የዋጋ አሰጣጥ እና የአደጋ ምደባ፡ GLM፣ ታሪፍ እና አርቲፊሻል ኢንተለጀንስ

ትርፍ፡

• በአርቴፊሻል ኢንተለጀንስ ድጋፍ አጠቃላይ አጠቃላይ መስመራዊ ሞዴል (ጂኤልኤም) ፣ የአደጋ መንስኤ ፣ ታሪፍ እና የአደጋ ፕሪሚየም ፅንሰ-ሀሳቦችን በአርቴፊሻል ኢንተለጀንስ ድጋፍ የማቋቋም ችሎታ እና ጥቅሞቹን ወደ ንግድ ቋንቋ የመተርጎም ችሎታ።
• የማሽን መማሪያ ሞዴሎችን (ጂቢኤም) በተለዋዋጭ ምርጫ፣ መስተጋብር፣ ከመጠን በላይ መገጣጠምን እና የመተርጎም ችሎታን ከአርቴፊሻል ኢንተለጀንስ ጋር የመወያየት ችሎታ።
• የዋጋ አወጣጥ ሞዴሉ ከተከለከሉ/አድሎአዊ ተለዋዋጮች የፀዳ መሆኑን መረዳት መቻል እና የመጨረሻውን ታሪፍ ከህግ እና ውድድር ጋር ማክበር ለተግባራዊነቱ የተተወ ነው።

የኢንሹራንስ ፖሊሲ ዋጋ በዘፈቀደ አይወሰንም. በትልቅ ከተማ ውስጥ ለሚኖር የ22 አመት አዲስ ፍቃድ ያለው አሽከርካሪ የትራፊክ አደጋ የመጋለጥ እድሉ በስታቲስቲክስ መሰረት የ20 አመት ልምድ ካለው የ45 አመት አሽከርካሪ የበለጠ ነው። ፍትሃዊ በሆነ ስርአት፣ የአረቦን ክፍያም እንዲሁ የተለየ መሆን አለበት። ይህንን ልዩነት የመለካት እና በዋጋው ላይ የማንጸባረቅ የአክቱዋሪው ስራ ዋጋ እና ስጋት ምደባ ይባላል። በዚህ ክፍል ውስጥ ስለ አጠቃላይ መስመራዊ ሞዴል (GLM)፣ የዋጋ አወጣጥ ተጨባጭ የጀርባ አጥንት እና የማሽን መማሪያ አማራጮችን እንነጋገራለን እና በዚህ ሂደት ውስጥ AIን ደህንነቱ በተጠበቀ ሁኔታ እንዴት መጠቀም እንደሚቻል እንመለከታለን።

ጥቂት መሠረታዊ ቃላት። የአደጋ መንስኤ አደጋን የሚነካ ተለዋዋጭ ነው እና በዋጋ አወጣጥ (ዕድሜ፣ የተሽከርካሪ ዕድሜ፣ ክልል፣ የታሰበ ጥቅም) ላይ ይውላል። ታሪፉ በአደጋ ምክንያቶች መሰረት ፕሪሚየም እንዴት እንደሚሰላ የሚወስኑ ህጎች ስብስብ ነው። የአደጋው ፕሪሚየም ንጹህ የሚጠበቀው ኪሳራ ዋጋ ነው; ወጪዎች, ኮሚሽኖች, የትርፍ ህዳጎች እና የካፒታል ወጪዎች ሲጨመሩ, የንግድ ፕሪሚየም (የሽያጭ ዋጋ) ይመሰረታል. ከመጀመሪያው እናስታውስ፡- AI ተለዋዋጮችን ይጠቁማል፣ ሞዴሎችን ይገነባል፣ ውህደቶችን ያብራራል፣ ነገር ግን የትኛው ተለዋዋጭ ህጋዊ እና ስነምግባር ያለው እና የመጨረሻው ታሪፍ ህግን እና ውድድርን የሚያከብር መሆኑን የአክቱዋሪ እና የታዛዥነት ክፍል ነው.

ለምን GLM በአክቱዋሪያል ደረጃው ነው።

በዋጋ አሰጣጥ ውስጥ በጣም ጥቅም ላይ የዋለው ዘዴ GLM ነው። ጂኤልኤም “አጠቃላይ መስመራዊ ሞዴል” ማለት ነው፡ እንደ የጉዳት መረጃ ያሉ መደበኛ ያልሆኑ ያልተከፋፈሉ ኢላማዎችን ለማስማማት ክላሲካል መስመራዊ ሪግሬሽንን ያሰፋል። ሁለት መሠረታዊ ክፍሎች አሉት. የስርጭት ቤተሰብ፡- Poisson የሚመረጠው ለድግግሞሽ ነው፣ ጋማ የሚመረጠው ለጥንካሬ ነው (አመክንዮ በክፍል 2)። የአገናኝ ተግባር (አገናኝ)፡ ብዙውን ጊዜ ሎጋሪዝም፣ ይህም ምክንያቶቹ ተባዝተው እንዲኖራቸው ያስችላቸዋል። የማባዛት አወቃቀሩ በእውነተኛነት በጣም ዋጋ ያለው ነው ምክንያቱም ታሪፉ በትክክል የሚዋቀረው በዚህ መንገድ ነው፡ ቤዝ ፕሪሚየም × የዕድሜ ምክንያት × ክልል ምክንያት × የተሽከርካሪ ምክንያት።

የ GLM ትልቁ ጥቅም መተርጎም ነው. ኮፊፊሸንት በቀጥታ ይነግርዎታል፡ "ወጣቱ የአሽከርካሪ ቡድን ከተጠቀሰው ቡድን ጋር ሲነጻጸር ድግግሞሹን በ1.6 እጥፍ ይጨምራል።" ይህ ግልጽነት በሶስት መንገዶች ወሳኝ ነው፡ (1) ተቆጣጣሪው እና የውስጥ ኦዲት ሞዴሉን ተረድተው ማጽደቅ ይችላሉ። (2) የተከለከለ/አድልዎ ውጤት ይታያል; (3) የዋጋ አመክንዮ ለሽያጭ እና አስተዳደር ቡድን ሊገለጽ ይችላል. ይበልጥ ውስብስብ የማሽን መማሪያ ሞዴሎች (ከታች) አንዳንድ ጊዜ ከፍተኛ ትክክለኛነት ይሰጣሉ, ነገር ግን ግልጽነት ባለው ወጪ.

ፍንጭ፡ GLM ኮፊፊሸንት በሎግ ሚዛን ላይ ነው። AI ውሱን ወደ “ማባዛት ሁኔታ” ከኤክስፕ(coefficient) ጋር እንዲለውጥ ይጠይቁ። ወደ ንግድ ቋንቋ መተርጎም በጣም ቀላል ይሆናል (ለምሳሌ Coefficient 0.47 → factor ≈ 1.60 → "60% riskier").

ተለዋዋጭ ምርጫ ፣ ከመጠን በላይ መገጣጠም እና የማሽን መማር

በዋጋ አሰጣጥ ውስጥ በጣም ወሳኝ ውሳኔ የትኞቹ ተለዋዋጮች በአምሳያው ውስጥ እንደሚቀሩ ነው። ሁለት ወጥመዶች አሉ። ጥቂት ተለዋዋጮች ሞዴሉን ያሳውራሉ፡ አስፈላጊው የአደጋ ነጂ ካመለጠ ዋጋው የተሳሳተ ይሆናል። በጣም ተለዋዋጭ / ከመጠን በላይ መገጣጠም ሞዴሉ ያለፈውን ውሂብ እንዲያስታውስ ያደርገዋል፡ ሞዴሉ የምልክት ድምጽን ይሳታል እና በአዲስ ፖሊሲዎች አይሳካም። ሚዛኑ የሚመሰረተው በማረጋገጥ በኩል ነው - መረጃውን ወደ ስልጠና እና የሙከራ ክፍሎች በመከፋፈል እና ሞዴሉ በማያየው መረጃ ላይ መሞከር ፣ ቀላልነት እና ተጨባጭ ምክንያት።

መስተጋብር እንዲሁ አስፈላጊ ነው፡ አንዳንድ ጊዜ የሁለት ነገሮች ጥምር ውጤት ከተለየ ውጤታቸው ድምር ይለያያል (ወጣት + ስፖርታዊ ተሽከርካሪ ከግል ውጤታቸው ድምር የበለጠ አደገኛ ሊሆን ይችላል። በ GLM ውስጥ፣ መስተጋብሮች በግልጽ ይታከላሉ።

በቅርብ ዓመታት እንደ GBM (ግራዲየንት ማደጊያ ማሽን - ብዙ ትናንሽ የውሳኔ ዛፎችን የሚያጣምር ኃይለኛ የማሽን መማሪያ ዘዴ) ያሉ ሞዴሎች በዋጋ ላይ የተለመዱ ሆነዋል። እነዚህ ውስብስብ ንድፎችን እና ግንኙነቶችን በራስ-ሰር ይይዛሉ, ብዙውን ጊዜ ከጂኤልኤም የበለጠ ትክክለኛ ትንበያዎችን ይሰጣሉ. ነገር ግን ዋጋ ያስከፍላል፡ “ጥቁር ሳጥን” የመሆን ዝንባሌ። ዛሬ የተለመደው ልምምድ GBM ለግኝት እና ሀሳብ ማመንጨት እና GLM ለመጨረሻው ግልፅ ታሪፍ መጠቀም ነው። ወይም የ GBM ውፅዓትን እንደ SHAP ባሉ ገላጭ መሳሪያዎች መተርጎም።

የሚከተለው ሰንጠረዥ ሁለቱን አቀራረቦች ያወዳድራል.

መስፈርት

ጂ.ኤል.ኤም

GBM (የማሽን መማር)

አተረጓጎም

ከፍተኛ (የበራ)

ዝቅተኛ (የማብራሪያ መሳሪያ ያስፈልገዋል)

መስተጋብር መያዝ

በእጅ ታክሏል።

አውቶማቲክ

ከመጠን በላይ የመገጣጠም አደጋ

ዝቅተኛ-መካከለኛ

ከፍተኛ (በጥንቃቄ ማስተካከል ያስፈልጋል)

ተቆጣጣሪ/የኦዲት ማጽደቅ

ቀላል

አስቸጋሪ, ተጨማሪ ሰነዶችን ይፈልጋል

የተለመደ አጠቃቀም

የመጨረሻ ታሪፍ

ግኝት, ንጽጽር

በዋጋ ውስጥ AI እንዴት መጠቀም እንደሚቻል

1) የGLM ኮፊሸን ወደ የንግድ ቋንቋ መተርጎም፡-

ድግግሞሽ GLM (Poisson, log link) አዘጋጅቻለሁ. አንዳንድ ጥምርታዎች (የሎግ ሚዛን)፡ age_group_18_25፡ 0.47; ክልል_አብዛኛው፡ 0.22; arac_yasi_10plus: -0.15. እያንዳንዱን በኤክስፕ() ወደ ማባዣ ፋክተር ቀይር እና አስተዳዳሪው ሊረዳው በሚችለው በአንድ ዓረፍተ ነገር አብራራ። እንዲሁም የማመሳከሪያው ቡድን ምን እንደሆነ አስታውስ.

2) ተለዋዋጭ / መስተጋብር ውይይት;

የእርስዎ ሚና፡ የዋጋ አሰጣጥ ረዳት። ለትራፊክ ፍሪኩዌንሲ ሞዴል የእኔ እጩ ተለዋዋጮች፡ እድሜ፣ ጾታ፣ ክልል፣ የተሽከርካሪ ዕድሜ፣ የሞተር ሃይል፣ ዓመታዊ ኪሜ፣ ሙያ ናቸው። - ከቁጥጥር/ከሥነ ምግባራዊ እይታ (ለምሳሌ ቀጥተኛ ያልሆነ መድልዎ) የትኞቹ ተለዋዋጮች አደገኛ ሊሆኑ ይችላሉ? - የትኛውን የሁለትዮሽ ግንኙነቶች መሞከር ምክንያታዊ ይሆናል? - ከመጠን በላይ መገጣጠምን ለማስወገድ ምን የማረጋገጫ ደረጃዎችን መከተል አለብኝ? ውሳኔ መስጠት; የቁጥጥር እና የውይይት ማዕቀፍ ስጠኝ.

3) ከመጠን በላይ መቆጣጠሪያ ኮድ;

Python + scikit-Learn / statsmodelsን በመጠቀም GLMን ከ k-fold cross-validation ጋር የሚገመግም አስተያየት የተደረገበትን ኮድ ይጻፉ። የPoisson ልዩነትን እንደ መለኪያ ይጠቀሙ። የስልጠናውን እና የፈተና ውጤቶቹን ያወዳድሩ እና በአስተያየት መስመሩ ላይ ከመጠን በላይ መገጣጠምን እንዴት ማንበብ እንደሚችሉ ያብራሩ። ቤተ መፃህፍቱ የውሸት ነው።

4) አድልዎ/ተለዋዋጭ ማጣሪያ፡

'ፖስትኮድ' በእኔ የዋጋ አሰጣጥ ሞዴል ውስጥ ጠንካራ ተለዋዋጭ ሆኖ ተገኝቷል። ይህ በተዘዋዋሪ የተከለከለ ባህሪን (ለምሳሌ ጎሳን፣ ገቢን) እንደ ተኪ ተለዋዋጭ የመወከል አደጋን ያብራሩ። - ለዚህ አደጋ ለመፈተሽ ምን ትንተና ማድረግ አለብኝ? - አደጋን ለመቀነስ ምን አማራጮች አሉ? የሕግ ምክር መስጠት; ቴክኒካዊ እና ሥነ ምግባራዊ ማዕቀፍ ይሳሉ.

ደካማ ጥያቄ / ጠንካራ ጥያቄ

ደካማ ጥያቄ፡

ለትራፊክ ኢንሹራንስ በጣም ጥሩውን የዋጋ አሰጣጥ ሞዴል ያዘጋጁ።

"ምርጥ" አልተገለጸም; ምንም ውሂብ የለም, ምንም ገደቦች, ምንም ህግ የለም. AI አጠቃላይ፣ የማይተገበር መልስ ይሰጣል።

ኃይለኛ ጥያቄ፡-

የእርስዎ ሚና፡ ለዋጋ አወጣጡ ረዳት። አውድ፡ የትራፊክ ቅርንጫፍ ፍሪኩዌንሲ ሞዴል GLM (Poisson, log link) እየገነባሁ ነው። እኔ ያሉኝ ተለዋዋጮች፡ የዕድሜ ቡድን፣ የተሸከርካሪ ዕድሜ፣ ክልል (አውራጃ)፣ ዓመታዊ ኪሜ፣ የታሰበ ጥቅም። ገደብ፡ ጾታን በህግ መጠቀም አይቻልም; ቀጥተኛ ያልሆነ መድልዎ ማስወገድ አለብኝ፡ ተግባር፡1) ከእነዚህ ተለዋዋጮች ጋር የመጀመሪያ ሞዴል ዝርዝርን ጠቁም (የማጣቀሻ ቡድኖችን ጨምሮ) 2) ለ 2 ግንኙነቶች ምክንያቶችን ስጥ. 3) ከመጠን በላይ መገጣጠምን ለማጣራት የእርምጃዎች ዝርዝር ስጥ. ማዕቀፉን እና ማረጋገጫውን ይሰጣሉ።

ሶስት ጥቃቅን ጉዳዮች

ጉዳይ 1 - ግልጽነት ያለው ዋጋ. አንድ ኩባንያ ከጂቢኤም ጋር የገነባውን በጣም ትክክለኛ የዋጋ አወጣጥ ሞዴል ለተቆጣጣሪው አቅርቧል፣ነገር ግን ውህደቱን ማብራራት አልቻለም። ማጽደቁ ዘግይቷል። ተዋጊው ተመሳሳይ ምልክቶችን የሚይዝ GLM ሠራ። ትክክለኝነት በ2 በመቶ ቀንሷል፣ ነገር ግን እያንዳንዱ ምክንያት ሊቆጠር ስለሚችል፣ ሞዴሉ በአንድ ወር ውስጥ ተረጋግጧል። GBM ለሥላሳ ተቀምጧል፣ GLM ታሪፍ ሆነ። YZ የሁለቱን ሞዴሎች አፈጻጸም በማነፃፀር የኮዱን እና የቁጥጥር መግለጫውን በፍጥነት አዘጋጀ።

ጉዳይ 2 - ከመጠን ያለፈ ወጥመድ። አንድ ረዳት በአምሳያው ላይ ከ40 በላይ ተለዋዋጮችን እና በርካታ መስተጋብሮችን ሲጨምር በስልጠና መረጃ ላይ ፍጹም ነጥብ አግኝቷል። ነገር ግን በመስቀለኛ ማረጋገጫው ላይ የፈተና ውጤቱ ወድቋል፡ ሞዴሉ ጫጫታውን በቃል አስታውሷል። የተለዋዋጮች ቁጥር ወደ 12 ሲቀነስ እና ሲቀል የገሃዱ አለም አፈጻጸም ጨምሯል። ትምህርት፡ ከዚህ በፊት ታይቶ የማያውቅ የውሂብ ነጥብ እንጂ የስልጠና ነጥቡን ተመልከት።

ጉዳይ 3 - ቀጥተኛ ያልሆነ መድልዎ. በአንድ ሞዴል፣ የ"ሰፈር" ተለዋዋጭ ፕሪሚየምን አጥብቆ አብራርቶታል። ትንታኔው እንደሚያሳየው ይህ ተለዋዋጭ በአብዛኛው በጎሳ ትኩረት ተደራርቧል, ማለትም, የተከለከለ ባህሪ ተኪ ነው. አክቱዋሪው ይህንን ተለዋዋጭ በበለጠ ገለልተኛ የአደጋ አመልካቾች (የመንገድ ዓይነት, የመኪና ማቆሚያ ሁኔታ) ተክቷል; ሁለቱም የሥነ ምግባር እና የሕግ አደጋዎች ቀንሰዋል. AI መደራረብን እና አማራጭ ተለዋዋጭ ጥቆማዎችን የሚለካ የግንኙነት ትንተና አዘጋጀ; የእንቅስቃሴ እና የታዛዥነት ክፍል ውሳኔውን ወስኗል።

የተለመዱ ስህተቶች

• የማይተረጎም ሞዴልን የመጨረሻውን የምግብ አሰራር ማድረግ. ለተቆጣጣሪው፣ ለኦዲት እና ለደንበኛው ሊገለጽ የማይችል ዋጋ ዘላቂነት የለውም; ግልጽነት አስፈላጊ ነው።
• በትምህርት ነጥብ ላይ መተማመን። ከመጠን በላይ መገጣጠም በማይታየው መረጃ (የመስቀል ማረጋገጫ) ብቻ ነው የሚገኘው።
• ሳይፈተሹ የተከለከሉ/የተተኩ ተለዋዋጮችን መጠቀም። እንደ ዚፕ ኮድ እና ሥራ ያሉ ተለዋዋጮች ቀጥተኛ ያልሆነ መድልዎ ሊያስከትሉ ይችላሉ; መሞከርዎን እርግጠኛ ይሁኑ.
• ግራ የሚያጋባ የአደጋ ፕሪሚየም ከንግድ ፕሪሚየም ጋር። የንፁህ ጉዳት ዋጋ ብቻ የመሸጫ ዋጋ አይደለም; ወጪ, ትርፍ እና የካፒታል ዋጋ ተጨምሯል.
• በሎግ ሚዛን ላይ ያለውን የቁጥር መጠን በመተው እና በተሳሳተ መንገድ መተርጎም። ከኤክስፕ() ጋር ወደ ማባዣ ፋክተር ሳይቀይሩት አስተያየት መስጠት ስህተት ይፈጥራል።

ይጠንቀቁ: "የተሻለ ትክክለኛነትን ይሰጣል" የሚለው የ AI የውሳኔ ሃሳብ "ጥቅም ላይ መዋል ያለበት" ሞዴል አይደለም. ግልጽነት፣ ፍትሃዊነት እና ህግን ማክበር የግዴታ መመዘኛዎች እንዲሁም በእውነተኛ የዋጋ አወጣጥ ላይ ትክክለኛነት ናቸው።

በማጠቃለያው

የዋጋ አወጣጥ አደጋን ከአደጋ ምክንያቶች ጋር በመለካት እና ወደ ፍትሃዊ አረቦን የመቀየር ሂደት ነው። GLM ከተባዛ እና ሊተረጎም የሚችል መዋቅር ያለው የዋጋ አወጣጥ ደረጃ ነው። ቅንጅቶች ከኤክስፕ() ጋር ወደ ምክንያቶች ይለወጣሉ። እንደ GBM ያሉ የማሽን መማሪያ ሞዴሎች የበለጠ ትክክል ሊሆኑ ይችላሉ ነገር ግን ግልጽነትን ይቀንሳሉ እና በተለምዶ ለግኝት ያገለግላሉ። ተለዋዋጭ ምርጫ ከመጠን በላይ ከመገጣጠም ተሻጋሪነት የተጠበቀ መሆን አለበት ፣ እና ቀጥተኛ ያልሆነ አድልዎ (ተተኪ ተለዋዋጭ) በጥንቃቄ መቆጣጠር አለበት። AI ሞዴሉን ይገነባል, ኮድ ይጽፋል እና ኮፊሸን ያብራራል; ነገር ግን ህጋዊ-ሥነ-ምግባራዊ ተገዢነት እና የመጨረሻ ታሪፍ የአክቱዋሪ እና ተገዢነት ክፍል ናቸው።

የመተግበሪያ ተግባር

ለዋና ዋና 5-6 አደጋዎችን ይዘርዝሩ። ከእነዚህ ምክንያቶች ጋር የጂኤልኤም የመጀመሪያ መግለጫን ፣ (ለ) 2 ግንኙነቶችን ለመሞከር እና የእነሱን ምክንያቶች ፣ (ሐ) ለተዘዋዋሪ መድልዎ ስጋት ሊሆኑ የሚችሉ ተለዋዋጮችን ለማጣራት AI ን ይጠይቁ። ከዚያ የ 3 ሎግ-coefficients ምሳሌ ስጥ ፣ AI ወደ ከኤክስፕ () ጋር ወደ ማባዣ ፋክተር እንዲለውጠው እና ወደ የንግድ ቋንቋ እንዲያስተላልፍ ጠይቅ እና ምክንያቶቹን በእጅ ያረጋግጡ።

የማረጋገጫ ዝርዝር

• [] የእኔ ሞዴል ሊተረጎም ይችላል; የእያንዳንዱን ሁኔታ ተፅእኖ ወደ ንግድ ቋንቋ መተርጎም እችላለሁ?
• [ ] በመስቀል-ማረጋገጫ ከመጠን በላይ መገጣጠምን አረጋግጫለሁ?
• [ ] ለተከለከሉ እና ለተኪ ተለዋዋጮች በተዘዋዋሪ መድልዎ ስካን አድርጌያለሁ?
• [ ] አውቄ የአደጋውን አረቦን ከንግድ ፕሪሚየም ለይቻለሁ?
• [] ውህደቶቹን በኤክስፕ() ወደ ማባዣነት ለውጬ በትክክል ተርጉሜዋለሁ?
• [ ] የመጨረሻውን የታሪፍ ውሳኔ ከህግ እና ተገዢነት ክፍል ጋር ወስኛለሁ?