存，触发显隐与跳转逻辑。
提交后，答案被组装为标准化核保请求报文，送入规则引擎。
规则引擎按优先级执行规则集，命中“体检异常”“既往症”等条件时，调用 AI 组件做病历结构化或风险评分。
规则引擎汇总规则结论与模型输出，生成核保决定：标准承保、加费、除外、延期或拒保。
数据与审计层落库，保留完整证据链，供人工复核与监管检查。

数据契约示例：问卷引擎与规则引擎之间应约定统一字段，避免“同义不同名”。

{
  "applicantId": "A20240512001",
  "productCode": "CI_2024_A",
  "answers": [
    {"qid": "Q101", "code": "HYPERTENSION", "value": true},
    {"qid": "Q102", "code": "SBP", "value": 158},
    {"qid": "Q103", "code": "MEDICATION", "value": "氨氯地平"}
  ],
  "attachments": ["medical_record_01.pdf"]
}

三、三大引擎的协作机制

1. 问卷引擎：动态采集的“提问者”

问卷引擎的核心是题目元数据 + 显隐规则 + 校验规则。题目元数据定义题干、选项、数据类型；显隐规则决定“答了 A 才问 B”；校验规则拦截逻辑矛盾，例如“是否吸烟”选“否”却填写“每日 20 支”。它不判断风险高低，只保证采集到的数据完整、一致、可解析。

2. 规则引擎：确定性的“裁判”

规则引擎通常采用“条件—动作”结构，支持优先级、互斥与版本管理。例如：

rule "高血压加费"
when
  $a: Answer(code == "HYPERTENSION", value == true)
  $b: Answer(code == "SBP", value >= 160)
then
  addConclusion("加费", "血压控制不佳");
end

规则引擎的优势是可解释、可审计、可回滚，每一条结论都能追溯到具体规则与输入数据。它的短板是难以处理非结构化病历和复杂交互特征，这正是 AI 组件的切入点。

3. 人工智能组件：非结构化数据的“翻译官”

AI 组件在核保中主要承担四类任务：OCR 识别体检报告、NLP 抽取病历实体、风险模型评分、异常检测。它们不直接给出最终核保结论，而是把非结构化信息转化为规则引擎可消费的结构化字段。例如，把“超声提示甲状腺结节 TI-RADS 4a”抽取为 {"organ":"thyroid","finding":"nodule","tirads":"4a"}，再由规则引擎判定是否除外。

协作要点：AI 输出必须带置信度与原文定位，规则引擎据此决定“直接采信”“转人工”或“要求补充材料”，避免模型黑箱直接决定承保结果。

四、案例与复盘：一次“问卷漏问”引发的核保偏差

某渠道上线一款医疗险，问卷引擎模板中“近两年是否住院”一题因显隐规则配置错误，仅对 50 岁以上被保人展示。结果一位 38 岁被保人未披露既往住院史，规则引擎按标准体承保。三个月后理赔时发现该住院记录与本次疾病高度相关，引发纠纷。

复盘发现三个问题：一是问卷引擎的显隐条件写成了年龄硬编码，未与产品风险模型联动；二是规则引擎缺少“答案缺失”的兜底校验；三是 AI 组件虽识别出理赔病历中的住院记录，但未回写至核保审计层。改进措施包括：将显隐条件改为可配置的风险因子表达式；在规则引擎中增加“必答项缺失即转人工”的默认规则；建立 AI 输出与核保档案的双向关联。

常见误区：把规则引擎当成“万能判断器”，把所有逻辑都塞进规则；或把 AI 模型输出直接作为最终结论。两者都会导致系统难以维护、责任边界模糊。正确做法是让规则引擎做确定性判定，AI 做概率性增强，人工做兜底复核。

五、关键组件对照清单

组件	核心职责	典型输入	典型输出	可解释性要求
问卷引擎	动态生成与校验问题	产品、渠道、被保人特征	结构化答案集	高，需可追溯题目版本
规则引擎	执行核保判断逻辑	结构化答案、AI 字段	核保结论与依据	极高，每条结论可回溯规则
AI 组件	非结构化数据增强	病历、体检报告、影像文本	结构化实体、风险评分	中，需置信度与原文定位
数据与审计层	留痕、回溯与报送	全链路事件与结果	审计日志、监管报表	高，需完整证据链

理解这套架构后，后续设计问卷时就能明确“哪些问题该由问卷引擎动态控制”，编写规则时能清楚“哪些判断必须留给规则引擎”，引入 AI 时也能界定“模型只做增强、不做终裁”。系统各层各司其职，数字化核保才能真正做到既快又稳、既智能又可审计。