লাভ:
- কৃত্রিম বুদ্ধিমত্তার সহায়তায় ক্ষতির ফ্রিকোয়েন্সি এবং ক্ষতির পরিমাণ (তীব্রতা), উপযুক্ত বন্টন (পয়সন, ঋণাত্মক দ্বিপদ, গামা) এবং যৌগিক মডেল লজিকের মধ্যে পার্থক্য স্থাপন ও ব্যাখ্যা করতে সক্ষম হওয়া।
- সঠিক প্রশ্ন এবং ডেটা সহ কৃত্রিম বুদ্ধিমত্তায় অত্যন্ত বড় ক্ষতি (আউটলার/বৃহৎ ক্ষতি), ডেটা ক্যাপিং এবং প্রবণতা/উন্নয়ন সংশোধন করা।
- বোঝার ক্ষমতা যে কৃত্রিম বুদ্ধিমত্তা দ্বারা উত্পাদিত বিতরণ নির্বাচন এবং পরামিতিগুলি ভাল-অফ-ফিট পরীক্ষা এবং অ্যাকচুয়ারিয়াল যুক্তি দ্বারা নিশ্চিত হওয়া উচিত।
একটি বীমা কোম্পানির জন্য সবচেয়ে মৌলিক প্রশ্ন হল: "আগামী বছর এই পলিসি গ্রুপের জন্য আমরা কতটা ক্ষতি পরিশোধ করব?" সঠিকভাবে প্রিমিয়াম নির্ধারণ এবং পর্যাপ্ত রিজার্ভ বরাদ্দ উভয়ের জন্য এই প্রশ্নের সঠিক উত্তর দেওয়া একটি পূর্বশর্ত। অ্যাকচুয়ারিরা এই প্রশ্নের উত্তর দুই ভাগ করে দেন; কারণ একটি অংশে মোট ক্ষতি অনুমান করার পরিবর্তে দুটি পৃথক আচরণকে আলাদাভাবে মডেল করা অনেক বেশি সঠিক। এই দুটি অংশ হল ফ্রিকোয়েন্সি এবং তীব্রতা।
ফ্রিকোয়েন্সি (ক্ষতির ফ্রিকোয়েন্সি) প্রদত্ত এক্সপোজারে কতটি ক্ষতি হয়; উদাহরণস্বরূপ, 100টি যানবাহন - প্রতি বছর 8টি দুর্ঘটনা। তীব্রতা হল প্রতিটি ক্ষতির গড় পরিমাণ; উদাহরণস্বরূপ, প্রতি দুর্ঘটনায় 30,000 TL। দুটিকে গুণ করলে ঝুঁকির প্রিমিয়াম পাওয়া যায়: প্রতি এক্সপোজারে প্রত্যাশিত ক্ষতি খরচ (0.08 × 30,000 = $2,400)। এই ইউনিটে আমরা ধাপে ধাপে দেখব কিভাবে AI ব্যবহার করতে হয় এই পার্থক্যটি প্রতিষ্ঠা করতে, সঠিক সম্ভাব্যতা বন্টন বেছে নিতে হবে এবং বহিরাগতদের পরিচালনা করতে হবে। শুরু থেকেই মনে করিয়ে দেওয়া যাক: AI বিতরণের প্রস্তাব দেয় এবং কোড লেখে, কিন্তু ভালতা-অফ-ফিট পরীক্ষা এবং বিচারের মাধ্যমে বিতরণের পছন্দ নিশ্চিত করা অ্যাকচুয়ারির উপর নির্ভর করে।
কেন ফ্রিকোয়েন্সি এবং তীব্রতা আলাদাভাবে মডেল করা হয়?
ফ্রিকোয়েন্সি এবং তীব্রতা বিভিন্ন পরিসংখ্যানগত আচরণ দেখায়। দাবির সংখ্যা হল একটি গণনা পরিবর্তনশীল (0, 1, 2, 3...) এবং সাধারণত একটি পয়সন বন্টন বা একটি ঋণাত্মক দ্বিপদী বন্টন দিয়ে মডেল করা হয় যদি সেখানে অতিরিক্ত বিচ্ছুরণ (প্রকরণ > গড়) থাকে। পয়সন হল ক্লাসিক্যাল ডিস্ট্রিবিউশন যা বিরল এবং স্বাধীন ইভেন্টের সংখ্যাকে মডেল করে। ক্ষয়ক্ষতির পরিমাণ একটি ক্রমাগত এবং ডান-তির্যক পরিবর্তনশীল: বেশিরভাগ দাবি ছোট, কয়েকটি দাবি খুব বড়। অতএব, তীব্রতা প্রায়শই গামা বা লগ্নরমাল ডিস্ট্রিবিউশন দিয়ে মডেল করা হয়; এগুলি ইতিবাচক এবং ডান-তির্যক বিতরণ।
দুটিকে আলাদাভাবে মডেল করার তিনটি কংক্রিট সুবিধা রয়েছে। প্রথমত, আপনি দেখতে পাচ্ছেন যে প্রত্যেকের নিজস্ব ড্রাইভার রয়েছে (ঝুঁকির কারণ): তরুণ চালক ফ্রিকোয়েন্সি বাড়ায়, ব্যয়বহুল যানবাহন সহিংসতা বাড়ায়। দ্বিতীয়ত, যখন ডেটা পরিবর্তিত হয়, তখন আপনি নির্ণয় করতে পারেন কেন: ক্ষতির খরচ বা দাবির সংখ্যা বেড়েছে? তৃতীয়ত, আপনি শুধুমাত্র সহিংসতার দিক থেকে আলাদাভাবে চরম বড় ক্ষয়ক্ষতি বিবেচনা করতে পারেন। এই দুটির সমন্বয়কে যৌগিক মডেল বলা হয়; প্রত্যাশিত মোট ক্ষতি = প্রত্যাশিত ফ্রিকোয়েন্সি × প্রত্যাশিত তীব্রতা।
ইঙ্গিত: "আমাদের ক্ষতি/প্রিমিয়াম অনুপাত বেড়েছে" বাক্যটি নিজে থেকে কিছু বলে না। ফ্রিকোয়েন্সি বা তীব্রতা বেড়েছে কিনা প্রশ্ন আলাদা করুন; হস্তক্ষেপ (মূল্য, কভারেজ, ক্ষতি ব্যবস্থাপনা) সম্পূর্ণ ভিন্ন হবে।
Outliers, ছেঁটে ফেলা এবং প্রবণতা সংশোধন
এর কাঁচা আকারে ক্ষতির ডেটা মডেল বিল্ডিংয়ের জন্য প্রস্তুত নয়। তিনটি সংশোধন প্রায় সবসময় প্রয়োজন হয়. প্রথমটি হল চরম/প্রধান ক্ষয়ক্ষতি বাছাই: কয়েকটি বিশাল ক্ষয়ক্ষতি (যেমন একটি কারখানায় আগুন) গড় তির্যক; এগুলোকে আলাদা "মেজর ড্যামেজ লোড" হিসেবে মডেল করা হয়েছে। দ্বিতীয়টি হল ক্যাপিং: একটি নির্দিষ্ট সিলিং (উদাহরণস্বরূপ 1,000,000 TL) খুব বড় ক্ষতি ঠিক করা এবং উপরের অংশটি আলাদাভাবে গণনা করা মডেলটিকে স্থিতিশীল করে তোলে। তৃতীয়, প্রবণতা এবং উন্নয়ন সংশোধন: অতীতের দাবিগুলি আজকের মূল্য স্তরে (প্রবণতা) মূল্যস্ফীতির সাথে আপডেট করা উচিত, এবং যে দাবিগুলি এখনও সম্পূর্ণ অর্থ প্রদান করা হয়নি তাদের চূড়ান্ত স্তরে নিয়ে আসা উচিত (উন্নয়ন — আমরা এই বিষয়টি ইউনিট 3 এ কভার করব)।
নিম্নলিখিত সারণী দুটি উপাদানের বৈশিষ্ট্য তুলনা করে:
বৈশিষ্ট্য
ফ্রিকোয়েন্সি (ফ্রিকোয়েন্সি)
সহিংসতা (পরিমাণ)
পরিবর্তনশীল প্রকার
গণনা (0,1,2...)
ধ্রুবক, ইতিবাচক
সাধারণ বিতরণ
বিষ, ঋণাত্মক দ্বিপদ
গামা, সাধারণ
মাস্টার ড্রাইভার উদাহরণ
বয়স, অভিজ্ঞতা, অঞ্চল, ব্যবহার
গাড়ির মূল্য, কভারেজ সীমা, মেরামতের খরচ
বাহ্যিক সমস্যা
কম
উচ্চ (প্রধান ক্ষতি)
মুদ্রাস্ফীতির প্রভাব
দুর্বল
শক্তিশালী
ক্ষতি মডেলিং এ এআই কিভাবে ব্যবহার করবেন
যেখানে AI সবচেয়ে শক্তিশালী তা হল বিতরণ পছন্দ নিয়ে আলোচনা করা, কোড লেখা এবং ফলাফল ব্যাখ্যা করা। নীচে চারটি অনুলিপিযোগ্য টেমপ্লেট রয়েছে৷
1) বিতরণ নির্বাচন আলোচনা করুন:
আপনার ভূমিকা: অ্যাকচুয়ারিয়াল মডেলিং সহকারী। আমার কাছে বীমা দাবি AMOUNT ডেটা (বেনামী, 1,600টি দাবি) আছে। সারাংশ: গড় 30,300 TL, গড় 12,500 TL, সর্বোচ্চ 940,000 TL, তির্যকতা বেশি। প্রশ্ন: গামা বা লগনরমাল কি তীব্রতা মডেলের জন্য আরও উপযুক্ত হবে? প্রতিটির অনুমান কী, প্লাস/মাইনাস এবং কোনটির সাথে ভাল-অফ-ফিট পরীক্ষা (যেমন ব্যাখ্যা করুন যে আমি একটি সিদ্ধান্ত নেব (Q-Q চার্ট, K-S পরীক্ষা, AIC)। একটি নির্দিষ্ট সিদ্ধান্ত নেওয়া; আমাকে একটি তুলনা ফ্রেম দিন।
2) ফ্রিকোয়েন্সি-তীব্রতা গণনা কোড:
Python + pandas সহ একটি মন্তব্য করা কোড লিখুন যা নিম্নলিখিত পদক্ষেপগুলি করে: 1) df-এ 'এক্সপোজার', 'ক্লেইম_কাউন্ট', 'ক্লেম_অ্যামাউন্ট' কলাম রয়েছে। 2) সাধারণ ফ্রিকোয়েন্সি = মোট দাবি_গণনা / মোট এক্সপোজার। 3) গড় তীব্রতা = মোট দাবি_পরিমাণ / মোট দাবি_গণনা। 4) ঝুঁকি প্রিমিয়াম = ফ্রিকোয়েন্সি × তীব্রতা। 5) প্রতিটি মধ্যবর্তী ফলাফল স্ক্রিনে প্রিন্ট করুন যাতে আমি নিজে এটি যাচাই করতে পারি। লাইব্রেরি ফিটিং; শুধু পান্ডা ব্যবহার করুন।
3) চরম মান / কাটঅফ বিশ্লেষণ:
আমি একটি বেনামী দাবি পরিমাণ বন্টন আছে. দাবী যেমন 950,000, 720,000, 610,000 TL মোট পরিমাণের 22% গঠন করে। আপনার ক্যাপিং পদ্ধতি সম্পর্কে আমাকে বলুন: - কোন ক্যাপ বিকল্পগুলি যুক্তিসঙ্গত (যেমন 500K, 750K, 1M)? - আমি কীভাবে কাটা অংশটিকে একটি পৃথক "মেজর ড্যামেজ লোড" হিসাবে যোগ করব? - আমাকে ধাপে ধাপে দেখান কিভাবে এই সিদ্ধান্ত ঝুঁকি প্রিমিয়ামকে প্রভাবিত করে।
4) ব্যবসায়িক ভাষায় ফলাফল অনুবাদ করা:
আমার ফ্রিকোয়েন্সি 0.13 থেকে 0.15 পর্যন্ত বেড়েছে; গড় সহিংসতা 28,000 থেকে বেড়ে 34,000 TL হয়েছে। এটিকে 4টি বাক্যে সংক্ষিপ্ত করুন যা একজন ম্যানেজার বুঝতে পারে: - কী হয়েছে, কোন উপাদানটি কত বেড়েছে? - ঝুঁকি প্রিমিয়ামের উপর মোট প্রভাব কি? - সম্ভাব্য কারণ এবং 2টি অনুমান লিখুন যা আমাকে যাচাই করতে হবে।
দুর্বল প্রম্পট / শক্তিশালী প্রম্পট
দুর্বল প্রম্পট:
আমার ক্ষতির মডেল সেট আপ করুন এবং প্রিমিয়াম গণনা করুন।
অস্পষ্ট: কোন তথ্য, কোন উপাদান, কোন বিতরণ, কোন সময়কাল? AI এই শূন্যস্থানটি বানোয়াট দ্বারা পূরণ করে।
শক্তিশালী প্রম্পট:
আপনার ভূমিকা: অ্যাকচুয়ারিয়াল মডেলিং সহকারী। ডেটা (বেনামী, ট্রাফিক শাখা, 2024): এক্সপোজার 20,000 পলিসি-বছর, দাবির সংখ্যা 2,600, মোট ক্ষতি 91,000,000 TL, 5 বৃহত্তম ক্ষতি মোট 12,000,000 TL। কাজ: 1) ফ্রিকোয়েন্সি এবং কাঁচা গড় তীব্রতা গণনা করুন, সূত্রটি দেখান। 2) 5টি সবচেয়ে বড় ক্ষয়ক্ষতি এটিকে 1,000,000 TL এ ক্যাপ করুন এবং আবার সামঞ্জস্যপূর্ণ তীব্রতা গণনা করুন। 3) ঝুঁকি প্রিমিয়ামের সাথে এবং ক্যাপ ছাড়া তুলনা করুন, পার্থক্য সম্পর্কে মন্তব্য করুন। 4) মধ্যবর্তী সংখ্যা সহ প্রতিটি ধাপ লিখুন যাতে আমি নিজে এটি যাচাই করতে পারি। শুধু আমার দেওয়া সংখ্যা ব্যবহার করুন; যদি এটি অনুপস্থিত হয়, জিজ্ঞাসা করুন.
তিনটি মিনি কেস
কেস 1 - বিচ্ছেদের শক্তি। একজন অ্যাকচুয়ারি হাউজিং শাখায় ক্ষতি/প্রিমিয়াম অনুপাত এক বছরে 68 শতাংশ থেকে 81 শতাংশে উন্নীত হয়েছে। আতঙ্কিত মূল্য বৃদ্ধির পরামর্শ দেওয়ার আগে, একটি ফ্রিকোয়েন্সি-তীব্রতার পার্থক্য তৈরি করা হয়েছিল: ফ্রিকোয়েন্সি প্রায় স্থির ছিল (0.041 → 0.043), কিন্তু গড় তীব্রতা 14,200 TL থেকে 19,800 TL-তে বেড়েছে। কারণটি ছিল নির্মাণ ব্যয়ের মূল্যস্ফীতি, নীতি বা ঝুঁকিপূর্ণ গ্রাহকের সংখ্যা নয়। সঠিক হস্তক্ষেপ ছিল কভারেজ পরিমাণ আপডেট করা, অন্ধ প্রিমিয়াম বৃদ্ধি নয়।
কেস 2 - বহিরাগত ফাঁদ। একটি ব্যবসায়িক বীমা পোর্টফোলিওতে গড়ে 1,800 দাবির পরিমাণ ছিল 42,000 TL। যাইহোক, শুধুমাত্র 6.4 মিলিয়ন TL এর একটি একক অগ্নি ক্ষতি এই গড়কে প্রায় 3,500 TL বৃদ্ধি করেছে। যখন এই প্রধান ক্ষয়ক্ষতিটিকে মডেল করা হয় এবং একটি পৃথক "প্রধান ক্ষতির বোঝা" হিসাবে সীমাবদ্ধ করা হয়, তখন ভিত্তি তীব্রতা 38,500 TL-এ কমে যায় এবং প্রিমিয়াম আরও ন্যায্য হয়। AI দ্রুত ক্যাপিং কোড এবং বিকল্প ক্যাপ তৈরি করেছে; অভিভাবক সিদ্ধান্ত নেন।
কেস 3 — মাল ডিস্ট্রিবিউশন। প্রশ্ন ছাড়াই, একজন সহকারী একটি এআই কোড চালান যা তীব্রতার জন্য একটি স্বাভাবিক (গাউসিয়ান) বিতরণ নির্বাচন করে। কারণ স্বাভাবিক বন্টন নেতিবাচক মান এবং প্রতিসাম্যের জন্য অনুমোদিত, এটি ডান-তির্যক ক্ষতির ডেটার সাথে খাপ খায় না; মডেল ছোট ক্ষয়ক্ষতি overestimated এবং বড় বেশী অবমূল্যায়ন. যখন কিউ-কিউ প্লট এবং এআইসি তুলনা করা হয়েছিল, তখন দেখা গেছে যে গামা অনেক ভাল ফিট করে। পাঠ: AI দ্বারা প্রস্তাবিত বিতরণ সর্বদা ফিট টেস্টিং দ্বারা পরীক্ষা করা হয়।
সাধারণ ভুল
- ফ্রিকোয়েন্সি এবং তীব্রতা একত্রিত করা এবং একটি একক মডেলের সাথে ভবিষ্যদ্বাণী করা। এটি দুটি ভিন্ন আচরণ লুকিয়ে রাখে; আপনি ড্রাইভার হারান এবং কেন.
- চরম/প্রধান ক্ষতি দূর না করেই গড়। কয়েকটি দৈত্য ক্ষতি পুরো ছবি বিকৃত করে; প্রিমিয়াম কৃত্রিমভাবে স্ফীত হয়।
- মুদ্রাস্ফীতির প্রবণতা প্রয়োগ না করে পুরানো ক্ষতি ব্যবহার করা। 2019 সালের ক্ষতি আজকের দামের মতো নয়; প্রবণতা সংশোধন প্রয়োজন।
- ডান-তির্যক ডেটাতে একটি স্বাভাবিক বিতরণ ফিটিং। নেতিবাচক মান এবং প্রতিসাম্যের অনুমান ক্ষতির ডেটার বিপরীত; গামা/লগনরমাল ভাবুন।
- ফিট পরীক্ষার মাধ্যমে বিতরণ পছন্দ যাচাই করা হচ্ছে না। AI এর প্রস্তাব একটি শুরু; Q-Q, K-S, AIC দিয়ে নিশ্চিত করুন।
মনোযোগ: ক্যাপ (কাটিং) স্তর নির্বিচারে নির্বাচিত হয় না। খুব কম একটি সিলিং বড় ক্ষতির ঝুঁকি লুকায়; খুব বেশি একটি সিলিং ছাঁটা অকেজো করে তোলে। পোর্টফোলিওর অতীতের প্রধান ক্ষতির অভিজ্ঞতা এবং পুনর্বীমার শর্তাবলী দেখে বেছে নিন।
সংক্ষেপে
মোট ক্ষতি সঠিকভাবে অনুমান করার উপায় হল এটিকে ফ্রিকোয়েন্সি (ফ্রিকোয়েন্সি) এবং তীব্রতা (পরিমাণ) এ ভাগ করা। ফ্রিকোয়েন্সি পয়সন/নেতিবাচক দ্বিপদ দ্বারা মডেল করা হয়, গামা/লগনরমাল দ্বারা তীব্রতা; ঝুঁকির প্রিমিয়াম দুটিকে গুণ করে পাওয়া যায়। কাঁচা ডেটার জন্য আউটলার অপসারণ, ছেঁটে ফেলা এবং প্রবণতা সংশোধন প্রয়োজন। AI বিতরণ আলোচনা কোড এবং মন্তব্যের জন্য একটি চমৎকার সহকারী; কিন্তু ডিস্ট্রিবিউশন নির্বাচন এবং ক্যাপ সিদ্ধান্ত ফিট টেস্ট এবং অ্যাকচুয়ারিয়াল রায় দ্বারা নিশ্চিত করা হয়।
আবেদন টাস্ক
একটি বেনামী ক্ষতির সারাংশ প্রস্তুত করুন (এক্সপোজার, দাবির সংখ্যা, মোট ক্ষতি, শীর্ষ 3-5 দাবি)। AI কে গণনা করতে বলুন (a) কাঁচা ফ্রিকোয়েন্সি-তীব্রতা-ঝুঁকি প্রিমিয়াম, (b) বড় লোকসান ক্যাপ করুন এবং অ্যাডজাস্টেড রিস্ক প্রিমিয়াম গণনা করুন। দুটি ফলাফল হাত দিয়ে যাচাই করুন এবং লক্ষ করুন কত শতাংশ ক্যাপিং ঝুঁকি প্রিমিয়াম পরিবর্তন করে। তারপরে AI কে "সহিংসতার জন্য গামা বা লগনরমাল" প্রশ্নটি জিজ্ঞাসা করুন এবং এটি আপনার নিজের ভাষায় যে তুলনা ফ্রেমটি দেয় তার সংক্ষিপ্তসার করুন।
চেকলিস্ট
- [ ] আমি কি ফ্রিকোয়েন্সি এবং তীব্রতা আলাদাভাবে গণনা করেছি, নাকি আমি সেগুলিকে এক টুকরো হিসাবে দেখেছি?
- [ ] আমি কি বড়/চরম ক্ষতি চিহ্নিত করেছি এবং আলাদাভাবে মোকাবিলা করেছি?
- [ ] আমি কি পুরানো দাবিতে মুদ্রাস্ফীতি/প্রবণতা সমন্বয় প্রয়োগ করেছি?
- [ ] আমি কি উত্তম-অফ-ফিট পরীক্ষা দিয়ে তীব্রতা বন্টন যাচাই করেছি?
- [ ] আমি কি স্বাধীনভাবে ঝুঁকি প্রিমিয়াম (ফ্রিকোয়েন্সি × তীব্রতা) পুনরায় গণনা করেছি?
- [ ] আমি কি এআই দ্বারা প্রস্তাবিত বিতরণ এবং ক্যাপ স্তর নিয়ে প্রশ্ন করেছি এবং রায় দিয়ে এটি নিশ্চিত করেছি?