Kasu:
- Võimalus luua tehisintellekti toel üldistatud lineaarse mudeli (GLM), riskiteguri, tariifi ja riskipreemia kontseptsioone ning tõlkida koefitsiendid ärikeelde
- Võimalus arutleda tehisintellektiga tehisintellektiga tehisintellektiga tehisintellektiga tehisintellektiga tehisintellektiga tehisintellektiga tehisintellektiga tehisintellektiga tehisintellektiga tehisintellektiga tehisintellektiga tehisintellektiga tehisintellektiga tehisintellektiga muutujate valiku, ülepaigutamise, ülesobivuse ja tõlgendatavuse üle arutleda
- Oskus aru saada, et hinnakujundusmudel on vaba keelatud/diskrimineerivatest muutujatest ning lõpptariifi vastavus seadusandlusele ja konkurentsile on jäetud aktuaari hooleks.
Kindlustuspoliisi hinda ei määrata juhuslikult. Liiklusõnnetuse oht suurlinnas elaval 22-aastasel äsja juhiloaga juhil on statistiliselt suurem kui 45-aastasel, 20-aastase staažiga juhil; Õiglases süsteemis peaksid ka preemiad olema erinevad. Aktuaari tööd selle erinevuse mõõtmisel ja hinnas kajastamisel nimetatakse hinnakujunduseks ja riskide klassifitseerimiseks. Selles üksuses käsitleme üldistatud lineaarset mudelit (GLM), hinnakujunduse aktuaarset selgroogu ja selle masinõppe alternatiive ning vaatame, kuidas tehisintellekti selles protsessis ohutult kasutada.
Mõned põhimõisted. Riskitegur on riski mõjutav muutuja, mida kasutatakse hinnakujunduses (vanus, sõiduki vanus, piirkond, kasutusotstarve). Tariif on reeglite kogum, mis määrab kindlustusmakse arvutamise vastavalt riskiteguritele. Riskipreemia on puhas eeldatav kahjum; Kulude, komisjonitasude, kasumimarginaalide ja kapitalikulude liitmisel moodustub kommertspreemia (müügihind). Tuletame algusest peale meelde: AI soovitab muutujaid, koostab mudeleid, selgitab koefitsiente; Kuid milline muutuja on legaalne ja eetiline ning kas lõpptariif vastab seadusandlusele ja konkurentsile, kuulub aktuaarile ja vastavusüksusele.
Miks GLM on kindlustusmatemaatika standard?
Hinnakujunduses enim kasutatav meetod on GLM. GLM tähistab "generaliseeritud lineaarset mudelit": see laiendab klassikalist lineaarset regressiooni, et sobitada mittenormaalselt jaotunud sihtmärke, näiteks kahjustuste andmeid. Sellel on kaks põhikomponenti. Jaotusperekond: Poisson valitakse sageduse, gamma intensiivsuse järgi (loogika ühikus 2). Seofunktsioon (link): tavaliselt logaritmiline, mis võimaldab teguritel mitmekordistada. Korrutav struktuur on kindlustusmatemaatiliselt väga väärtuslik, sest tariif on täpselt nii seatud: põhimakse × vanusetegur × piirkonnategur × sõidukitegur.
GLM-i suurim eelis on tõlgendatavus. Koefitsient ütleb otse: "noorte juhtide rühm suurendab sagedust võrdlusrühmaga võrreldes 1,6 korda." See läbipaistvus on kriitilise tähtsusega kolmel viisil: (1) regulaator ja siseaudit saavad mudelist aru ja selle heaks kiita; (2) on nähtav keelatud/diskrimineeriv mõju; (3) hinnaloogikat saab müügi- ja juhtimismeeskonnale selgitada. Keerulisemad masinõppe mudelid (allpool) annavad mõnikord suurema täpsuse, kuid läbipaistvuse arvelt.
Vihje: GLM-i koefitsient on logiskaalal. Paluge AI-l teisendada koefitsient exp (koefitsiendiga) "korrutusteguriks"; Seda oleks palju lihtsam ärikeelde tõlkida (nt koefitsient 0,47 → tegur ≈ 1,60 → “60% riskantsem”).
Muutuv valik, ülepaigutamine ja masinõpe
Kõige kriitilisem otsus hinnakujunduses on see, millised muutujad jäävad mudelisse alles. Seal on kaks lõksu. Vähesed muutujad pimestavad mudelit: kui oluline riskijuht jääb vahele, on hind vale. Liiga muutlik / liigne sobitamine paneb mudeli varasemaid andmeid meelde jätma: mudel peab müra signaaliks ekslikult ja ebaõnnestub uute poliitikatega. Tasakaal luuakse ristvalideerimise teel – andmete jagamine koolitus- ja katsetükkideks ning katsetamine andmetega, mida mudel ei näe, lihtsuse ja kindlustusmatemaatilise arutluskäiguga.
Oluline on ka koosmõju: mõnikord erineb kahe teguri koosmõju nende eraldi mõjude summast (noor + sportlik sõiduk võib olla riskantsem kui nende üksikute mõjude summa). GLM-is lisatakse interaktsioonid selgesõnaliselt.
Viimastel aastatel on hinnakujunduses levinud sellised mudelid nagu GBM (gradient boosting machine – võimas masinõppemeetod, mis ühendab endas palju väikeseid otsustuspuid). Need püüavad automaatselt kinni keerukad mustrid ja interaktsioonid, andes sageli täpsemaid prognoose kui GLM. Kuid sellel on oma hind: kalduvus olla "must kast". Tänapäeval kasutatakse GBM-i avastamiseks ja ideede genereerimiseks ning GLM-i lõpliku läbipaistva tariifi jaoks; või GBM-i väljundi tõlgendamine selgitatavate tööriistadega, nagu SHAP.
Järgmises tabelis võrreldakse kahte lähenemisviisi.
kriteerium
GLM
GBM (masinõpe)
Tõlgendatavus
Kõrge (koefitsient sees)
Madal (vajab märkimistööriista)
Interaktsiooni jäädvustamine
Lisatud käsitsi
automaatne
Ülepaigutamise oht
madal-keskmine
Kõrge (vajalik hoolikas reguleerimine)
Regulaatori/auditi heakskiit
lihtne
Raske, nõuab lisadokumente
Tüüpiline kasutus
lõpptariif
avastus, võrdlus
Kuidas kasutada AI-d hinnakujunduses
1) GLM-i koefitsiendi tõlkimine ärikeelde:
Seadistasin sageduse GLM (Poisson, logi link). Mõned koefitsiendid (logaritmiline skaala): vanuse_rühm_18_25: 0,47 ; piirkonna_enamus: 0,22 ; arac_yasi_10plus: -0,15. Teisendage igaüks exp() abil kordajateks ja selgitage seda ühe lausega, millest juht aru saab. Samuti tuletage meelde, mis on võrdlusrühm.
2) Muutujate/interaktsioonide arutelu:
Teie roll: hinnakujundusassistent. Minu kandidaatmuutujad liiklussageduse mudeli jaoks on: vanus, sugu, piirkond, sõiduki vanus, mootori võimsus, aastane km, elukutse. - Millised muutujad võivad olla regulatiivsest/eetilisest vaatenurgast ohtlikud (nt kaudne diskrimineerimine)? - Milliseid kahepoolseid suhtlusi oleks mõttekas proovida? - Milliseid kontrollitoiminguid peaksin järgima, et vältida ülepaigutamist? Otsuste tegemine; Andke mulle kontrolli ja arutelu raamistik.
3) Ülepaigutamise kontrollkood:
Kirjutage kommenteeritud kood, mis hindab GLM-i k-kordse ristvalideerimisega, kasutades Python + scikit-learn / statsmodels. Kasutage mõõdikuna Poissoni hälvet. Võrrelge treeningute ja testide tulemusi ning selgitage kommentaaride real, kuidas lugeda ülepaigutamise märki. Raamatukogu on võlts.
4) Diskrimineerimine/asendusmuutujate sõeluuring:
Postiindeks osutus minu hinnamudelis tugevaks muutujaks. Selgitage ohtu, et see esindab kaudselt keelatud tunnust (nt rahvus, sissetulek) asendusmuutujana. - Millist analüüsi peaksin selle riski kontrollimiseks tegema? - Milliseid alternatiive on riski vähendamiseks? Juriidilise nõustamise pakkumine; koostada tehniline ja eetiline raamistik.
Nõrk viip / Tugev viip
Nõrk viip:
Pane paika liikluskindlustuse parim hinnamudel.
"Parim" on määratlemata; Pole andmeid, pole piiranguid ega seadusandlust. AI annab üldise, kohaldamatu vastuse.
Võimas viip:
Teie roll: hinnakujunduse aktuaari assistent. Kontekst: Ehitan liiklusharu sagedusmudelit GLM (Poisson, logi link). Muutujad, mis mul on: vanuserühm, sõiduki vanus, piirkond (provints), aastane km, sihtotstarve. Piirang: sugu ei saa seadusandluses kasutada; Pean vältima kaudset diskrimineerimist.Ülesanne:1) Soovitage nende muutujatega (kaasa arvatud võrdlusrühmadega) mudeli esialgne spetsifikatsioon.2) Põhjendage 2 interaktsiooni, mida ma peaksin proovima.3) Esitage sammude loend, et kontrollida ülepaigutamist.4) Lisage kaudse diskrimineerimise osas eriline tähelepanu „piirkonnale”.Teen otsuse; Teie esitate raamistiku ja põhjenduse.
kolm minikarpi
Juhtum 1 – läbipaistvuse väärtus. Ettevõte esitas reguleerijale väga täpse hinnamudeli, mille ta koostas GBM-iga, kuid ei suutnud koefitsiente selgitada; kinnitamine viibis. Aktuaar konstrueeris GLM-i, mis püüdis samu signaale; Täpsus langes 2 protsenti, kuid kuna iga tegurit sai arvesse võtta, valideeriti mudel kuu jooksul. GBM jäeti luureks, GLM-ist sai tariif. YZ koostas kiiresti koodi ja regulaatori kirjelduse, milles võrreldi kahe mudeli jõudlust.
Juhtum 2 – ülepaigutav lõks. Abimees sai treeningandmete kohta täiusliku skoori, kui lisas mudelile rohkem kui 40 muutujat ja arvukalt interaktsioone. Kuid ristvalideerimisel kukkus testi tulemus kokku: mudel oli müra meelde jätnud. Reaalmaailma jõudlus suurenes, kui muutujate arvu vähendati 12-ni ja neid lihtsustati. Õppetund: vaadake enneolematut andmeskoori, mitte treeningskoori.
Juhtum 3 – kaudne diskrimineerimine. Ühes mudelis selgitas muutuja "naabruskond" lisatasu tugevalt. Analüüs näitas, et see muutuja kattus suures osas etnilise kontsentratsiooniga, st see oli keelatud tunnuse asendusnäitaja. Aktuar asendas selle muutuja neutraalsemate riskinäitajatega (tee tüüp, parkimisseisund); nii eetilised kui ka juriidilised riskid on vähenenud. AI koostas korrelatsioonianalüüsi, mis mõõtis kattuvust ja alternatiivseid muutujate soovitusi; Otsuse tegid aktuaari ja vastavuskontrolli üksus.
Levinud vead
- Muutes tõlgendamatu mudeli ülimaks retseptiks. Hind, mida ei saa reguleerijale, auditile ja kliendile selgitada, on jätkusuutmatu; Läbipaistvus on hädavajalik.
- Haridusskoorile tuginemine. Ülesobitamine tuvastatakse ainult nähtamatutes andmetes (ristvalideerimine).
- Keelatud/asendusmuutujate kasutamine ilma kontrollimata. Muutujad, nagu sihtnumber ja amet, võivad kaasa tuua kaudse diskrimineerimise; Testige seda kindlasti.
- Riskipreemia ja kommertspreemia segamine. Ainuüksi puhas kahjukulu ei ole müügihind; lisanduvad kulu, kasum ja kapitalikulu.
- Koefitsiendi jätmine logaritmile ja selle valesti tõlgendamine. Kommenteerimine ilma seda kordaja teguriks exp() abil teisendamata põhjustab tõrke.
Ettevaatust: AI soovitus mudeli kohta, mis "annab parima täpsuse", ei ole automaatselt see mudel, mida "tuleks kasutada". Läbipaistvus, õiglus ja vastavus õigusaktidele on kohustuslikud kriteeriumid, aga ka täpsus kindlustusmatemaatilises hinnakujunduses.
Kokkuvõttes
Hinnakujundus on protsess, mille käigus mõõdetakse riski riskiteguritega ja teisendatakse see õiglaseks preemiaks. GLM on kindlustusmatemaatilise hinnakujunduse standard oma korduva ja tõlgendatava struktuuriga; Koefitsiendid teisendatakse exp() abil teguriteks. Masinõppe mudelid, nagu GBM, võivad olla täpsemad, kuid vähendavad läbipaistvust ja neid kasutatakse tavaliselt avastamiseks. Muutujate valikut tuleks kaitsta ülepaigutamise eest ristvalideerimisega ja kaudset diskrimineerimist (asendusmuutujat) tuleks hoolikalt kontrollida. AI koostab mudeli, kirjutab koodi ja selgitab koefitsienti; Kuid õiguslik-eetiline vastavus ja lõpptariif kuuluvad aktuaari- ja vastavusüksusesse.
Rakenduse ülesanne
Loetlege 5-6 peamise riskitegurit. Küsige tehisintellektilt (a) GLM-i esialgset spetsifikatsiooni nende teguritega, (b) 2 interaktsiooni proovimiseks ja nende põhjendusi, (c) muutujate sõelumist, mis võivad olla kaudse diskrimineerimise ohus. Seejärel tooge näide 3 log-koefitsiendist, paluge AI-l teisendada see exp() abil kordaja teguriks ja kanda see ärikeelde ning kontrollida tegureid käsitsi.
kontrollnimekiri
- [ ] Kas minu mudelit saab tõlgendada; Kas ma saan tõlkida iga teguri mõju ärikeelde?
- [ ] Kas ma olen ristvalideerimisega kontrollinud ülepaigutamist?
- [ ] Kas ma olen kontrollinud keelatud ja puhvermuutujate kaudset diskrimineerimist?
- [ ] Kas olen teadlikult eraldanud riskipreemia kommertspreemiast?
- [ ] Kas teisendasin koefitsiendid exp() abil kordajateks ja tõlgendasin neid õigesti?
- [ ] Kas tegin lõpliku tariifiotsuse koos seadusandluse ja vastavusüksusega?