Табыстар:
- Жасанды интеллект қолдауымен жалпылама сызықтық модельді (GLM), тәуекел факторы, тариф және тәуекел премиум концепцияларын құру және коэффициенттерді іскерлік тілге аудару мүмкіндігі
- Жасанды интеллектпен машиналық оқыту үлгілерінің (GBM) ауыспалы таңдауының, өзара әрекеттесудің, шамадан тыс сәйкестендірудің және түсіндірудің тепе-теңдігін талқылау мүмкіндігі
- Баға моделі тыйым салынған/кемсіткіш айнымалылардан бос екенін және түпкілікті тарифтің заңнамаға және бәсекелестікке сәйкестігі актуарийге жүктелетінін түсіну мүмкіндігі.
Сақтандыру полисінің бағасы кездейсоқ анықталмайды. Үлкен қалада тұратын 22 жастағы, жаңа лицензия алған жүргізуші үшін жол-көлік оқиғасының қаупі статистикалық тұрғыдан 20 жылдық тәжірибесі бар 45 жастағы жүргізушіге қарағанда жоғары; Әділ жүйеде сыйлықақылар да әртүрлі болуы керек. Актуарийдің бұл айырмашылықты өлшеу және оны бағаға көрсету жұмысы баға белгілеу және тәуекелді жіктеу деп аталады. Бұл бөлімде біз жалпылама сызықтық модельді (GLM), баға белгілеудің актуарлық негізін және оның машиналық оқытудың баламаларын талқылаймыз және осы процесте AI-ны қалай қауіпсіз пайдалану керектігін көреміз.
Бірнеше негізгі терминдер. Тәуекел факторы – тәуекелге әсер ететін және баға белгілеуде қолданылатын айнымалы (жас, көлік жасы, аймақ, мақсатты пайдалану). Тариф тәуекел факторларына сәйкес сыйлықақы қалай есептелетінін анықтайтын ережелер жиынтығы болып табылады. Тәуекел сыйлығы – таза күтілетін шығын құны; Шығындар, комиссиялар, пайда нормасы және күрделі шығындар қосылған кезде коммерциялық сыйлықақы (сату бағасы) қалыптасады. Басынан еске түсірейік: AI айнымалыларды ұсынады, модельдер құрастырады, коэффициенттерді түсіндіреді; Бірақ қандай айнымалы заңды және этикалық болып табылады және соңғы тариф заңнамаға және бәсекелестікке сәйкес келе ме, актуарий мен сәйкестік бөліміне тиесілі.
Неліктен GLM актуарийде стандарт болып табылады
Баға белгілеуде ең көп қолданылатын әдіс – GLM. GLM «жалпыланған сызықтық модель» дегенді білдіреді: ол классикалық сызықтық регрессияны зақымдану деректері сияқты қалыпты таралмаған мақсаттарға сәйкестендіру үшін кеңейтеді. Оның екі негізгі компоненті бар. Тарату тобы: жиілік үшін Пуассон, қарқындылық үшін гамма таңдалады (2 бірліктегі логика). Сілтеме функциясы (сілтеме): әдетте логарифмдік, бұл факторлардың мультипликативті әсер етуіне мүмкіндік береді. Мультипликативті құрылым актуарлық тұрғыдан өте құнды, себебі тариф дәл осылай белгіленеді: базалық сыйлықақы × жас факторы × аймақ факторы × көлік факторы.
GLM-тің ең үлкен артықшылығы - түсіндіру. Коэффициент сізге тікелей айтады: «жас жүргізушілер тобы анықтамалық топпен салыстырғанда жиілікті 1,6 есе арттырады». Бұл ашықтық үш жолмен маңызды: (1) реттеуші және ішкі аудит үлгіні түсініп, бекіте алады; (2) тыйым салынған/кемсітушілік әсер көрінеді; (3) баға логикасын сату және басқару тобына түсіндіруге болады. Күрделі машиналық оқыту үлгілері (төменде) кейде жоғары дәлдікті береді, бірақ мөлдірлік есебінен.
Нұсқау: GLM коэффициенті журналдық шкала бойынша. AI коэффициентін exp(коэффициент) бар «көбейту коэффициентіне» түрлендіруді сұраңыз; Іскерлік тілге аудару оңайырақ болар еді (мысалы, коэффициент 0,47 → фактор ≈ 1,60 → «60% қауіпті»).
Айнымалы таңдау, артық орнату және машинаны оқыту
Баға белгілеудегі ең маңызды шешім - модельде қандай айнымалылар қалатыны. Екі тұзақ бар. Бірнеше айнымалылар модельді соқыр етеді: маңызды тәуекел драйверін өткізіп жіберсе, баға дұрыс емес болады. Тым айнымалы/шамадан тыс орнату үлгіні өткен деректерді есте сақтауға мәжбүр етеді: модель сигнал үшін шуды қателеседі және жаңа саясаттармен сәтсіздікке ұшырайды. Баланс кросс-валидация арқылы орнатылады — деректерді оқу және сынақ бөліктеріне бөлу және оны модель көрмейтін деректерде сынау, қарапайымдылық және актуарлық негіздеме.
Өзара әрекеттесу де маңызды: кейде екі фактордың бірлескен әсері олардың жеке әсерлерінің қосындысынан ерекшеленеді (жас + спорттық көлік олардың жеке әсерлерінің қосындысынан қауіптірек болуы мүмкін). GLM-де өзара әрекеттесулер анық қосылады.
Соңғы жылдары баға белгілеуде GBM (градиентті күшейтетін машина — көптеген шағын шешімдер ағаштарын біріктіретін машиналық оқытудың қуатты әдісі) сияқты модельдер кең таралған. Бұл автоматты түрде күрделі үлгілер мен өзара әрекеттесулерді түсіреді, көбінесе GLM қарағанда дәлірек болжамды береді. Бірақ оның құны бар: «қара жәшік» болу үрдісі. Бүгінгі күннің кең таралған тәжірибесі - ашу және идеяларды қалыптастыру үшін GBM және соңғы мөлдір тариф үшін GLM пайдалану; немесе SHAP сияқты түсіндіру құралдарымен GBM шығысын түсіндіру.
Келесі кесте екі тәсілді салыстырады:
критерий
GLM
GBM (машиналық оқыту)
Түсіндіру мүмкіндігі
Жоғары (коэффицент қосулы)
Төмен (аннотация құралын қажет етеді)
Өзара әрекеттесуді түсіру
Қолмен қосылған
автоматты
Шамадан тыс орнату қаупі
төмен-орта
Жоғары (мұқият реттеу қажет)
Реттеуші/аудиторды бекіту
оңай
Қиын, қосымша құжаттарды қажет етеді
Әдеттегі қолдану
соңғы тариф
ашу, салыстыру
Баға белгілеуде AI қалай пайдалануға болады
1) GLM коэффициентін іскерлік тілге аудару:
Мен GLM жиілігін орнаттым (Пуассон, журнал сілтемесі). Кейбір коэффициенттер (лог шкаласы): age_group_18_25: 0,47 ; аймақ_көпшілігі: 0,22 ; arac_yasi_10plus: -0,15. Әрқайсысын exp() көмегімен көбейткіш факторға айналдырыңыз және оны менеджер түсінетін бір сөйлеммен түсіндіріңіз. Сондай-ақ анықтамалық топтың не екенін еске түсіріңіз.
2) Ауыспалы/өзара әрекеттестік талқылауы:
Сіздің рөліңіз: баға бойынша көмекші. Менің трафик жиілігі үлгісіне үміткер айнымалылар: жас, жыныс, аймақ, көлік жасы, қозғалтқыш қуаты, жылдық км, мамандық. - Қандай айнымалылар реттеуші/этикалық тұрғыдан қауіпті болуы мүмкін (мысалы, жанама кемсітушілік)? - Қандай екіжақты өзара әрекеттесулерді қолданып көрудің мәні бар? - Шамадан тыс қондырмау үшін қандай тексеру қадамдарын орындауым керек? Шешім қабылдау; Маған бақылау және талқылау үшін негіз беріңіз.
3) Шамадан тыс орнатуды басқару коды:
Python + scikit-learn / statsmodels көмегімен k еселенген кросс-валидациямен GLM бағалайтын түсініктеме кодын жазыңыз. Көрсеткіш ретінде Пуассон ауытқуын пайдаланыңыз. Жаттығу мен сынақ ұпайларын салыстырыңыз және түсініктеме жолында артық сәйкестік белгісін қалай оқу керектігін түсіндіріңіз. Кітапхана жалған.
4) Дискриминация/суррогат ауыспалы скрининг:
«Пошта индексі» менің баға моделімдегі күшті айнымалы болып шықты. Тыйым салынған сипаттаманы (мысалы, этникалық, табыс) жанама түрде көрсету қаупін прокси айнымалы ретінде түсіндіріңіз. - Бұл тәуекелді тексеру үшін қандай талдау жасауым керек? – Тәуекелді азайтудың қандай баламалары бар? Құқықтық кеңес беру; техникалық және этикалық негізді құру.
Әлсіз шақыру / Күшті шақыру
Әлсіз шақыру:
Жол қозғалысын сақтандыру бойынша ең жақсы баға моделін құру.
«Ең жақсы» анықталмаған; Ешқандай деректер, шектеулер, заңнамалар жоқ. AI жалпы, қолданылмайтын жауап береді.
Күшті шақыру:
Сіздің рөліңіз: баға актуарийінің көмекшісі. Мәтінмән: Мен GLM (Пуассон, журнал сілтемесі) трафик тармағының жиілік үлгісін жасап жатырмын. Менде бар айнымалылар: жас тобы, көлік жасы, аймақ (облыс), жылдық км, мақсатты пайдалану. Шектеу: жынысты заңнамада қолдануға болмайды; Мен жанама кемсітушіліктен аулақ болуым керек. Тапсырма: 1) Осы айнымалылармен (анықтамалық топтарды қоса) бастапқы үлгі спецификациясын ұсыныңыз.2) Мен тырысуым керек 2 өзара әрекеттесу себептерін көрсетіңіз.3) Артық сәйкестікті тексеру үшін қадамдар тізімін беріңіз.4) Жанама кемсітушілік тұрғысынан «аймақ» үшін ерекше назар аударыңыз. Мен шешім қабылдаймын; Сіз негіз мен негіздеме бересіз.
үш шағын іс
1-жағдай – Мөлдірліктің мәні. Компания реттеушіге GBM көмегімен жасаған өте дәл баға үлгісін ұсынды, бірақ коэффициенттерді түсіндіре алмады; мақұлдау кешіктірілді. Актуарий бірдей сигналдарды түсіретін GLM құрастырды; Дәлдік 2 пайызға төмендеді, бірақ әрбір факторды есепке алуға болатындықтан, модель бір ай ішінде расталды. GBM барлау үшін сақталды, GLM тарифке айналды. YZ екі модельдің өнімділігін салыстыратын код пен реттеуіш сипаттамасын жылдам жасады.
2-жағдаят - Тым көп салынған тұзақ. Көмекші модельге 40-тан астам айнымалылар мен көптеген өзара әрекеттесулерді қосқанда жаттығу деректері бойынша тамаша ұпай алды. Бірақ кросс-валидация кезінде сынақ ұпайы құлдырады: модель шуды жаттап алған. Айнымалылар саны 12-ге дейін қысқартылған және жеңілдетілген кезде нақты әлемдегі өнімділік артты. Сабақ: жаттығу ұпайын емес, бұрын-соңды болмаған деректер ұпайын қараңыз.
3-жағдай – Жанама кемсітушілік. Бір үлгіде «көрші» айнымалысы премиумды қатты түсіндірді. Талдау көрсеткендей, бұл айнымалы негізінен этникалық шоғырланумен сәйкес келеді, яғни ол тыйым салынған сипаттаманың проксиі болды. Актуарий бұл айнымалыны неғұрлым бейтарап тәуекел көрсеткіштерімен ауыстырды (жол түрі, тұрақ жағдайы); этикалық және құқықтық тәуекелдер азайды. AI қабаттасу мен балама айнымалы ұсыныстарды өлшейтін корреляциялық талдау жасады; Актуарий және комплаенс бөлімі шешім қабылдады.
Жалпы қателер
- Түсініксіз үлгіні соңғы рецептке айналдыру. Реттеушіге, аудитке және тапсырыс берушіге түсіндіруге болмайтын баға тұрақсыз; Мөлдірлік маңызды.
- Білім көрсеткішіне сүйену. Шамадан тыс орнату тек көрінбейтін деректерде анықталады (кросс-валидация).
- Тыйым салынған/суррогат айнымалы мәндерді тексерусіз пайдалану. Пошталық индекс және кәсіп сияқты айнымалылар жанама кемсітушілікке ие болуы мүмкін; Міндетті түрде сынап көріңіз.
- Тәуекелдік сыйлықақыны коммерциялық сыйлықақымен шатастырып алу. Таза залал құнының өзі сату бағасы емес; шығындар, пайда және капитал құны қосылады.
- Коэффицентті журналдық шкалада қалдыру және оны қате түсіндіру. Exp() көмегімен көбейткіш факторға түрлендірусіз түсініктеме беру қатені тудырады.
Абайлаңыз: AI-ның «ең жақсы дәлдікті беретін» модель туралы ұсынысы автоматты түрде «қолданылуы тиіс» үлгі емес. Транспаренттілік, әділдік және заңнаманың сақталуы актуарлық баға белгілеудің міндетті критерийлері, сондай-ақ дәлдік болып табылады.
Қысқаша
Баға белгілеу – тәуекел факторларымен тәуекелді өлшеу және оны әділ сыйлыққа айналдыру процесі. GLM – мультипликативті және түсіндірілетін құрылымы бар актуарлық баға стандарты; Коэффициенттер exp() бар факторларға түрлендіріледі. GBM сияқты машиналық оқыту үлгілері дәлірек болуы мүмкін, бірақ олар мөлдірлікті төмендетеді және әдетте ашу үшін пайдаланылады. Айнымалыларды таңдау кросс-валидация арқылы артық сәйкестендіруден қорғалуы керек, ал жанама кемсітушілік (суррогат айнымалы) мұқият бақылануы керек. AI модельді құрастырады, кодты жазады және коэффициентті түсіндіреді; Бірақ заңды-этикалық сәйкестік және соңғы тариф актуарий мен комплаенс бөліміне жатады.
Қолданбалы тапсырма
Мамандық бойынша 5-6 қауіп факторларын көрсетіңіз. AI-дан (а) осы факторлармен GLM-нің бастапқы сипаттамасын, (b) 2 әрекеттесу және олардың негіздемесін, (c) жанама кемсітушілік қаупіне ұшырауы мүмкін айнымалыларды скринингті сұраңыз. Содан кейін 3 лог-коэффициенттерге мысал келтіріңіз, AI оны exp() көмегімен көбейткіш коэффициентке түрлендіруді және оны іскерлік тілге көшіруді сұраңыз және факторларды қолмен тексеріңіз.
бақылау парағы
- [ ] Менің үлгіні түсіндіруге бола ма; Әрбір фактордың әсерін іскерлік тілге аудара аламын ба?
- [ ] Мен айқаспалы тексеру арқылы артық сәйкестікті тексердім бе?
- [ ] Тыйым салынған және прокси айнымалылар үшін жанама кемсітушілікке қарап шықтым ба?
- [ ] Мен тәуекелдік сыйлықақыны коммерциялық сыйлықақыдан саналы түрде бөлдім бе?
- [ ] Мен коэффициенттерді exp() көмегімен көбейткіштерге айналдырып, оларды дұрыс түсіндім бе?
- [ ] Мен соңғы тарифтік шешімді заңнамамен және сәйкестік бөлімімен бірге қабылдадым ба?