એક્ચ્યુરિયલ સાયન્સમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો પરિચય: ભૂમિકાઓ, સીમાઓ, પ્રમાણીકરણ અને ગોપનીયતા

નફો:

• એક્ચ્યુરિયલ વર્કફ્લો (ડેટા તૈયારી, કોડ જનરેશન, રિપોર્ટ ડ્રાફ્ટિંગ, દૃશ્ય અર્થઘટન) માં કૃત્રિમ બુદ્ધિમત્તા વાસ્તવિક સમય બચાવે છે અને કાર્ય જોખમ સ્તરના આધારે પ્રીમિયમ/જોગવાઈ/મૂડી જેવા નિર્ણયો સક્ષમ એક્ચ્યુરી પર કેમ છોડવામાં આવે છે તે પારખવામાં સક્ષમ હોવાને કારણે.
• એક શિસ્ત લાગુ કરવાની ક્ષમતા કે જે દરેક AI આઉટપુટને પ્રક્રિયાગત સ્ત્રોત સાથે લિંક કરવા, સ્વતંત્ર પુનઃગણતરી અને એક્ચ્યુરિયલ તર્ક સાથે તેનું પરીક્ષણ કરવાના પગલાઓ દ્વારા ચકાસે છે.
• KVKK/ગોપનીયતાના અવકાશમાં નીતિ, નુકસાન અને આરોગ્ય ડેટાને અનામી રાખવો અને મોડલ તાલીમમાં ડેટાનો ઉપયોગ ન કરતા સુરક્ષિત વાહનો પસંદ કરવાની ટેવ પાડવી

વીમા અથવા પેન્શન કંપનીમાં, સેંકડો ભાવિ નંબરો દર મહિને ઉત્પન્ન થાય છે: આ જૂથની પોલિસી માટે આપણે કેટલું પ્રીમિયમ ચૂકવવું જોઈએ? ભૂતકાળમાં કેટલું નુકસાન થયું તેની હજુ સુધી જાણ કરવામાં આવી નથી; આજે 30 વર્ષમાં આપણે જે પેન્શન ચૂકવીશું તેનું મૂલ્ય શું છે? ખરાબ વર્ષ આવે તો શું કંપની બચશે? આ બધા પ્રશ્નોના જવાબ આપતો વ્યવસાય એ એક્ચ્યુરી છે. એક્ચ્યુરી એ નિષ્ણાત છે જે સંભાવના, આંકડા અને નાણાકીય ગણિતનો ઉપયોગ કરીને વીમા અને નિવૃત્તિના જોખમોને માપે છે, કિંમત આપે છે અને અહેવાલ આપે છે; તે બનાવેલ દરેક આંકડા કંપનીના નાણાકીય સંતુલન, વીમાધારકના અધિકારો અને ઓડિટરના ટ્રસ્ટને સીધી અસર કરે છે. આ તે છે જ્યાં કૃત્રિમ બુદ્ધિ રમતમાં આવે છે.

આર્ટિફિશિયલ ઇન્ટેલિજન્સ (એઆઈ, અથવા ટૂંકી કમ્પ્યુટર સિસ્ટમ માટે AI જે ટેક્સ્ટ જનરેટ કરી શકે છે, કોડ લખી શકે છે, પેટર્ન ઓળખી શકે છે અને માણસોની જેમ ડેટાનો સારાંશ આપી શકે છે) એક્ચ્યુરિયલ વર્કના પુનરાવર્તિત અને સમય લેનારા ભાગોને મિનિટમાં ઘટાડે છે: ડેટા ક્લિનિંગ કોડ લખવો, એકાઉન્ટને પાયથોનમાં અનુવાદિત કરવું, એક્ચ્યુરી રિપોર્ટનો મુસદ્દો તૈયાર કરવો, જટિલ ભાષામાં સમજાવવું. જો કે, તે જ AI તમારા ડેટાને ક્યારેય જોયા વિના "તમારી નુકસાનની આવર્તન 8 ટકા છે" જેવા વિશ્વાસપાત્ર નંબર પણ બનાવી શકે છે. આ મોડ્યુલનું પ્રથમ એકમ સોફ્ટવેર પરિચય નથી; તેનો હેતુ એ સ્પષ્ટ કરવાનો છે કે તમારા એક્ચ્યુરિયલ બિઝનેસમાં AI ક્યાં મૂકવું અને ક્યાં મૂકવું નહીં.

ચાલો શરૂઆતથી જ મૂળ સિદ્ધાંત મૂકીએ: કૃત્રિમ બુદ્ધિ એ સહાયક છે, એક્ચ્યુરી નથી. પ્રિમીયમ, જોગવાઈઓ (અનામત), મૂડી અને જવાબદારીઓ જેવા નાણા-સંવેદનશીલ નિર્ણયોની જવાબદારી અને અંતિમ મંજૂરી સક્ષમ, નિયુક્ત અને અધિકૃત હસ્તાક્ષરકર્તાની છે. વણચકાસાયેલ AI આઉટપુટ સહી વિનાના એક્ચ્યુરી રિપોર્ટ જેટલું જોખમી છે.

એક્ચ્યુરિયલ બિઝનેસના સ્તરો અને AI નું સ્થાન

એક્ચ્યુરિયલ વર્કને ત્રણ સ્તરોમાં અલગ કરવાથી AIને યોગ્ય રીતે મૂકવું સરળ બને છે. ટેકનિકલ/કમ્પ્યુટેશનલ લેયર તે છે જ્યાં નંબર જનરેટ થાય છે: ડેટા પ્રોસેસિંગ, મોડલ બિલ્ડિંગ, પ્રીમિયમ અને રિઝર્વ એકાઉન્ટિંગ. તર્કનું સ્તર એ છે કે જ્યાં સંખ્યાનું અર્થઘટન કરવામાં આવે છે: કઈ ધારણા પસંદ કરવી, કયા સુધારણા પરિબળને મેન્યુઅલી સુધારવું, અમે તે અંદાજમાં કેટલા વિશ્વાસપૂર્વક છીએ. જવાબદારીનું સ્તર એ છે કે જ્યાં હસ્તાક્ષર કરવામાં આવે છે: અહેવાલ નિયમનકારને જાય છે, નિર્ણય મેનેજમેન્ટને રજૂ કરવામાં આવે છે, એક્ચ્યુરી પરિણામોના કાનૂની માલિક છે. AI પ્રથમ સ્તરમાં ખૂબ શક્તિશાળી છે, માત્ર બીજામાં સહાયક છે, અને ત્રીજા સ્તરમાં બિલકુલ નથી.

ચાલો શરૂઆતથી થોડા મૂળભૂત શબ્દો વ્યાખ્યાયિત કરીએ. પ્રીમિયમ એ જોખમના બદલામાં વીમાધારક દ્વારા ચૂકવવામાં આવતી કિંમત છે. નુકસાન (દાવો) એ વીમાધારક દ્વારા સહન કરાયેલ અને કંપની દ્વારા ચૂકવવામાં આવેલ નુકસાન છે. જોગવાઈ/અનામત એ ભવિષ્યમાં ચૂકવવાપાત્ર દાવાઓ માટે આજે અલગ રાખવામાં આવેલ નાણાં છે. જવાબદારી એ પોલિસીધારકોને કંપનીના ભાવિ દેવાનું વર્તમાન મૂલ્ય છે. એક્સપોઝર એ એકમ છે જે જોખમની તીવ્રતાને માપે છે (દા.ત. એક વર્ષ માટે વીમો લીધેલ વાહન = 1 વાહન-વર્ષ). અમે નીચેના એકમોમાં આ ખ્યાલોને એક પછી એક સમજાવીશું; હમણાં માટે, આ જાણો: AI તમને આ બધી વિભાવનાઓ માટે બ્લુપ્રિન્ટ, કોડ અને વિશ્લેષણ આપે છે, પરંતુ તમે અંતિમ મુદ્દો અને હસ્તાક્ષર બનાવો છો.

નીચેનું કોષ્ટક મિશન દ્વારા AI ની ભૂમિકા અને જોખમ સ્તરનો સારાંશ આપે છે:

ક્વેસ્ટ

AI ની ભૂમિકા

જોખમ સ્તર

કોણ મંજૂર કરે છે

ડેટા સફાઈ / કોડિંગ

કોડ જનરેટર

નીચું

એક્ચ્યુરી / ડેટા વિશ્લેષક

અહેવાલ અને સારાંશ ડ્રાફ્ટ

સ્કેચ જનરેટર

નીચું

એક્ચ્યુરી

વિતરણ/પદ્ધતિનું વર્ણન

ટ્યુટોરીયલ, સરવાળો

નીચું

એક્ચ્યુરી

નુકસાન આવર્તન-ગંભીરતા મોડેલ

મોડેલ બિલ્ડર, ડ્રાફ્ટ

મધ્યમ

વરિષ્ઠ એક્ચ્યુરી

IBNR / અનામત ખાતું

એકાઉન્ટ ડ્રાફ્ટ

ઉચ્ચ

જવાબદાર એક્ચ્યુરી

કિંમત નિર્ધારણ / ટેરિફ

મોડેલ સ્કેચ

ઉચ્ચ

પ્રાઇસીંગ એક્ચ્યુરી + અનુપાલન

મૂડી (SCR) / જવાબદારી

સહાયક ઇનપુટ

ખૂબ ઊંચા

નિમણૂક એક્ચ્યુરી + મેનેજમેન્ટ

આ કોષ્ટકમાં એક લીટી ધ્યાનમાં રાખો: જેમ જેમ જોખમ વધે છે તેમ, AI ની ભૂમિકા સંકોચાય છે અને એક્ચ્યુરિયલ એપ્રુવલ વધે છે.

શા માટે "ચકાસણી" આ વ્યવસાયનું હૃદય છે

આર્ટિફિશિયલ ઇન્ટેલિજન્સ લેંગ્વેજ મોડલ તેમના જવાબમાં વિશ્વાસપૂર્ણ લાગે છે, પરંતુ તેઓ ચોક્કસ ન પણ હોઈ શકે. ટેકનિકલ ભાષામાં, આને આભાસ કહેવામાં આવે છે: તે અસ્ખલિત વાક્યમાં અસ્તિત્વમાં નથી તેવી માહિતીનું મોડેલ બનાવટ છે, જેમ કે તે સાચું હોય. એક્ચ્યુરી માટે, આ એક જીવલેણ છટકું છે. મોડલ તમારા માટે સંખ્યા પેદા કરી શકે છે જેમ કે "આ પોર્ટફોલિયોનો નુકશાન/પ્રીમિયમ રેશિયો 72 ટકા છે"; જો કે, તેણે ક્યારેય તમારો ડેટા જોયો નથી અને આ નંબર સંપૂર્ણપણે બનેલો છે. અથવા તે મૃત્યુ કોષ્ટકનું નામ "TRH-2020" કહી શકે છે; જો કે, એવું કોઈ ટેબલ નથી. કારણ કે તે બંને સમાન પ્રવાહ સાથે કહે છે, એકમાત્ર વસ્તુ જે સાચું અને ખોટું અલગ કરે છે તે છે તમારું વાસ્તવિક જ્ઞાન અને ચકાસણીની આદત.

ચકાસણી શિસ્ત ત્રણ પગલાંઓ સમાવે છે:

1. પદ્ધતિ અને સ્ત્રોતની લિંક: નંબરો માટે તમારા પોતાના ડેટા અને સત્તાવાર સ્ત્રોતો પર આધાર રાખો, AI ની મેમરી પર નહીં. સૂત્રો, વિતરણો અને નિયમનકારી લેખો માટે પ્રારંભિક બિંદુ તરીકે AI સંગ્રહને લો; પછી પ્રમાણભૂત એક્ચ્યુરિયલ સ્ત્રોતો (પાઠ્યપુસ્તક, કાયદાકીય ટેક્સ્ટ, સંસ્થાની પ્રક્રિયા) માંથી પુષ્ટિ કરો. ડેટાનું અર્થઘટન કરવા માટે AI નો ઉપયોગ કરો, તેને યાદ રાખવા માટે નહીં.
2. સ્વતંત્ર પુનઃગણતરી: સ્વતંત્ર રીતે દરેક સંખ્યાત્મક પરિણામ, ગુણાંક અને ગુણોત્તર એઆઈ દ્વારા ઉત્પન્ન થાય છે તે તપાસો. વર્તમાન મૂલ્ય, વૃદ્ધિ પરિબળ, કુલ જાતે અથવા ચકાસાયેલ સ્પ્રેડશીટ સાથે પુનઃઉત્પાદન કરો.
3. એક્ચ્યુરિયલ ચુકાદા સાથે પરીક્ષણ: નિષ્ણાત આંખ સાથે પરીક્ષણ કરો કે શું આઉટપુટ જમીન પરના તથ્યો (પોર્ટફોલિયો વર્તન, ફુગાવો, કાયદો, ભૂતકાળનો અનુભવ) નો વિરોધાભાસ કરે છે. "આ પરિબળ 1.05 નહીં પણ 1.45 કેમ બહાર આવ્યું?" હંમેશા પ્રશ્ન પૂછો.

ધ્યાન આપો: AI દ્વારા નિર્ધારિત રિઝર્વ ફિગર અથવા પ્રીમિયમ શેડ્યૂલને ચકાસ્યા વિના સહી કરવી એ સહી વગરનો એક્ચ્યુરી રિપોર્ટ પ્રકાશિત કરવા જેવું છે. માત્ર કારણ કે આઉટપુટ સરળ અને વ્યવસ્થિત છે તે ચોક્કસ નથી.

ગોપનીયતા: નીતિ અને નુકસાન ડેટા ખાનગી ડેટા છે

નીતિ અને દાવાઓના ડેટામાં ઓળખ, સંપર્ક, આરોગ્ય અને નાણાકીય માહિતીનો સમાવેશ થાય છે. આમાંની કેટલીક તુર્કિયે અને યુરોપમાં જીડીપીઆરમાં KVKK (પર્સનલ ડેટા પ્રોટેક્શન લો)ના અવકાશમાં વ્યક્તિગત ડેટાની વિશેષ શ્રેણીઓ છે; ખાસ કરીને, આરોગ્ય અને જીવન વીમામાં ડાયગ્નોસ્ટિક માહિતી સર્વોચ્ચ સુરક્ષાને આધીન છે. સાર્વજનિક AI વાહન પર વીમાધારકનું નામ, TR ID નંબર, પોલિસી નંબર અને નિદાન પેસ્ટ કરવું ગંભીર ઉલ્લંઘન છે. સમાન સંવેદનશીલતા પોર્ટફોલિયો ડેટાને લાગુ પડે છે જે વેપારના રહસ્યો છે (પ્રીમિયમ કોષ્ટકો, નુકશાન વિતરણ, પુનઃવીમાની શરતો).

નિયમ સરળ છે: ડેટાને અનામી રાખો અને બિનજરૂરી શેર કરશો નહીં. "અહમેટ યિલમાઝ, 54, પોલિસી 2024-88213, મ્યોકાર્ડિયલ ઇન્ફાર્ક્શન" ને બદલે "54 વર્ષીય પુરુષ, હૃદય રોગનો ઇતિહાસ"; વ્યક્તિગત રેકોર્ડને બદલે જૂથબદ્ધ/સારાંશિત કોષ્ટકો શેર કરો. મોટા ભાગના એક્ચ્યુરિયલ વિશ્લેષણ પહેલાથી જ એકત્રિત ડેટા (વય જૂથ, કવરેજ પ્રકાર, વિકાસનું વર્ષ) સાથે કરવામાં આવે છે; આ બંને ગોપનીયતાનું રક્ષણ કરે છે અને વિશ્લેષણને સરળ બનાવે છે. જો શક્ય હોય તો, કોર્પોરેટ ટૂલ્સ પસંદ કરો કે જેમાં ડેટા પ્રોસેસિંગ એગ્રીમેન્ટ હોય અને મોડલ ટ્રેનિંગમાં તમારા ડેટાનો ઉપયોગ ન કરો.

ટિપ: એક્ચ્યુરિયલ વર્કમાં AI ને મોટાભાગે કાચા રેકોર્ડને બદલે સારાંશ/એગ્રિગેટ ટેબલ આપવામાં આવે છે. "ટેબલ 3: વય જૂથ × કવરેજ × સરેરાશ નુકસાન" જેવા કોષ્ટકમાં કોઈ વ્યક્તિગત ડેટા નથી, પરંતુ વિશ્લેષણ માટે જરૂરી બધું.

ત્રણ નાના કેસો

કેસ 1 - સલામત અને કાર્યક્ષમ ઉપયોગ. એક મદદનીશ એક્ચ્યુરી 2 દિવસ મેન્યુઅલી ક્લેમ ડેટાની 40,000 લાઇન સાફ કરવામાં ખર્ચ કરશે. તેણે AI ને ડેટાનું માળખું (કૉલમના નામ, ઉદાહરણ 5 અનામી પંક્તિઓ) સમજાવ્યું અને પાયથોન ક્લિનઅપ કોડ માટે પૂછ્યું. AI એ 15 મિનિટમાં કોડનો ડ્રાફ્ટ તૈયાર કર્યો; એક્ચ્યુરીએ કોડ લાઇન બાય લાઇન વાંચી, બે તર્ક ભૂલો સુધારી (નકારાત્મક નુકસાનને કાઢી નાખવાને બદલે અલગથી તપાસવાની હતી), અને તેને પોતાના ડેટા પર ચલાવ્યો. અવધિ: 2 દિવસને બદલે અડધો દિવસ. AI એ કોડ લખ્યો, એક્ચ્યુરીએ તેને ચેક કર્યો અને ચલાવ્યો.

કેસ 2 - વણચકાસાયેલ નંબર ટ્રેપ. એક કર્મચારીએ YZ ને પૂછ્યું, "અમારી વીમા શાખાનો સંયુક્ત ગુણોત્તર શું છે?" AI એ આત્મવિશ્વાસપૂર્વક "લગભગ 104 ટકા" સંખ્યાઓ આપી, તેમ છતાં તેની પાસે કોઈપણ ડેટાની ઍક્સેસ નથી. કર્મચારીએ તેની મેનેજમેન્ટ પ્રેઝન્ટેશનમાં આ મૂક્યું; વાસ્તવિક દર 97 ટકા હતો. તફાવતને કારણે નફાકારક શાખાને ખોટ અને ખોટા ભાવ વધારાના નિર્ણય તરીકે દર્શાવવામાં આવી હતી. ભૂલ: ડેટા આપ્યા વિના AI તરફથી સૂચકની રાહ જોઈ રહ્યું છે.

કેસ 3 - ગોપનીયતાનો ભંગ. એક એક્ચ્યુરીએ એક એક્સેલ જેમાં જીવન વીમા અરજદારોનું પૂરું નામ, ID અને આરોગ્ય ઘોષણા પબ્લિક AI ટૂલમાં લોડ કરી અને કહ્યું કે "જોખમી લોકોને ફ્લેગ કરો." ડેટા બાહ્ય સર્વર પર ગયો; KVKK સમીક્ષા અને પ્રતિષ્ઠાનું જોખમ ઊભું થયું. સાચો રસ્તો નામ અને ID કાઢી નાખવાનો હતો અને માત્ર વય, લિંગ, કવરેજની રકમ અને અનામી જોખમ પરિબળોને શેર કરવાનો હતો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ વર્ષે અમારા પોર્ટફોલિયોની ખોટની આવર્તન અને યોગ્ય પ્રીમિયમ જણાવો.

આ દાવો ખામીયુક્ત છે: AI ને કોઈ ડેટા આપવામાં આવ્યો નથી, તેથી તે ફક્ત "ફ્રીક્વન્સી" અને "પ્રીમિયમ" ના પ્રશ્નનો મેડ-અપ નંબરો સાથે જવાબ આપી શકે છે. કઈ શાખા, કયો સમયગાળો, કયો સંસર્ગ સ્પષ્ટ છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: એક્ચ્યુરીની સહાયતા માટે વિશ્લેષણ સહાયક. કાર્ય: નીચે આપેલા અનામી એકંદર કોષ્ટકનું અર્થઘટન કરવામાં મને મદદ કરો. ડેટા (વીમો, 2024, કોઈ પ્રાંત/નામ નથી):- એક્સપોઝર: 12,400 વાહન-વર્ષ- દાવાની સંખ્યા: 1,612- કુલ દાવાઓ શોધો: 018 ની ચૂકવણી: 08 ની કુલ દાવાઓ, 08 ની ચૂકવણી: 08, 08 ની કુલ દાવાઓ શોધો) (સંખ્યા/એક્સપોઝર) અને સરેરાશ નુકસાનની તીવ્રતાની ગણતરી કરો, સૂત્ર બતાવો.2) જોખમ પ્રીમિયમની ગણતરી કરો (આવર્તન × તીવ્રતા).3) મધ્યવર્તી પગલાં લખો જેથી હું દરેક સંખ્યાને જાતે ચકાસી શકું. વસ્તુઓ બનાવશો નહીં; ફક્ત મેં તમને આપેલા નંબરોનો ઉપયોગ કરો. જો કંઈ ખૂટતું હોય તો પૂછો.

આ વિનંતી મજબૂત છે કારણ કે તે અનામી રીતે ડેટા પ્રદાન કરે છે, સૂત્રોની જરૂર છે, મધ્યવર્તી પગલાંની જરૂર છે અને ફેબ્રિકેશનને પ્રતિબંધિત કરે છે.

સામાન્ય ભૂલો

• ડેટા આપ્યા વગર નંબર માંગી રહ્યા છે. AI પાસે તમારો પોર્ટફોલિયો તેની મેમરીમાં નથી; તે આપેલો દરેક નંબર નકલી છે. પહેલા અનામી ડેટા પ્રદાન કરો, પછી એકાઉન્ટ માટે પૂછો.
• આઉટપુટની ચકાસણી કર્યા વિના સહી કરવી. પ્રવાહી અને વ્યવસ્થિત ચાર્ટનો અર્થ એ નથી કે તે સચોટ છે. દરેક સંખ્યાને સ્વતંત્ર રીતે પુનઃઉત્પાદિત કરો.
• વ્યક્તિગત ડેટાને તેના કાચા સ્વરૂપમાં પેસ્ટ કરવો. નામ, ID નંબર, પોલિસી નંબર અને નિદાન ક્યારેય શેર કરવામાં આવતાં નથી. અનામી બનાવો અને એગ્રીગેટ્સનો ઉપયોગ કરો.
• AI ને પદ્ધતિ પસંદ કરવા દો અને તેના પર પ્રશ્ન ન કરો. "મારે કઈ પદ્ધતિનો ઉપયોગ કરવો જોઈએ?" પ્રશ્નનો જવાબ એક સૂચન છે; અંતિમ પસંદગી એક્ચ્યુરિયલ જજમેન્ટ અને કાયદા પર આધારિત છે.
• કાયદાના સ્ત્રોત માટે AI ને ભૂલ કરવી. મોડેલ કાયદાના લેખો અને ટેબલ નામો બનાવી શકે છે. સત્તાવાર ટેક્સ્ટમાંથી પુષ્ટિ કરો.

સારાંશમાં

કૃત્રિમ બુદ્ધિ એ એક શક્તિશાળી સહાયક છે જે એક્ચ્યુરિયલ વર્કના ટેકનિકલ અને પુનરાવર્તિત ભાગોને ઝડપી બનાવે છે; કોડ લખે છે, ડ્રાફ્ટ બનાવે છે, સમજાવે છે. પરંતુ પ્રીમિયમ, જોગવાઈ, મૂડી અને જવાબદારીના નિર્ણયોની જવાબદારી સક્ષમ એકચ્યુરીની છે. દરેક આઉટપુટને ત્રણ પગલાઓ દ્વારા માન્ય કરવામાં આવે છે: પદ્ધતિ/સ્રોત સાથે જોડો, સ્વતંત્ર પુનઃગણતરી કરો, એક્ચ્યુરિયલ તર્ક સાથે પરીક્ષણ કરો. ડેટા હંમેશા અનામી રહે છે અને બિનજરૂરી શેર કરવામાં આવતો નથી. વણચકાસાયેલ AI આઉટપુટ સહી વિનાના અહેવાલ જેટલું જોખમી છે.

એપ્લિકેશન કાર્ય

એક શાખા પસંદ કરો જેમાં તમે કામ કરો છો (અથવા ધારે છે). આ શાખા માટે સંપૂર્ણપણે અનામી અને એકીકૃત મીની ટેબલ તૈયાર કરો (એક્સપોઝર, દાવાની સંખ્યા, કુલ નુકસાન). ઉપરના "પાવરફુલ પ્રોમ્પ્ટ" ને તમારા પોતાના ટેબલ પર અપનાવો અને તેને AI ટૂલને આપો. રીટર્ન ફ્રીક્વન્સી, ગંભીરતા અને જોખમ પ્રીમિયમની મેન્યુઅલી (કેલ્ક્યુલેટર સાથે) પુનઃગણતરી કરો અને AI ના પરિણામ સાથે સરખામણી કરો. જો તમને તફાવત જણાય, તો શા માટે નોંધ કરો.

ચેકલિસ્ટ

• [ ] શું હું AI ને આપું છું તે ડેટા અનામી અને એકીકૃત છે? શું ત્યાં કોઈ અંગત/ખાનગી માહિતી છે?
• [ ] શું મેં દરેક આંકડાકીય આઉટપુટની સ્વતંત્ર રીતે ગણતરી કરી છે?
• [ ] શું મેં પદ્ધતિ/ધારણાની પસંદગીને સૂચન તરીકે લીધી અને તે જાતે નક્કી કરી?
• [ ] શું મેં સત્તાવાર સ્ત્રોતમાંથી કાયદા અને ટેબલ સંદર્ભોની પુષ્ટિ કરી છે?
• [ ] શું હું જાણું છું કે હું જે સાધનનો ઉપયોગ કરું છું તે મોડેલ તાલીમમાં ડેટાનો ઉપયોગ કરે છે?
• [ ] શું આ આઉટપુટ ડ્રાફ્ટ છે, અથવા મેં આકસ્મિક રીતે તેને અંતિમ માની લીધું છે?