Keuntungan:
- Mampu membedakan di mana alur kerja aktuaria (persiapan data, pembuatan kode, penyusunan laporan, interpretasi skenario) kecerdasan buatan menghemat waktu nyata dan mengapa keputusan seperti premi/penyediaan/modal diserahkan kepada aktuaris yang kompeten, tergantung pada tingkat risiko tugas.
- Kemampuan menerapkan disiplin yang memverifikasi setiap keluaran AI melalui langkah-langkah menghubungkannya dengan sumber prosedural, perhitungan ulang independen, dan mengujinya dengan penalaran aktuaria.
- Menganonimkan data kebijakan, kerusakan dan kesehatan dalam lingkup KVKK/privasi dan membiasakan memilih kendaraan aman yang tidak menggunakan data dalam pelatihan model
Di perusahaan asuransi atau pensiun, ratusan angka masa depan dihasilkan setiap bulannya: berapa premi yang harus kita bayar untuk kelompok polis ini? berapa banyak kerusakan di masa lalu yang belum dilaporkan; Berapa nilai pensiun yang akan kita bayarkan dalam 30 tahun hari ini? Jika tahun buruk datang, apakah perusahaan akan bertahan? Profesi yang menjawab semua pertanyaan tersebut adalah aktuaris. Aktuaris adalah seorang spesialis yang mengukur, menentukan harga, dan melaporkan risiko asuransi dan pensiun menggunakan probabilitas, statistik, dan matematika keuangan; Setiap angka yang dihasilkan secara langsung mempengaruhi neraca keuangan perusahaan, hak tertanggung dan kepercayaan auditor. Di sinilah kecerdasan buatan berperan.
Kecerdasan buatan (AI, atau disingkat AI—sistem komputer yang dapat menghasilkan teks, menulis kode, mengenali pola, dan meringkas data seperti manusia) mengurangi bagian pekerjaan aktuaria yang berulang dan memakan waktu menjadi beberapa menit: menulis kode pembersihan data, menerjemahkan akun ke dalam Python, menyusun laporan aktuaris, menjelaskan distribusi kompleks dalam bahasa sederhana. Namun, AI yang sama juga dapat membuat angka yang meyakinkan seperti "frekuensi kerusakan Anda adalah 8 persen" tanpa pernah melihat data Anda. Unit pertama modul ini bukanlah pengenalan perangkat lunak; Tujuannya adalah untuk memperjelas di mana menempatkan AI dalam bisnis aktuaria Anda dan di mana tidak menempatkannya sama sekali.
Mari kita jabarkan prinsip dasarnya dari awal: Kecerdasan buatan adalah asisten, bukan aktuaris. Tanggung jawab dan persetujuan akhir atas keputusan keuangan penting seperti premi, provisi (cadangan), modal dan kewajiban adalah milik aktuaris penandatangan yang kompeten, ditunjuk dan diberi wewenang. Keluaran AI yang tidak terverifikasi sama berisikonya dengan laporan aktuaris yang tidak ditandatangani.
Lapisan bisnis aktuaria dan tempat AI
Memisahkan pekerjaan aktuaria menjadi tiga lapisan memudahkan penempatan AI dengan benar. Lapisan teknis/komputasi adalah tempat pembuatan angka: pemrosesan data, pembuatan model, akuntansi premi dan cadangan. Lapisan penalaran adalah tempat angka tersebut diinterpretasikan: asumsi mana yang harus dipilih, faktor peningkatan mana yang harus dikoreksi secara manual, seberapa yakin kita terhadap perkiraan tersebut. Lapisan tanggung jawab adalah tempat penandatanganan: laporan ke regulator, keputusan disampaikan ke manajemen, aktuaris adalah pemilik sah hasil. AI sangat kuat di lapisan pertama, hanya pembantu di lapisan kedua, dan tidak sama sekali di lapisan ketiga.
Mari kita definisikan beberapa istilah dasar dari awal. Premi adalah harga yang dibayarkan oleh tertanggung sebagai imbalan atas risiko. Kerusakan (klaim) adalah kerugian yang diderita oleh tertanggung dan ditanggung oleh perusahaan. Provisi/cadangan adalah uang yang disisihkan hari ini untuk pembayaran klaim di masa depan. Liabilitas adalah nilai sekarang dari utang masa depan perusahaan kepada pemegang polis. Eksposur adalah satuan yang mengukur besarnya risiko (misalnya kendaraan yang diasuransikan selama satu tahun = 1 tahun kendaraan). Konsep-konsep tersebut akan kami jelaskan satu per satu pada unit berikut; Untuk saat ini, ketahuilah ini: AI memberi Anda cetak biru, kode, dan analisis untuk semua konsep ini, namun Anda menghasilkan terbitan akhir dan tanda tangan.
Tabel berikut merangkum peran dan tingkat risiko AI berdasarkan misinya:
Pencarian
Peran AI
Tingkat risiko
Siapa yang menyetujui
Pembersihan / pengkodean data
pembuat kode
rendah
Aktuaris / analis data
Draf laporan dan ringkasan
pembuat sketsa
rendah
aktuaris
Deskripsi distribusi/metode
tutorial, sumatif
rendah
aktuaris
Model frekuensi-keparahan kerusakan
Pembuat model, draf
sedang
aktuaris senior
IBNR/rekening cadangan
draf akun
tinggi
Aktuaris yang bertanggung jawab
Penetapan harga/tarif
Sketsa model
tinggi
Penetapan harga aktuaris + kepatuhan
Modal (SCR) / kewajiban
masukan tambahan
sangat tinggi
Ditunjuk sebagai aktuaris + manajemen
Ingatlah satu baris dalam tabel ini: seiring dengan meningkatnya risiko, peran AI menyusut dan persetujuan aktuaria meningkat.
Mengapa "verifikasi" adalah inti dari bisnis ini
Model bahasa kecerdasan buatan tampak yakin dengan jawabannya, namun mungkin tidak yakin. Dalam bahasa teknis, hal ini disebut halusinasi: ini adalah pembuatan model atas informasi yang tidak ada dalam kalimat yang lancar, seolah-olah itu benar. Bagi seorang aktuaris, ini adalah jebakan maut. Model tersebut mungkin menghasilkan angka untuk Anda seperti "rasio kerugian/premi portofolio ini adalah 72 persen"; Namun, dia belum pernah melihat data Anda dan nomor ini sepenuhnya dibuat-buat. Atau dia mungkin menyebut nama tabel kematian sebagai "TRH-2020"; Namun, tidak ada tabel seperti itu. Karena dia mengatakan keduanya dengan kefasihan yang sama, satu-satunya hal yang membedakan benar dan salah adalah pengetahuan aktuaria dan kebiasaan verifikasi Anda.
Disiplin verifikasi terdiri dari tiga langkah:
- Tautan ke metode dan sumber: Andalkan data Anda sendiri dan sumber resmi untuk angka, bukan memori AI. Ambil ringkasan AI sebagai titik awal untuk formula, distribusi, dan artikel peraturan; kemudian konfirmasi dari sumber standar aktuaria (buku teks, teks peraturan perundang-undangan, prosedur lembaga). Gunakan AI untuk menafsirkan data, bukan untuk mengingatnya.
- Hitung ulang secara mandiri: Periksa secara mandiri setiap hasil numerik, koefisien, dan rasio yang dihasilkan AI. Reproduksi nilai saat ini, faktor pertumbuhan, total diri Anda atau dengan spreadsheet yang terverifikasi.
- Uji dengan penilaian aktuaria: Uji dengan pandangan ahli apakah keluaran yang dihasilkan bertentangan dengan fakta di lapangan (perilaku portofolio, inflasi, peraturan perundang-undangan, pengalaman masa lalu). "Mengapa faktor ini menghasilkan 1,45 dan bukan 1,05?" Selalu ajukan pertanyaan.
Perhatian: Menandatangani angka cadangan atau jadwal premi yang dibuat oleh AI tanpa melakukan verifikasi seperti menerbitkan laporan aktuaris yang tidak ditandatangani. Hanya karena hasilnya halus dan teratur, itu tidak akurat.
Privasi: data kebijakan dan kerusakan adalah data pribadi
Data polis dan klaim mencakup informasi identitas, kontak, kesehatan, dan keuangan. Beberapa di antaranya adalah kategori khusus data pribadi dalam lingkup KVKK (Hukum Perlindungan Data Pribadi) di Türkiye dan GDPR di Eropa; Secara khusus, informasi diagnostik dalam asuransi kesehatan dan jiwa tunduk pada perlindungan tertinggi. Merupakan pelanggaran serius jika menempelkan nama tertanggung, nomor ID TR, nomor polis, dan diagnosa pada kendaraan AI umum. Sensitivitas yang sama berlaku untuk data portofolio yang merupakan rahasia dagang (tabel premi, distribusi kerugian, ketentuan reasuransi).
Aturannya sederhana: anonimkan data dan jangan membagikan data yang tidak diperlukan. "Pria 54 tahun, riwayat penyakit jantung" bukan "Ahmet Yılmaz, 54, polis 2024-88213, infark miokard"; Bagikan tabel yang dikelompokkan/diringkas, bukan catatan individual. Sebagian besar analisis aktuaria dilakukan dengan data agregat (kelompok umur, jenis cakupan, tahun pembangunan); Hal ini melindungi kerahasiaan dan menyederhanakan analisis. Jika memungkinkan, pilih alat perusahaan yang memiliki perjanjian pemrosesan data dan jangan gunakan data Anda dalam pelatihan model.
Tip: Dalam pekerjaan aktuaria, AI sering kali diberikan tabel ringkasan/agregat daripada catatan mentah. Tabel seperti "tabel 3: kelompok umur × cakupan × kerusakan rata-rata" tidak memiliki data pribadi, tetapi semua diperlukan untuk analisis.
tiga kasus mini
Kasus 1 — Penggunaan yang aman dan efisien. Seorang asisten aktuaris akan menghabiskan waktu 2 hari untuk membersihkan 40.000 baris data klaim secara manual. Dia menjelaskan struktur data (nama kolom, contoh 5 baris anonim) kepada AI dan meminta kode pembersihan Python. AI menghasilkan rancangan kode dalam 15 menit; Aktuaris membaca kode baris demi baris, memperbaiki dua kesalahan logika (kerusakan negatif harus diperiksa secara terpisah daripada dihapus), dan menjalankannya pada datanya sendiri. Durasi: setengah hari, bukan 2 hari. AI menulis kodenya, aktuaris memeriksanya dan menjalankannya.
Kasus 2 — Perangkap nomor yang belum terverifikasi. Seorang karyawan bertanya kepada YZ, "Berapa rasio gabungan dari cabang asuransi kita?" AI dengan percaya diri memberikan angka "sekitar 104 persen" meskipun tidak memiliki akses ke data apa pun. Karyawan tersebut memasukkan ini ke dalam presentasi manajemennya; angka sebenarnya adalah 97 persen. Perbedaan tersebut menyebabkan cabang yang menguntungkan digambarkan sebagai kerugian dan keputusan kenaikan harga yang salah. Error: Menunggu indikator dari AI tanpa memberikan datanya.
Kasus 3 — Pelanggaran kerahasiaan. Seorang aktuaris memuat Excel yang berisi nama lengkap, ID, dan pernyataan kesehatan pemohon asuransi jiwa ke dalam alat AI publik dan berkata "tandai yang berisiko." Data masuk ke server eksternal; Tinjauan KVKK dan risiko reputasi muncul. Cara yang benar adalah dengan menghapus nama dan ID dan hanya membagikan usia, jenis kelamin, jumlah pertanggungan dan faktor risiko anonim.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Beritahu kami frekuensi kerugian portofolio kami tahun ini dan premi yang sesuai.
Klaim ini salah: AI tidak diberikan data, sehingga hanya dapat menjawab pertanyaan "frekuensi" dan "premium" dengan angka yang dibuat-buat. Cabang apa, periode apa, paparan apa yang jelas.
Perintah yang kuat:
Peran Anda: asisten analisis membantu seorang aktuaris.Tugas: Bantu saya menafsirkan tabel agregat ANONYMOUS di bawah ini.Data (asuransi, 2024, no provinsi/nama):- Eksposur: 12,400 tahun kendaraan- Jumlah klaim: 1,612- Total klaim yang dibayarkan: 48,900,000 TLI yang diinginkan:1) Temukan frekuensi kerusakan (jumlah/eksposur) dan rata-rata hitung tingkat keparahan kerusakan, tunjukkan rumus.2) Hitung premi risiko (frekuensi × tingkat keparahan).3) Tuliskan langkah-langkah perantaranya sehingga saya dapat memverifikasi setiap angka secara manual.Jangan mengada-ada; Gunakan saja nomor yang kuberikan padamu. Jika ada yang kurang, tanyakan.
Permintaan ini kuat karena menyediakan data secara anonim, memerlukan rumus, memerlukan langkah perantara, dan melarang pemalsuan.
Kesalahan umum
- Meminta nomor tanpa memberikan data. AI tidak menyimpan portofolio Anda dalam ingatannya; Setiap nomor yang dia berikan palsu. Berikan dulu data anonim, lalu minta akun.
- Menandatangani output tanpa memverifikasinya. Grafik yang lancar dan teratur tidak berarti akurat. Reproduksi setiap angka secara mandiri.
- Menempelkan data pribadi dalam bentuk mentahnya. Nama, nomor ID, nomor polis dan diagnosis tidak pernah dibagikan. Anonimkan dan gunakan agregat.
- Membiarkan AI memilih metodenya dan tidak mempertanyakannya. “Metode mana yang harus saya gunakan?” Jawaban atas pertanyaan tersebut adalah sebuah saran; pilihan akhir ada pada keputusan aktuaria dan peraturan perundang-undangan.
- Salah mengira AI sebagai sumber undang-undang. Model tersebut dapat berupa pasal peraturan perundang-undangan dan nama tabel. Konfirmasikan dari teks resmi.
Singkatnya
Kecerdasan buatan adalah asisten yang ampuh yang mempercepat bagian teknis dan berulang dari pekerjaan aktuaria; menulis kode, membuat draf, menjelaskan. Namun tanggung jawab atas keputusan premi, provisi, modal dan tanggung jawab terletak pada aktuaris yang berwenang. Setiap keluaran divalidasi melalui tiga langkah: mengikat metode/sumber, menghitung ulang secara independen, menguji dengan alasan aktuaria. Data selalu dianonimkan dan tidak dibagikan yang tidak diperlukan. Keluaran AI yang tidak terverifikasi sama berisikonya dengan laporan yang tidak ditandatangani.
Tugas aplikasi
Pilih cabang tempat Anda bekerja (atau berasumsi). Siapkan tabel mini yang sepenuhnya anonim dan teragregasi untuk cabang ini (paparan, jumlah klaim, total kerusakan). Sesuaikan "Permintaan kuat" di atas ke tabel Anda sendiri dan berikan ke alat AI. Hitung ulang frekuensi pengembalian, tingkat keparahan, dan premi risiko secara manual (dengan kalkulator) dan bandingkan dengan hasil AI. Jika Anda menemukan perbedaan, catat alasannya.
daftar periksa
- [ ] Apakah data yang saya berikan kepada AI bersifat anonim dan teragregasi? Apakah ada informasi pribadi/pribadi?
- [ ] Apakah saya sudah menghitung ulang setiap keluaran numerik secara mandiri?
- [ ] Apakah saya mengambil pilihan metode/asumsi sebagai saran dan memutuskannya sendiri?
- [ ] Apakah peraturan perundang-undangan dan referensi tabel sudah saya konfirmasi dari sumber resmi?
- [ ] Apakah saya tahu apakah alat yang saya gunakan menggunakan data dalam pelatihan model?
- [ ] Apakah keluaran ini merupakan draf, atau apakah saya secara tidak sengaja menganggapnya sebagai keluaran final?