Kunstig intelligens i risikovurdering og underwriting support

Gevinster:

• Evne til at evaluere evidenskvaliteten og -grænsen for output, mens applikations-, erklærings- og ekspertisedataene sammenfattes med kunstig intelligens og markere risikofaktorerne
• Evne til at krydsvalidere kunstig intelligens-output med policevilkår og tegningsvejledning i accept, afvisning, yderligere præmie- og undtagelsesbeslutninger
• At kunne forstå, at det endelige ansvar for forsikringsbeslutningen ligger hos den kompetente forsikringsgiver, og at forbuddet mod diskrimination skal overholdes.

Underwriting er hjertet af forsikring: Det er opgaven med at vurdere risikoen ved en ansøgning og beslutte at acceptere (eller afvise) policen på hvilke vilkår, med hvilken dækning og til hvilken præmie. Når Underwriteren (den kompetente ekspert, der træffer denne beslutning) ser på en ansøgning, leder han faktisk efter et svar på et spørgsmål: "Er det rimeligt og bæredygtigt for virksomheden at påtage sig denne risiko til denne pris med denne garanti?" For at besvare dette spørgsmål er det nødvendigt at læse ansøgningsskemaet, den forsikredes erklæring, ekspertrapporten, tidligere skaderegistreringer og branchedata sammen. Kunstig intelligens (software, der lærer mønstre fra data og producerer tekst og resuméer) letter denne byrde med at "læse og opsummere mange dokumenter sammen". Men vær forsigtig: Kunstig intelligens opsummerer risikoen, den påtager sig ikke risikoen. Accept, afvisning, yderligere bonus og undtagelsesbeslutninger bærer altid den kompetente forsikringsgivers underskrift. I denne enhed lærer du, hvordan du sikkert anvender kunstig intelligens ved forsikringsdesk, hvordan du måler bevisværdien af ​​output, og hvordan du opretholder ikke-diskriminering.

Hvor kommer kunstig intelligens til nytte i forbindelse med underwriting?

En tegningsfil er ofte rodet: formularer i forskellige formater, håndudfyldte erklæringer, lange vurderingsrapporter, tabeller. Det er her, kunstig intelligens er stærkest. Det fremskynder sikkert følgende opgaver:

• Dokumentresumé: Reduktion af en ti-siders arbejdspladsekspertiserapport til en halvsides risikooversigt punkt for post.
• Risikofaktormærkning: Angivelse af bemærkelsesværdige punkter såsom "Bygningen er 45 år gammel, taget er af træ, der er et brændstofdepot i nærheden."
• Opdagelse af manglende/inkonsistente oplysninger: For at afsløre modsigelsen mellem det i ansøgningen angivne byggeår og året i sagkyndig rapport.
• Generering af kontrolspørgsmål: Oprettelse af en liste over manglende oplysninger, som Underwriter vil spørge kunden eller bureauet.

Hvad kunstig intelligens ikke gør, er at prissætte risikoen og tage acceptbeslutningen. Sætningen "Denne risiko er acceptabel" eller "præmien bør øges med 20 %" er en forsikringsbeslutning; Den bør være baseret på tegningsvejledningen (virksomhedens interne dokument, der definerer acceptreglerne), tarifnotaen og politikkens generelle betingelser. Kunstig intelligens kan udarbejde denne beslutning, men det er den kompetente underwriter, der træffer beslutningen og underskriver begrundelsen.

Bemærk: Præmien, dækningen eller acceptbeslutningen foreslået af kunstig intelligens er en forudsigelse, ikke en dom. Ingen anbefaling vil blive inkluderet i politikken uden krydsverifikation med tegningsvejledningen og politikkens vilkår.

Evaluering af den bevismæssige kvalitet af outputtet

Når AI markerer en risikofaktor, er det en påstand; ikke bevis. En god forsikringsgiver screener hvert krav med tre spørgsmål:

1. Hvilket dokument er denne påstand baseret på? Hvis den kunstige intelligens sagde "brandrisikoen er høj", hvilken ekspertobservation stammede den så fra? Hvis der ikke er nogen kilde, kan det være gjort op.
2. Hører kravet til denne fil, eller er det en generel antagelse? AI tilføjer nogle gange generel information såsom "på disse typer arbejdspladser, normalt ..."; Den generelle sandhed er muligvis ikke gyldig i denne fil.
3. Kan påstanden verificeres? Bygningens alder kan bekræftes fra skødet, og skadehistorikken kan bekræftes fra SBM (Insurance Information and Monitoring Center) forespørgsel. Brug ikke et krav, der ikke kan gøres gældende, som grundlag for en afgørelse.

Tip: Inkluder altid følgende sætning i prompten: "angiv dokumentet/siden, som hvert krav er baseret på." En påstand, der undlader at citere kilder, går til toppen af ​​din bekræftelsesliste.

Trin for trin: Kunstig intelligens-understøttet garantiflow

1. Anonymiser kontekst. Fjern ansøgerens navn, ID-nummer, policenummer og kontaktoplysninger; erstatte faktuel ækvivalent.
2. Upload dokumenter og anmod om et resumé. Uddrag risikoproblemet, fremtrædende faktorer og mangler med dokumentreference.
3. Gør dine risikofaktorer til en tjekliste. Gør hvert emne markeret af den kunstige intelligens til et spørgsmål, der skal bekræftes.
4. Krydsbekræft med tegningsvejledningen. Tjek manualen for acceptkriterier, kapacitetsgrænser og obligatoriske undtagelser.
5. Beregn præmien selvstændigt. Lav dine egne beregninger med tarifnotaen og den tekniske præmietabel; Tag aldrig direkte nummeret givet af kunstig intelligens.
6. Skriv beslutningen og dens begrundelse ned. Registrer din accept/afvisning/tillægspræmie/undtagelsesbeslutning med angivelse af den regel, den er baseret på.

tre minisager

Case 1 — At fange inkonsekvensen. Bygningsværdien oplyst i en boligpakkeansøgning var 2.400.000 TL, og i vurderingsrapporten var den 3.900.000 TL. I sit resumé satte AI disse to tal side om side og advarede om, at "værdisætningen er inkonsekvent." Takket være denne advarsel indså Underwriter risikoen for underforsikring (forholdsmæssig betaling i tilfælde af skade, hvis bygningen er forsikret under dens reelle værdi) og udarbejdede et tilbud baseret på den korrekte værdi. AI'en tog ikke beslutningen; gjorde uoverensstemmelsen synlig.

Sag 2 — Afvisning af at gøre op. I en forsendelsesforsikringsfil skrev AI en nøjagtig sats, der sagde "standardfragtforsikringssatsen på 0,15 % gælder for varen." Underwriter åbnede tarifnotaen: der var ingen sådan fast sats for denne vareklasse og rute; Den kunstige intelligens havde udgjort satsen. Underwriter lavede sin egen satsberegning; Resultatet blev 0,28%. Uden den uafhængige konto ville præmien være stærkt underudnyttet.

Sag 3 — Diskriminationsfælde. I en ansøgning om erhvervskøretøjsflåde foreslog kunstig intelligens chauffører "yderligere bonus, fordi kvarteret, de bor i, er risikabelt." Underwriter benægtede dette: Bopælsregion kan være en proxyvariabel forbundet med beskyttede karakteristika såsom etnicitet, hvilket skaber indirekte diskrimination. Bonussen var baseret på legitime, berettigede kriterier såsom chaufførernes faktiske skadehistorik og køreprofil.

Fire kopierbare prompter

1) Anvendelsesrisikooversigt:

Du er en kommerciel forsikringsgarantiassistent. Opsummer følgende anonymiserede ansøgnings- og vurderingstekst:[indsæt tekst]Output:1. Risikoproblem (kort)2. Fremtrædende risikofaktorer (artikel for artikel, dokument/sidehenvisning i hver)3. Ufuldstændige eller inkonsistente oplysninger4. Spørgsmål, som forsikringsgiveren vil stille kunden/bureauet, SOM TAR EN accept/afvisning eller bonusbeslutning. Lav ikke den sats, du ikke er sikker på; Skriv "ikke i dokumentet".

2) Krydstjek med Underwriting-vejledningen:

Nedenfor er en risikooversigt og de relevante artikler i vores tegningsvejledning. Risikoresumé: [paste]Retningslinjer: [paste]Opgave: Match hver risikofaktor i oversigten med den relevante retningslinje. Marker under en særskilt overskrift de punkter, der kræver en obligatorisk undtagelse, yderligere betingelse eller kapacitetsgrænse i henhold til retningslinjen. Jeg vil bestemme; du matcher bare.

3) Manglende dokument og inkonsistensbrowser:

Scan for modsigelser eller udeladelser blandt dokumenterne i følgende ansøgningsfil: [indsæt dokumenter]Søg efter konsistens, især på følgende områder: værdideklaration, bygge-/produktionsår, påtænkt brug, adresse, skadeshistorik. Vis de modstridende tal side om side og skriv ned, hvilket dokument de kommer fra.

4) Begrundelse for udkast til beslutning (efter verifikation):

UDSLAG til en begrundelse for en garantibeslutning baseret på følgende verificerede oplysninger: [verificerede risikofaktorer, anvendt regel, beregnet præmie] Tone: formel, klar, ikke-diskriminerende. Baser beslutningen på legitime risikokriterier; Brug ikke beskyttede egenskaber (køn, oprindelse, nabolag osv.). Dette er et udkast; Den endelige beslutning og underskrift tilhører forsikringsgiveren.

Svag prompt / Stærk prompt

Svag: "Beregn den passende præmie for denne ansøgning og fortæl os, om vi skal acceptere den."

Problem: Der anmodes om en direkte rød-zone-beslutning (bonus + accept). Da kunstig intelligens ikke kender taksterne, udgør den satser; ingen kilde, ingen grænse og ingen verifikation.

Stærk: "Opfør dig som en tegningsassistent. Opsummer den anonymiserede ansøgning med dokumentreferencer, fremhæv risikofaktorer og mangler. Træf ikke en bonus- eller acceptbeslutning; bare skriv de spørgsmål, du skal tjekke."

Hvorfor det er godt: Opgaven holdes i den gule zone, output kan revideres, beslutningen forbliver hos forsikringsgiveren.

sammenligningsdiagram

Quest

Gør kunstig intelligens det?

Hvem bestemmer?

verifikation

Dokumentoversigt

Ja (udkast)

Underwriter læser

Dokumentreference

Risikofaktormærkning

Ja (anbefaling)

Underwriter bekræfter

Kildedokument

Registrering af manglende/uoverensstemmelse

Ja

Underwriter evaluerer

interdokumentarisk

præmiekonto

nej

Aktuar/forsikringsgiver

Takstnota, selvstændig konto

Beslutning om accept/afvisning

nej

kompetent underwriter

Vejledning + policebetingelser

Almindelige fejl

• Direkte ved hjælp af bonus givet af kunstig intelligens. En model, der ikke kender taksten, udgør satserne; Beregn altid præmien selvstændigt.
• Accept af risikofaktoren uden kilde. Ikke at spørge, hvilken ekspertobservation påstanden om "høj brandrisiko" er baseret på.
• Diskriminering med en surrogatvariabel. Anvendelse af yderligere bonusforslag baseret på nabolag, navn eller oprindelse uden at stille spørgsmål.
• Forveksler generel information med faktafil. Tænker, at sætningen "På sådanne arbejdspladser normalt..." hører til denne fil.
• Registrering af beslutningen uden begrundelse. Ikke at kunne besvare spørgsmålet "hvilken regel stolede du på?" under revisionen.

Sammenfattende

Ved underwriting opsummerer kunstig intelligens dokumentet, markerer risikofaktoren, fanger udeladelser og inkonsekvenser og genererer et kontrolspørgsmål; men det prissætter ikke risikoen og træffer en acceptbeslutning. Filtrer hvert output for kilde, filkontekst og verificerbarhed; uafhængigt beregne præmien; Træf accept/afvisningsbeslutningen baseret på tegningsvejledningen og politikvilkårene. Oprethold forbuddet mod forskelsbehandling: Beslutningen skal være baseret på legitime, forklarlige risikokriterier. Det endelige ansvar ligger hos den kompetente forsikringsgiver.

Ansøgningsopgave

Få en ægte (men til testformål, anonymiseret) referencefil. Opret en risikooversigt med prompt nummer 1 ovenfor. Prøv derefter at finde kilden til hver risikofaktor, der er markeret af AI i dokumentet: hvor mange har et reelt dokumentgrundlag, hvor mange er antagelser? Noter resultaterne i en tabel, og skriv ned, hvad du gjorde for "ikke-sourcede krav."

tjekliste

• [ ] Jeg anonymiserede ansøgningskonteksten.
• [ ] Jeg anmodede om risikoresuméet med dokumentreference; Jeg instruerede "beslut dig ikke".
• [ ] Jeg bekræftede kilden til hver risikofaktor i dokumentet.
• [ ] Jeg beregnede præmien selvstændigt med takstsedlen.
• [ ] Jeg traf accept/afvisningsbeslutningen baseret på tegningsvejledningen og politikvilkårene.
• [ ] Jeg har luget de diskriminerende/surrogatvariable forslag ud og baseret dem på legitime kriterier.
• [ ] Jeg optog beslutningen og dens begrundelse.