Qazanclar:
- Süni intellektin dəstəyi ilə ümumiləşdirilmiş xətti model (GLM), risk faktoru, tarif və risk mükafatı konsepsiyalarını qurmaq və əmsalları iş dilinə çevirmək bacarığı
- Süni intellektlə maşın öyrənmə modellərinin (GBM) dəyişən seçimi, qarşılıqlı əlaqəsi, həddən artıq uyğunlaşdırılması və şərh edilə bilməsi balansını müzakirə etmək bacarığı
- Qiymət modelinin qadağan olunmuş/ayrı-seçkilik yaradan dəyişənlərdən azad olduğunu və yekun tarifin qanunvericiliyə və rəqabətə uyğunluğunun aktuarinin ixtiyarında olduğunu başa düşmək.
Sığorta polisinin qiyməti təsadüfi müəyyən edilmir. Böyük şəhərdə yaşayan 22 yaşlı, yeni lisenziya almış sürücünün yol-nəqliyyat hadisəsi riski statistik olaraq 20 illik təcrübəsi olan 45 yaşlı sürücü ilə müqayisədə daha yüksəkdir; Ədalətli sistemdə mükafatlar da fərqli olmalıdır. Bu fərqi ölçmək və qiymətə əks etdirmək aktuarinin işi qiymət və risk təsnifatı adlanır. Bu bölmədə biz ümumiləşdirilmiş xətti modeli (GLM), qiymətin aktuar əsasını və onun maşın öyrənmə alternativlərini müzakirə edəcəyik və bu prosesdə AI-dən necə təhlükəsiz istifadə edəcəyimizi görəcəyik.
Bir neçə əsas termin. Risk faktoru riskə təsir edən və qiymətlərin müəyyənləşdirilməsində istifadə olunan dəyişəndir (yaş, nəqliyyat vasitəsinin yaşı, bölgə, nəzərdə tutulan istifadə). Tarif risk faktorlarına görə mükafatın necə hesablanacağını müəyyən edən qaydalar toplusudur. Risk mükafatı gözlənilən zərərin dəyəridir; Xərclər, komissiyalar, mənfəət normaları və kapital xərcləri əlavə edildikdə, kommersiya mükafatı (satış qiyməti) formalaşır. Əvvəldən xatırladaq: AI dəyişənləri təklif edir, modellər qurur, əmsalları izah edir; Amma hansı dəyişən hüquqi və etikdir və yekun tarifin qanunvericiliyə və rəqabətə uyğun olub-olmaması aktuariyə və uyğunluq bölməsinə aiddir.
Niyə GLM aktuarda standartdır?
Qiymətləndirmədə ən çox istifadə edilən üsul GLM-dir. GLM "ümumiləşdirilmiş xətti model" mənasını verir: o, zərər məlumatları kimi qeyri-normal paylanmış hədəflərə uyğunlaşdırmaq üçün klassik xətti reqressiyanı genişləndirir. Onun iki əsas komponenti var. Dağıtım ailəsi: Tezliyə görə Puasson, intensivliyə görə qamma seçilir (2-ci vahiddə məntiq). Link funksiyası (link): adətən loqarifmikdir ki, bu da amillərin multiplikativ təsir göstərməsinə imkan verir. Multiplikativ struktur aktuarda çox dəyərlidir, çünki tarif məhz belə qurulur: baza mükafatı × yaş faktoru × region faktoru × avtomobil faktoru.
GLM-in ən böyük üstünlüyü şərh edilə bilməsidir. Bir əmsal sizə birbaşa deyir: "gənc sürücü qrupu istinad qrupu ilə müqayisədə tezliyi 1,6 dəfə artırır." Bu şəffaflıq üç cəhətdən vacibdir: (1) tənzimləyici və daxili audit modeli başa düşə və təsdiq edə bilər; (2) qadağan edilmiş/ayrı-seçkilik effekti görünür; (3) qiymət məntiqi satış və idarəetmə komandasına izah edilə bilər. Daha mürəkkəb maşın öyrənmə modelləri (aşağıda) bəzən daha yüksək dəqiqlik verir, lakin şəffaflıq hesabına.
İpucu: GLM əmsalı log miqyasındadır. AI-dən əmsalı exp(əmsal) ilə "çoxalma faktoruna" çevirməsini xahiş edin; İş dilinə tərcümə etmək daha asan olardı (məsələn, əmsal 0,47 → faktor ≈ 1,60 → “60% riskli”).
Dəyişən seçim, həddindən artıq uyğunlaşma və maşın öyrənməsi
Qiymətləndirmədə ən kritik qərar modeldə hansı dəyişənlərin qalacağıdır. İki tələ var. Bir neçə dəyişən modeli kor edir: vacib risk sürücüsü qaçırılırsa, qiymət səhv olacaq. Həddindən artıq dəyişkənlik / həddən artıq uyğunlaşma modeli keçmiş məlumatları yadda saxlamağa məcbur edir: model səs-küyü siqnal üçün səhv edir və yeni siyasətlərlə uğursuz olur. Balans çarpaz doğrulama vasitəsilə qurulur - verilənləri təlim və sınaq hissələrinə bölmək və modelin görmədiyi məlumatlar, sadəlik və aktuar əsaslandırma üzərində sınaqdan keçirmək.
Qarşılıqlı təsir də vacibdir: bəzən iki amilin birgə təsiri onların ayrı-ayrı təsirlərinin cəmindən fərqlənir (gənc + idman avtomobili onların fərdi təsirlərinin cəmindən daha riskli ola bilər). GLM-də qarşılıqlı əlaqə açıq şəkildə əlavə olunur.
Son illərdə GBM (qradiyent gücləndirici maşın — bir çox kiçik qərar ağaclarını birləşdirən güclü maşın öyrənmə metodu) kimi modellər qiymətlərdə geniş yayılmışdır. Bunlar avtomatik olaraq mürəkkəb nümunələri və qarşılıqlı əlaqələri ələ keçirir, çox vaxt GLM-dən daha dəqiq proqnozlar verir. Ancaq bunun bir qiyməti var: "qara qutu" olmaq meyli. Bu gün ümumi praktika kəşf və ideya yaratmaq üçün GBM-dən və son şəffaf tarif üçün GLM-dən istifadə etməkdir; və ya GBM çıxışını SHAP kimi izah edilə bilən alətlərlə şərh etmək.
Aşağıdakı cədvəl iki yanaşmanı müqayisə edir:
meyar
GLM
GBM (maşın öyrənmə)
Tərcümə qabiliyyəti
Yüksək (əmsal açıq)
Aşağı (annotasiya aləti tələb olunur)
Qarşılıqlı əlaqənin tutulması
Əl ilə əlavə edildi
avtomatik
Həddindən artıq uyğunlaşma riski
aşağı-orta
Yüksək (diqqətli tənzimləmə tələb olunur)
Tənzimləyici/audit təsdiqi
asan
Çətin, əlavə sənədlər tələb edir
Tipik istifadə
son tarif
kəşf, müqayisə
Qiymətləndirmədə AI-dan necə istifadə etmək olar
1) GLM əmsalının iş dilinə tərcüməsi:
Tezliyi GLM qurdum (Poisson, log link). Bəzi əmsallar (log miqyası): yaş_qrupu_18_25: 0,47 ; region_əksəriyyəti: 0,22 ; arac_yasi_10plus: -0,15. Hər birini exp() ilə çarpan faktoruna çevirin və menecerin başa düşəcəyi bir cümlə ilə izah edin. Həmçinin istinad qrupunun nə olduğunu xatırlayın.
2) Dəyişən/qarşılıqlı müzakirə:
Rolunuz: qiymət köməkçisi. Trafik tezliyi modeli üçün namizəd dəyişənlərim bunlardır: yaş, cins, bölgə, nəqliyyat vasitəsinin yaşı, mühərrik gücü, illik km, peşə. - Hansı dəyişənlər tənzimləyici/etik baxımdan riskli ola bilər (məsələn, dolayı ayrı-seçkilik)? - Hansı ikitərəfli qarşılıqlı əlaqələri sınamaq məntiqli olardı? - Həddindən artıq uyğunlaşmamaq üçün hansı yoxlama addımlarına əməl etməliyəm? Qərar vermə; Mənə nəzarət və müzakirə üçün çərçivə verin.
3) Overfitting nəzarət kodu:
Python + scikit-learn / statsmodels istifadə edərək, k-qat çarpaz doğrulama ilə GLM-i qiymətləndirən şərh edilmiş kodu yazın. Metrik kimi Poisson sapmasını istifadə edin. Təlim və test xallarını müqayisə edin və şərh sətirində həddən artıq uyğunlaşma işarəsini necə oxumağı izah edin. Kitabxana saxtadır.
4) Ayrı-seçkilik/surroqat dəyişən skrininq:
'Poçt kodu' mənim qiymət modelimdə güclü dəyişən oldu. Bunun dolayı yolla qadağan olunmuş xüsusiyyəti (məsələn, etnik mənsubiyyət, gəlir) proxy dəyişən kimi təmsil etməsi riskini izah edin. - Bu riski yoxlamaq üçün hansı analizləri etməliyəm? - Riski azaltmaq üçün hansı alternativlər var? Hüquqi məsləhətlərin verilməsi; texniki və etik çərçivəni tərtib edin.
Zəif məlumat / Güclü göstəriş
Zəif çağırış:
Trafik sığortası üçün ən yaxşı qiymət modelini yaradın.
"Ən yaxşı" müəyyən edilməmişdir; Məlumat, məhdudiyyət, qanunvericilik yoxdur. AI ümumi, tətbiq olunmayan cavab verir.
Güclü göstəriş:
Rolunuz: qiymət aktuarının köməkçisi. Kontekst: Mən GLM (Poisson, log link) olan trafik bölməsi tezlik modelini qururam. Məndə olan dəyişənlər: yaş qrupu, nəqliyyat vasitəsinin yaşı, bölgə (vilayət), illik km, nəzərdə tutulan istifadə. Məhdudiyyət: gender qanunvericiliklə istifadə edilə bilməz; Mən dolayı ayrı-seçkilikdən qaçmalıyam. Tapşırıq:1) Bu dəyişənlərlə (istinad qrupları daxil olmaqla) ilkin model spesifikasiyasını təklif edin.2) Sınamalı olduğum 2 qarşılıqlı əlaqənin səbəblərini göstərin.3) Həddindən artıq uyğunluğu yoxlamaq üçün addımların siyahısını verin.4) Dolayı ayrı-seçkilik baxımından “region”a xüsusi diqqət yetirin.Qərarı mən verəcəyəm; Siz çərçivə və əsaslandırma təqdim edirsiniz.
üç mini qutu
Məsələn 1 – Şəffaflığın dəyəri. Bir şirkət GBM ilə qurduğu çox dəqiq qiymət modelini tənzimləyiciyə təqdim etdi, lakin əmsalları izah edə bilmədi; təsdiq gecikdi. Aktuari eyni siqnalları tutan GLM qurdu; Dəqiqlik 2 faiz azaldı, lakin hər bir faktor nəzərə alına bildiyi üçün model bir ay ərzində təsdiqləndi. GBM kəşfiyyat üçün saxlandı, GLM tarif oldu. YZ tez bir zamanda iki modelin performansını müqayisə edən kod və tənzimləyici təsvirini hazırladı.
2-ci hal – həddən artıq uyğun gələn tələ. Köməkçi modelə 40-dan çox dəyişən və çoxsaylı qarşılıqlı əlaqə əlavə etdikdə təlim məlumatlarında mükəmməl nəticə əldə etdi. Lakin çarpaz doğrulama zamanı test balı çökdü: model səs-küyü yadda saxlamışdı. Dəyişənlərin sayı 12-yə endirildikdə və sadələşdirildikdə real dünya performansı artdı. Dərs: təlim balına deyil, görünməmiş məlumat hesabına baxın.
3-cü hal – dolayı ayrı-seçkilik. Bir modeldə "qonşuluq" dəyişəni mükafatı güclü şəkildə izah etdi. Təhlil göstərdi ki, bu dəyişən böyük ölçüdə etnik konsentrasiya ilə üst-üstə düşür, yəni qadağan olunmuş xüsusiyyətin proksi idi. Aktuar bu dəyişəni daha neytral risk göstəriciləri ilə əvəz etdi (yol növü, parklanma vəziyyəti); həm etik, həm də hüquqi risklər azalıb. AI üst-üstə düşmə və alternativ dəyişən təklifləri ölçən korrelyasiya təhlili hazırladı; Aktuari və uyğunluq bölməsi qərar verdi.
Ümumi səhvlər
- Şərh edilə bilməyən modeli son reseptə çevirmək. Tənzimləyiciyə, auditə və müştəriyə izah edilə bilməyən qiymət dayanıqlı deyil; Şəffaflıq vacibdir.
- Təhsil balına əsaslanaraq. Həddindən artıq uyğunlaşma yalnız görünməyən məlumatlarda aşkar edilir (çarpaz doğrulama).
- Yoxlamadan qadağan edilmiş/surroqat dəyişənlərdən istifadə. Poçt kodu və peşə kimi dəyişənlər dolayı ayrı-seçkilik daşıya bilər; Sınamağa əmin olun.
- Risk mükafatını kommersiya mükafatı ilə qarışdırmaq. Yalnız təmiz zərər dəyəri satış qiyməti deyil; xərc, mənfəət və kapitalın dəyəri əlavə olunur.
- Əmsalı log miqyasında buraxmaq və onu yanlış şərh etmək. Exp() ilə çarpan faktoruna çevirmədən şərh etmək xətaya səbəb olacaq.
Diqqət: AI-nin "ən yaxşı dəqiqliyi verən" modellə bağlı tövsiyəsi avtomatik olaraq "istifadə edilməli olan" model deyil. Şəffaflıq, ədalətlilik və qanunvericiliyə uyğunluq aktuar qiymətlərin müəyyən edilməsində dəqiqliklə yanaşı məcburi meyarlardır.
Xülasə
Qiymətləndirmə, risk faktorları ilə riskin ölçülməsi və ədalətli mükafata çevrilməsi prosesidir. GLM multiplikativ və şərh edilə bilən strukturu ilə aktuar qiymət standartıdır; Əmsallar exp() ilə faktorlara çevrilir. GBM kimi maşın öyrənmə modelləri daha dəqiq ola bilər, lakin onlar şəffaflığı azaldır və adətən kəşf üçün istifadə olunur. Dəyişən seçim çarpaz doğrulama yolu ilə həddən artıq uyğunlaşmadan qorunmalı və dolayı ayrı-seçkiliyə (surroqat dəyişən) diqqətlə nəzarət edilməlidir. AI modeli qurur, kodu yazır və əmsalı izah edir; Lakin hüquqi-etik uyğunluq və yekun tarif aktuari və uyğunluq bölməsinə aiddir.
Tətbiq tapşırığı
İxtisas üçün 5-6 risk faktorunu sadalayın. Süni intellektdən (a) bu amillərlə GLM-nin ilkin spesifikasiyası, (b) sınamaq üçün 2 qarşılıqlı əlaqə və onların əsaslandırılması, (c) dolayı ayrı-seçkilik riski altında ola biləcək dəyişənlərin yoxlanılmasını xahiş edin. Sonra, 3 log əmsalına bir nümunə verin, AI-dən onu exp() ilə çarpan əmsalına çevirməsini və iş dilinə köçürməsini xahiş edin və amilləri əl ilə yoxlayın.
yoxlama siyahısı
- [ ] Modelim şərh edilə bilərmi; Hər bir faktorun təsirini iş dilinə tərcümə edə bilərəmmi?
- [ ] Çapraz doğrulama ilə həddən artıq uyğunluğu yoxladımmı?
- [ ] Mən qadağan edilmiş və proxy dəyişənlər üçün dolayı ayrı-seçkilik üçün skan etmişəm?
- [ ] Mən şüurlu şəkildə risk mükafatını kommersiya mükafatından ayırmışammı?
- [ ] Mən əmsalları exp() ilə çarpanlara çevirdim və onları düzgün şərh etdimmi?
- [ ] Son tarif qərarını qanunvericilik və uyğunluq bölməsi ilə birlikdə vermişəm?