Hagnaður:
- Geta til að koma á almennu línulegu líkani (GLM), áhættuþáttum, gjaldskrá og áhættuálagshugmyndum með stuðningi gervigreindar og þýða stuðlana yfir á viðskiptamál.
- Hæfni til að ræða jafnvægi milli breytuvals, samspils, yfirbúnaðar og túlkunar vélanámslíkana (GBM) með gervigreind
- Að geta skilið að verðlagningarlíkanið er laust við bannaðar/mismunandi breytur og tryggingafræðingnum er falið að fara eftir endanlegri gjaldskrá við lög og samkeppni.
Verð vátryggingar er ekki ákveðið af handahófi. Hættan á umferðarslysi fyrir 22 ára gamlan ökumann sem nýlega hefur réttindi sem býr í stórborg er tölfræðilega meiri en 45 ára ökumaður með 20 ára reynslu; Í sanngjörnu kerfi ættu iðgjöld líka að vera mismunandi. Starf tryggingafræðings við að mæla þennan mun og endurspegla hann í verðinu kallast verðlagning og áhættuflokkun. Í þessari einingu munum við fjalla um almenna línulega líkanið (GLM), tryggingafræðilega burðarás verðlagningar og vélanámsvalkosti þess og sjá hvernig á að nota gervigreind á öruggan hátt í þessu ferli.
Nokkur grunnhugtök. Áhættuþáttur er breytan sem hefur áhrif á áhættuna og er notuð í verðlagningu (aldur, aldur ökutækis, svæði, fyrirhuguð notkun). Gjaldskráin er sett reglur sem ákveða hvernig iðgjaldið verður reiknað út eftir áhættuþáttum. Áhættuálagið er hreinn væntanlegur tapkostnaður; Þegar gjöldum, þóknunum, framlegð og fjármagnskostnaði er bætt við myndast viðskiptaálag (söluverð). Við skulum minna á það frá upphafi: gervigreind stingur upp á breytum, smíðar líkön, útskýrir stuðla; En hvaða breyta er lögleg og siðferðileg og hvort endanleg gjaldskrá standist löggjöf og samkeppni tilheyrir tryggingafræðingi og regluvörslueiningunni.
Hvers vegna GLM er staðallinn í tryggingafræði
Mest notaða aðferðin við verðlagningu er GLM. GLM stendur fyrir „almennt línulegt líkan“: það útvíkkar klassískt línulegt aðhvarf til að passa við óeðlilega dreifð markmið, svo sem skemmdagögn. Það hefur tvo grunnþætti. Dreifingarfjölskylda: Poisson er valið fyrir tíðni, gamma er valið fyrir styrkleika (rökfræði í einingu 2). Linkfall (link): venjulega lógaritmísk, sem gerir þáttunum kleift að hafa margföldunaráhrif. Margföldunaruppbyggingin er mjög dýrmæt í tryggingafræðilegum efnum vegna þess að það er nákvæmlega hvernig gjaldskráin er sett upp: grunnálag × aldursstuðull × svæðisstuðull × ökutækisstuðull.
Stærsti kosturinn við GLM er túlkunarhæfni. Stuðull segir þér beint: "ungi ökumannshópurinn eykur tíðnina um 1,6 sinnum miðað við viðmiðunarhópinn." Þetta gagnsæi er mikilvægt á þrjá vegu: (1) eftirlitsaðilinn og innri endurskoðun geta skilið og samþykkt líkanið; (2) bönnuð/mismunandi áhrif eru sýnileg; (3) Verðrökfræði er hægt að útskýra fyrir sölu- og stjórnendahópnum. Flóknari vélanámslíkön (fyrir neðan) gefa stundum meiri nákvæmni, en á kostnað gagnsæis.
Ábending: GLM stuðullinn er á log kvarða. Biddu gervigreindina um að breyta stuðlinum í „margföldunarstuðul“ með exp(stuðlinum); Það væri miklu auðveldara að þýða það yfir á viðskiptamál (t.d. stuðullinn 0,47 → stuðull ≈ 1,60 → „60% áhættusamari“).
Breytilegt úrval, yfirfitting og vélanám
Mikilvægasta ákvörðunin í verðlagningu er hvaða breytur verða áfram í líkaninu. Það eru tvær gildrur. Fáar breytur blinda líkanið: ef mikilvægi áhættuþátturinn er saknað, verður verðið rangt. Of breytileg / offita gerir líkanið til að leggja á minnið fyrri gögn: líkanið villir hávaða fyrir merki og mistekst með nýjum reglum. Jafnvægi er komið á með krossfullgildingu - skipt gögnunum í þjálfunar- og prófunarhluta og prófun á gögnum sem líkanið sér ekki, einfaldleika og tryggingafræðileg rök.
Samspil er einnig mikilvægt: stundum eru samanlögð áhrif tveggja þátta frábrugðin summu aðskildra áhrifa þeirra (ungt + sportlegt farartæki getur verið áhættusamara en summan af einstökum áhrifum þeirra). Í GLM er gagnvirkni bætt sérstaklega við.
Á undanförnum árum hafa gerðir eins og GBM (gradient boosting machine – öflug vélanámsaðferð sem sameinar mörg lítil ákvörðunartré) orðið algeng í verðlagningu. Þetta fanga sjálfkrafa flókið mynstur og samskipti, sem gefur oft nákvæmari spár en GLM. En það kostar sitt: tilhneigingin til að vera "svartur kassi". Algeng venja í dag er að nota GBM fyrir uppgötvun og hugmyndagerð og GLM fyrir endanlega gagnsæja gjaldskrá; eða túlka GBM úttakið með útskýringartækjum eins og SHAP.
Eftirfarandi tafla ber saman þessar tvær aðferðir:
viðmiðun
GLM
GBM (vélanám)
Túlkanleiki
Hár (stuðull á)
Lágt (krefst athugasemdatóls)
Samskipti handtaka
Bætt við handvirkt
sjálfvirkur
Hætta á offitun
lágt-miðlungs
Hátt (þarf að stilla vandlega)
Samþykki eftirlitsaðila/endurskoðunar
auðvelt
Erfitt, krefst frekari gagna
Dæmigert notkun
endanleg gjaldskrá
uppgötvun, samanburður
Hvernig á að nota gervigreind í verðlagningu
1) Þýðing á GLM-stuðlinum yfir á viðskiptatungumál:
Ég setti upp tíðni GLM (Poisson, log hlekkur). Sumir stuðlar (log mælikvarði): age_group_18_25: 0,47 ; svæði_meirihluti: 0,22 ; arac_yasi_10plus: -0.15. Umbreyttu hverjum og einum í margföldunarstuðul með exp() og útskýrðu það í einni setningu sem stjórnandi getur skilið. Minnið líka á hver viðmiðunarhópurinn er.
2) Umræða um breytu/víxlverkun:
Þitt hlutverk: Aðstoðarmaður verðlagningar. Mínar framboðsbreytur fyrir umferðartíðnilíkanið eru: Aldur, kyn, svæði, aldur ökutækja, vélarafl, árleg km, starfsgrein. - Hvaða breytur gætu verið áhættusamar frá eftirliti með reglugerðum/siðferði (t.d. óbein mismunun)? - Hvaða tvíhliða samskipti væri skynsamlegt að prófa? - Hvaða sannprófunarskref ætti ég að fylgja til að forðast offita? Ákvarðanataka; Gefðu mér ramma fyrir stjórn og umræðu.
3) Yfirbúnaðarstýringarkóði:
Skrifaðu kóða með athugasemdum sem metur GLM með k-faldri krossstaðfestingu með Python + scikit-learn / statsmodels. Notaðu Poisson-frávik sem mæligildi. Berðu saman þjálfunar- og prófskora og útskýrðu í athugasemdarlínunni hvernig á að lesa yfirklæðningarmerkið. Bókasafnið er falsað.
4) Mismunun/staðgöngubreytuskimun:
'Póstnúmer' reyndist vera sterk breyta í verðlíkaninu mínu. Útskýrðu hættuna á því að þetta tákni óbeint bannað einkenni (t.d. þjóðerni, tekjur) sem umboðsbreytu. - Hvaða greiningu ætti ég að gera til að prófa þessa áhættu? - Hvaða kostir eru í boði til að draga úr áhættunni? Veita lögfræðiráðgjöf; teikna tæknilegan og siðferðilegan ramma.
Veik kvaðning / Sterk kvaðning
Veik kvaðning:
Komdu á besta verðlíkaninu fyrir umferðartryggingar.
„Best“ er óskilgreint; Engin gögn, engar takmarkanir, engin löggjöf. AI gefur almennt, óviðeigandi svar.
Öflug tilvitnun:
Hlutverk þitt: Aðstoðarmaður verðtryggingarfræðings. Samhengi: Ég er að smíða umferðargreinatíðnilíkan, GLM (Poisson, log link). Breyturnar sem ég hef: aldurshópur, aldur ökutækja, svæði (hérað), árleg km, fyrirhuguð notkun. Þvingun: kyn er ekki hægt að nota í löggjöf; Ég þarf að forðast óbeina mismunun.Verkefni:1) Leggðu til upphaflega líkanforskrift með þessum breytum (þar á meðal viðmiðunarhópum).2) Gefðu ástæður fyrir 2 samskiptum sem ég ætti að reyna.3) Gefðu lista yfir skref til að athuga offitun.4) Bættu við sérstökum athygli fyrir 'svæði' hvað varðar óbeina mismunun. Ég mun taka ákvörðunina; Þú gefur ramma og rökstuðning.
þrjú smámál
Mál 1 — Gildi gagnsæis. Fyrirtæki kynnti mjög nákvæmt verðlíkan sem það byggði með GBM fyrir eftirlitsstofninum, en gat ekki útskýrt stuðlana; samþykki seinkað. Tryggingafræðingurinn smíðaði GLM sem náði sömu merkjum; Nákvæmni lækkaði um 2 prósent, en vegna þess að hægt var að gera grein fyrir hverjum þætti var líkanið staðfest innan mánaðar. GBM var vistað til könnunar, GLM varð gjaldskrá. YZ framleiddi fljótt kóðann og lýsingu eftirlitsaðila þar sem frammistaða þessara tveggja gerða var borin saman.
Tilfelli 2 - Yfirfittingsgildran. Aðstoðarmaður fékk fullkomna einkunn á þjálfunargögnum þegar hann bætti meira en 40 breytum og fjölmörgum samskiptum við líkanið. En við krossprófun hrundi prófskoran: líkanið hafði lagt hávaðann á minnið. Raunveruleg frammistaða jókst þegar fjöldi breyta var fækkað í 12 og einfaldað. Lexía: skoðaðu áður óþekkta gagnaskor, ekki þjálfunarskor.
Mál 3 — Óbein mismunun. Í einu líkani skýrði „hverfis“ breytan iðgjaldið mjög. Greiningin sýndi að þessi breyta skarast að miklu leyti við þjóðernisstyrk, þ.e.a.s. hún var staðgengill fyrir bannaðan eiginleika. Tryggingafræðingurinn skipti þessari breytu út fyrir hlutlausari áhættuvísa (veggerð, ástand bílastæða); bæði siðferðileg og lagaleg áhætta hefur minnkað. AI framleiddi fylgnigreiningu sem mældi skörun og tillögur að öðrum breytum; Tryggingafræðingur og regluvörsludeild tók ákvörðunina.
Algeng mistök
- Gerir ótúlkanlega líkanið að fullkominni uppskrift. Verð sem ekki er hægt að útskýra fyrir eftirlitsaðila, endurskoðun og viðskiptavinum er ósjálfbært; Gagnsæi er nauðsynlegt.
- Að treysta á menntunarstig. Yfirfitting greinist aðeins í óséðum gögnum (cross-validation).
- Að nota bannaðar/staðgöngubreytur án þess að athuga. Breytur eins og póstnúmer og starf geta haft óbeina mismunun í för með sér; Vertu viss um að prófa það.
- Að rugla saman áhættuálagi og viðskiptaálagi. Hreinn tjónakostnaður einn og sér er ekki söluverðið; kostnaður, hagnaður og fjármagnskostnaður bætast við.
- Skilja stuðulinn eftir á logkvarða og rangtúlka hann. Athugasemdir án þess að breyta því í margföldunarstuðul með exp() mun valda villu.
Varúð: Tilmæli gervigreindar um líkanið sem „gefur bestu nákvæmni“ er ekki sjálfkrafa það líkan sem „á að nota“. Gagnsæi, sanngirni og fylgni við löggjöf eru skylduviðmið sem og nákvæmni í tryggingafræðilegri verðlagningu.
Í stuttu máli
Verðlagning er ferlið við að mæla áhættu með áhættuþáttum og breyta henni í sanngjarnt iðgjald. GLM er staðall tryggingafræðilegrar verðlagningar með margfalda og túlkanlega uppbyggingu; Stuðlum er breytt í þætti með exp(). Vélræn líkön eins og GBM geta verið nákvæmari, en þau draga úr gagnsæi og eru venjulega notuð til að uppgötva. Vernda ætti val breytu gegn offitun með krossgildingu og óbeina mismunun (staðgöngubreyta) ætti að vera vandlega stjórnað. AI byggir líkanið, skrifar kóða og útskýrir stuðulinn; En laga-siðferðileg fylgni og endanleg gjaldskrá tilheyra tryggingafræðingi og regluvörslueiningunni.
Umsóknarverkefni
Nefndu 5-6 áhættuþætti fyrir aðalgrein. Biddu gervigreindina um (a) fyrstu forskrift á GLM með þessum þáttum, (b) 2 víxlverkanir til að reyna og rökstuðning þeirra, (c) skimun á breytum sem gætu verið í hættu fyrir óbeina mismunun. Gefðu síðan dæmi um 3 log-stuðla, biddu gervigreindina um að breyta því í margföldunarstuðla með exp() og flytja það yfir á viðskiptatungumálið og sannreyna þættina handvirkt.
gátlisti
- [ ] Er hægt að túlka líkanið mitt; Get ég þýtt áhrif hvers þáttar yfir á viðskiptatungumál?
- [ ] Hef ég athugað hvort ég sé offitt með krossgildingu?
- [ ] Hef ég leitað að óbeinni mismunun fyrir bannaðar breytur og umboðsbreytur?
- [ ] Hef ég meðvitað aðskilið áhættuálag frá viðskiptaálagi?
- [ ] Breytti ég stuðlunum í margfaldara með exp() og túlkaði þá rétt?
- [ ] Tók ég lokaákvörðun um gjaldskrá ásamt löggjafar- og eftirlitsdeild?