المكاسب:
- القدرة على إنشاء مفاهيم النموذج الخطي المعمم (GLM) وعامل المخاطرة والتعريفة الجمركية وعلاوة المخاطر بدعم من الذكاء الاصطناعي وترجمة المعاملات إلى لغة الأعمال
- القدرة على مناقشة التوازن بين اختيار المتغير والتفاعل والتركيب وقابلية التفسير لنماذج التعلم الآلي (GBM) مع الذكاء الاصطناعي
- القدرة على فهم أن نموذج التسعير خالٍ من المتغيرات المحظورة/التمييزية وأن امتثال التعريفة النهائية للتشريعات والمنافسة متروك للخبير الاكتواري.
لا يتم تحديد سعر بوليصة التأمين بشكل عشوائي. إن خطر وقوع حادث مروري بالنسبة لسائق مرخص حديثا يبلغ من العمر 22 عاما ويعيش في مدينة كبيرة أعلى إحصائيا من خطر وقوع حادث مروري بالنسبة لسائق يبلغ من العمر 45 عاما ولديه 20 عاما من الخبرة؛ وفي النظام العادل، يجب أن تكون الأقساط مختلفة أيضًا. وتسمى مهمة الخبير الاكتواري في قياس هذا الفرق وعكسه على السعر بالتسعير وتصنيف المخاطر. في هذه الوحدة، سنناقش النموذج الخطي المعمم (GLM)، وهو العمود الفقري الاكتواري للتسعير، وبدائل التعلم الآلي الخاصة به، ونرى كيفية استخدام الذكاء الاصطناعي بأمان في هذه العملية.
بعض المصطلحات الأساسية. عامل الخطر هو المتغير الذي يؤثر على المخاطر ويستخدم في التسعير (العمر، عمر المركبة، المنطقة، الاستخدام المقصود). التعريفة عبارة عن مجموعة من القواعد التي تحدد كيفية حساب القسط وفقًا لعوامل الخطر. علاوة المخاطرة هي تكلفة الخسارة المتوقعة الصرفة؛ عند إضافة المصاريف والعمولات وهوامش الربح والتكاليف الرأسمالية، يتم تشكيل القسط التجاري (سعر البيع). دعونا نذكر من البداية: الذكاء الاصطناعي يقترح المتغيرات، ويبني النماذج، ويشرح المعاملات؛ ولكن ما هو المتغير القانوني والأخلاقي وما إذا كانت التعريفة النهائية تتوافق مع التشريعات والمنافسة أم لا، فهذا يعود إلى الخبير الاكتواري ووحدة الامتثال.
لماذا GLM هو المعيار في الاكتوارية
الطريقة الأكثر استخدامًا في التسعير هي GLM. يرمز GLM إلى "النموذج الخطي المعمم": فهو يوسع الانحدار الخطي الكلاسيكي ليناسب الأهداف غير الموزعة بشكل طبيعي، مثل بيانات الضرر. لديها عنصرين أساسيين. عائلة التوزيع: يتم اختيار بواسون للتردد، ويتم اختيار جاما للشدة (المنطق في الوحدة 2). دالة الارتباط (رابط): عادة ما تكون لوغاريتمية، مما يسمح للعوامل بأن يكون لها تأثير مضاعف. يعتبر الهيكل المضاعف ذا قيمة كبيرة في المجال الاكتواري لأن هذه هي بالضبط الطريقة التي يتم بها إعداد التعريفة: القسط الأساسي × عامل العمر × عامل المنطقة × عامل السيارة.
أكبر ميزة لـ GLM هي إمكانية التفسير. يخبرك المعامل مباشرة: "تزيد مجموعة السائقين الشباب التردد بمقدار 1.6 مرة مقارنة بالمجموعة المرجعية." وتعد هذه الشفافية أمرًا بالغ الأهمية من ثلاث طرق: (1) يمكن للجهة التنظيمية والتدقيق الداخلي فهم النموذج والموافقة عليه؛ (2) ظهور أثر محظور/تمييزي؛ (3) يمكن شرح منطق السعر لفريق المبيعات والإدارة. توفر نماذج التعلم الآلي الأكثر تعقيدًا (أدناه) أحيانًا دقة أعلى، ولكن على حساب الشفافية.
تلميح: معامل GLM على مقياس السجل. اطلب من الذكاء الاصطناعي تحويل المعامل إلى "عامل مضاعف" باستخدام exp(coefficiency); سيكون من الأسهل بكثير ترجمتها إلى لغة الأعمال (على سبيل المثال، المعامل 0.47 ← العامل ≈ 1.60 ← "60% أكثر خطورة").
الاختيار المتغير والتجهيز الزائد والتعلم الآلي
القرار الأكثر أهمية في التسعير هو المتغيرات التي ستبقى في النموذج. هناك نوعان من الفخاخ. وهناك عدد قليل من المتغيرات التي تعمي النموذج: فإذا أغفلنا دافع المخاطرة المهم، فإن السعر سيكون خاطئا. إن التباين الشديد / الإفراط في التجهيز يجعل النموذج يحفظ البيانات السابقة: يخطئ النموذج في الإشارة إلى الضوضاء ويفشل في السياسات الجديدة. يتم إنشاء التوازن من خلال التحقق المتبادل - تقسيم البيانات إلى أجزاء تدريب واختبار واختبارها على بيانات لا يراها النموذج، والبساطة والتفكير الاكتواري.
التفاعل مهم أيضًا: في بعض الأحيان يختلف التأثير المشترك بين عاملين عن مجموع تأثيراتهما المنفصلة (قد تكون السيارة الشابة + الرياضية أكثر خطورة من مجموع تأثيراتهما الفردية). في GLM، تتم إضافة التفاعلات بشكل صريح.
في السنوات الأخيرة، أصبحت نماذج مثل GBM (آلة تعزيز التدرج - وهي طريقة قوية للتعلم الآلي تجمع بين العديد من أشجار القرار الصغيرة) شائعة في التسعير. تلتقط هذه الأنماط والتفاعلات المعقدة تلقائيًا، وغالبًا ما تعطي تنبؤات أكثر دقة من GLM. لكن ذلك يأتي بثمن: الميل إلى التحول إلى "صندوق أسود". الممارسة الشائعة اليوم هي استخدام GBM للاكتشاف وتوليد الأفكار وGLM للتعريفة النهائية الشفافة؛ أو تفسير مخرجات GBM باستخدام أدوات التوضيح مثل SHAP.
ويقارن الجدول التالي بين الطريقتين:
المعيار
جي إل إم
جي بي إم (التعلم الآلي)
القابلية للتفسير
عالية (معامل على)
منخفض (يتطلب أداة التعليقات التوضيحية)
التقاط التفاعل
تمت إضافتها يدويًا
تلقائي
خطر التجهيز الزائد
منخفض متوسط
عالية (مطلوب تعديل دقيق)
موافقة الجهة التنظيمية/مراجعة الحسابات
سهل
صعب، ويتطلب وثائق إضافية
الاستخدام النموذجي
التعريفة النهائية
الاكتشاف والمقارنة
كيفية استخدام الذكاء الاصطناعي في التسعير
1) ترجمة معامل GLM إلى لغة الأعمال:
قمت بإعداد تردد GLM (بواسون، رابط السجل). بعض المعاملات (مقياس السجل): age_group_18_25: 0.47؛ منطقة_الأغلبية: 0.22؛ arac_yasi_10plus: -0.15. قم بتحويل كل واحد إلى عامل مضاعف باستخدام exp() واشرح ذلك في جملة واحدة يمكن للمدير فهمها. أذكر أيضًا ما هي المجموعة المرجعية.
2) مناقشة المتغير/التفاعل:
دورك: مساعد التسعير. المتغيرات المرشحة لنموذج تردد حركة المرور هي: العمر، الجنس، المنطقة، عمر السيارة، قوة المحرك، الكيلومترات السنوية، المهنة. - ما هي المتغيرات التي قد تكون محفوفة بالمخاطر من منظور تنظيمي/أخلاقي (مثل التمييز غير المباشر)؟ - ما هي التفاعلات الثنائية التي قد يكون من المنطقي تجربتها؟ - ما هي خطوات التحقق التي يجب أن أتبعها لتجنب التجاوز؟ صناعة القرار؛ أعطني الإطار للتحكم والمناقشة.
3) رمز التحكم الزائد:
اكتب التعليمات البرمجية المعلقة التي تقيم GLM من خلال التحقق المتبادل k-fold باستخدام Python + scikit-learn / statsmodels. استخدم انحراف بواسون كمقياس. قارن بين نتائج التدريب والاختبار واشرح في سطر التعليقات كيفية قراءة علامة التجهيز الزائد. المكتبة مزيفة.
4) التمييز/الفحص المتغير البديل:
تبين أن "الرمز البريدي" يمثل متغيرًا قويًا في نموذج التسعير الخاص بي. اشرح خطر تمثيل خاصية محظورة بشكل غير مباشر (مثل العرق أو الدخل) كمتغير بديل. - ما هو التحليل الذي يجب أن أقوم به لاختبار هذا الخطر؟ - ما هي البدائل المتاحة للحد من المخاطر؟ تقديم الاستشارات القانونية؛ رسم الإطار الفني والأخلاقي.
موجه ضعيف / موجه قوي
حث ضعيف:
وضع أفضل نموذج تسعير للتأمين المروري.
"الأفضل" غير محدد؛ لا توجد بيانات ولا قيود ولا تشريعات. يقدم الذكاء الاصطناعي إجابة عامة وغير قابلة للتطبيق.
مطالبة قوية:
دورك: مساعد الخبير الاكتواري للتسعير. السياق: أقوم بإنشاء نموذج تردد فرع حركة المرور، GLM (Poisson، رابط السجل). المتغيرات الموجودة لدي: الفئة العمرية، عمر المركبة، المنطقة (المحافظة)، الكيلومتر السنوي، الاستخدام المقصود. القيد: لا يمكن استخدام النوع الاجتماعي في التشريعات؛ أحتاج إلى تجنب التمييز غير المباشر. المهمة: 1) اقتراح مواصفات النموذج الأولية مع هذه المتغيرات (بما في ذلك المجموعات المرجعية). 2) إعطاء أسباب لتفاعلين يجب أن أحاولهما. 3) تقديم قائمة بالخطوات للتحقق من التجهيز الزائد. 4) إضافة ملاحظة خاصة للانتباه إلى "المنطقة" من حيث التمييز غير المباشر. سأتخذ القرار؛ أنت توفر الإطار والمبرر.
ثلاث حالات صغيرة
الحالة 1 – قيمة الشفافية. قدمت إحدى الشركات نموذج تسعير دقيق للغاية أنشأته بالتعاون مع GBM إلى الجهة التنظيمية، لكنها لم تتمكن من شرح المعاملات؛ تأخرت الموافقة قام الخبير الاكتواري بإنشاء GLM الذي التقط نفس الإشارات. انخفضت الدقة بنسبة 2%، ولكن نظرًا لإمكانية أخذ كل العوامل في الاعتبار، فقد تم التحقق من صحة النموذج في غضون شهر. تم حفظ GBM للاستطلاع، وأصبحت GLM تعريفة. أنتج YZ بسرعة الكود ووصف المنظم لمقارنة أداء النموذجين.
الحالة الثانية - فخ التجهيز الزائد. حصل أحد المساعدين على درجة مثالية في بيانات التدريب عندما أضاف أكثر من 40 متغيرًا والعديد من التفاعلات إلى النموذج. ولكن عند التحقق المتبادل، انهارت نتيجة الاختبار: لقد حفظ النموذج الضوضاء. زاد الأداء في العالم الحقيقي عندما تم تقليل عدد المتغيرات إلى 12 وتبسيطها. الدرس المستفاد: انظر إلى درجة البيانات غير المسبوقة، وليس درجة التدريب.
الحالة 3 - التمييز غير المباشر. وفي أحد النماذج، يفسر متغير "الحي" العلاوة بقوة. وأظهر التحليل أن هذا المتغير يتداخل إلى حد كبير مع التركيز العرقي، أي أنه كان بديلاً لصفة محظورة. استبدل الخبير الاكتواري هذا المتغير بمؤشرات مخاطر أكثر حيادية (نوع الطريق، حالة وقوف السيارات)؛ وقد انخفضت المخاطر الأخلاقية والقانونية. أنتج الذكاء الاصطناعي تحليل الارتباط لقياس التداخل واقتراحات المتغيرات البديلة؛ اتخذت وحدة الخبير الاكتواري والامتثال القرار.
الأخطاء الشائعة
- جعل النموذج غير القابل للتفسير هو الوصفة النهائية. السعر الذي لا يمكن تفسيره للجهة التنظيمية والتدقيق والعميل هو سعر غير مستدام؛ الشفافية ضرورية.
- الاعتماد على درجة التعليم. يتم اكتشاف التجهيز الزائد فقط في البيانات غير المرئية (التحقق المتبادل).
- استخدام المتغيرات المحظورة/البديلة دون التحقق. قد تحمل المتغيرات مثل الرمز البريدي والمهنة تمييزًا غير مباشر؛ تأكد من اختباره.
- الخلط بين علاوة المخاطرة والقسط التجاري. تكلفة الضرر الخالص وحدها ليست سعر البيع؛ تضاف النفقات والأرباح وتكلفة رأس المال.
- ترك المعامل على المقياس اللوغاريتمي وإساءة تفسيره. التعليق دون تحويله إلى عامل مضاعف باستخدام التابع exp() سيؤدي إلى حدوث خطأ.
تحذير: توصية الذكاء الاصطناعي بالنموذج الذي "يعطي أفضل دقة" لا تعتبر تلقائيًا النموذج الذي "يجب استخدامه". تعد الشفافية والعدالة والامتثال للتشريعات معايير إلزامية بالإضافة إلى الدقة في التسعير الاكتواري.
في ملخص
التسعير هو عملية قياس المخاطر مع عوامل المخاطرة وتحويلها إلى علاوة عادلة. GLM هو معيار التسعير الاكتواري ببنيته المضاعفة والقابلة للتفسير؛ يتم تحويل المعاملات إلى عوامل باستخدام exp (). قد تكون نماذج التعلم الآلي مثل GBM أكثر دقة، ولكنها تقلل من الشفافية وتستخدم عادةً للاكتشاف. يجب حماية اختيار المتغير من التجهيز الزائد عن طريق التحقق المتبادل، ويجب التحكم بعناية في التمييز غير المباشر (المتغير البديل). يبني الذكاء الاصطناعي النموذج ويكتب التعليمات البرمجية ويشرح المعامل؛ لكن الامتثال القانوني والأخلاقي والتعريفة النهائية ينتميان إلى وحدة الخبير الاكتواري والامتثال.
مهمة التطبيق
قائمة 5-6 عوامل الخطر للتخصص. اطلب من الذكاء الاصطناعي (أ) مواصفات أولية لـ GLM مع هذه العوامل، (ب) تفاعلان لمحاولة تحديد الأساس المنطقي لهما، (ج) فحص المتغيرات التي قد تكون معرضة لخطر التمييز غير المباشر. ثم أعط مثالاً على 3 معاملات سجلية، واطلب من الذكاء الاصطناعي تحويلها إلى عامل مضاعف باستخدام exp() ونقلها إلى لغة الأعمال، والتحقق من العوامل يدويًا.
قائمة مرجعية
- [ ] هل يمكن تفسير النموذج الخاص بي؛ هل يمكنني ترجمة تأثير كل عامل إلى لغة الأعمال؟
- [ ] هل قمت بالتحقق من التجهيز الزائد عن طريق التحقق المتبادل؟
- [ ] هل قمت بالبحث عن التمييز غير المباشر للمتغيرات المحظورة والوكيلة؟
- [ ] هل قمت بوعي بفصل علاوة المخاطرة عن العلاوة التجارية؟
- [ ] هل قمت بتحويل المعاملات إلى مضاعفات باستخدام exp() وتفسيرها بشكل صحيح؟
- [ ] هل اتخذت القرار النهائي بشأن التعريفة بالتعاون مع وحدة التشريع والامتثال؟