ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಇನ್ ಪ್ರೈಸಿಂಗ್ ಮತ್ತು ಆಕ್ಚುರಿಯಲ್ ಅನಾಲಿಸಿಸ್ ಸಪೋರ್ಟ್

ಲಾಭಗಳು:

• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ನಷ್ಟ ಆವರ್ತನ, ಹಾನಿಯ ತೀವ್ರತೆ ಮತ್ತು ಪ್ರೀಮಿಯಂ ಸಮರ್ಪಕತೆಯಂತಹ ವಾಸ್ತವಿಕ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ವಿವರಿಸುವ ಮತ್ತು ವಿಶ್ಲೇಷಣಾ ಕರಡು ಸಿದ್ಧಪಡಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಸ್ವತಂತ್ರ ಲೆಕ್ಕಪತ್ರ ನಿರ್ವಹಣೆ ಮತ್ತು ವಾಸ್ತವಿಕ ತತ್ವಗಳ ವಿರುದ್ಧ ಬೆಲೆ ಮಾದರಿಯ ಉತ್ಪಾದನೆ, ಡೇಟಾ ಗುಣಮಟ್ಟ ಮತ್ತು ಊಹೆಗಳನ್ನು ಪರೀಕ್ಷಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಅಂತಿಮ ಸುಂಕ ಮತ್ತು ತಾಂತ್ರಿಕ ನಿಬಂಧನೆ ನಿರ್ಧಾರಗಳು ಸಮರ್ಥ ವಿಮಾಗಣಕರ ಜವಾಬ್ದಾರಿ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕೇವಲ ಬೆಂಬಲ ಸಾಧನವಾಗಿದೆ ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ

ವಿಮೆಯ ಬೆಲೆ ಕಾಕತಾಳೀಯವಲ್ಲ; ಇದನ್ನು ಗಣಿತದ ಪ್ರಕಾರ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ. ಆಕ್ಚುರಿ (ಸಂಭವನೀಯತೆ ಮತ್ತು ಅಂಕಿಅಂಶಗಳೊಂದಿಗೆ ಅಪಾಯವನ್ನು ಅಳೆಯುವ ಮತ್ತು ಪ್ರೀಮಿಯಂ, ನಿಬಂಧನೆ ಮತ್ತು ವ್ಯಾಪ್ತಿಯ ಸಮತೋಲನವನ್ನು ಸ್ಥಾಪಿಸುವ ವಿಮೆಯಲ್ಲಿ ಪರಿಣತಿಯ ಕ್ಷೇತ್ರ) "ಈ ಅಪಾಯವು ನಮಗೆ ಸರಾಸರಿ ಎಷ್ಟು ವೆಚ್ಚವಾಗುತ್ತದೆ ಮತ್ತು ನಾವು ಅದನ್ನು ನ್ಯಾಯಯುತ ಪ್ರೀಮಿಯಂನೊಂದಿಗೆ ಹೇಗೆ ಕವರ್ ಮಾಡಬಹುದು?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುತ್ತದೆ. ವಿಮಾಗಣಕವು (ಈ ಲೆಕ್ಕಾಚಾರವನ್ನು ಮಾಡುವ ಮತ್ತು ಕಾನೂನುಬದ್ಧವಾಗಿ ಜವಾಬ್ದಾರರಾಗಿರುವ ಸಮರ್ಥ ತಜ್ಞರು) ಹಾನಿಯ ಡೇಟಾ, ಪ್ರವೃತ್ತಿಗಳು ಮತ್ತು ಊಹೆಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸುತ್ತದೆ ಮತ್ತು ಸುಂಕ (ಬೆಲೆ ಪ್ರಮಾಣ) ಮತ್ತು ತಾಂತ್ರಿಕ ನಿಬಂಧನೆಗಳನ್ನು (ಭವಿಷ್ಯದ ಹಕ್ಕುಗಳಿಗಾಗಿ ಮೀಸಲಿಟ್ಟ ಹಣ) ನಿರ್ಧರಿಸುತ್ತದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (ದತ್ತಾಂಶದಿಂದ ಮಾದರಿಗಳನ್ನು ಕಲಿಯುವ ಮತ್ತು ಪಠ್ಯ, ವಿವರಣೆಗಳು ಮತ್ತು ಬಾಹ್ಯರೇಖೆಗಳನ್ನು ರಚಿಸುವ ಸಾಫ್ಟ್‌ವೇರ್) ಈ ಭಾರೀ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಕೆಲಸದಲ್ಲಿ ಪ್ರಬಲ ಸಹಾಯಕವಾಗಿದೆ: ಪರಿಕಲ್ಪನೆಗಳನ್ನು ವಿವರಿಸುವುದು, ಡೇಟಾವನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸುವುದು, ವಿಶ್ಲೇಷಣೆಯನ್ನು ರಚಿಸುವುದು, ಕೋಡ್ ಮತ್ತು ಸೂತ್ರವನ್ನು ಸೂಚಿಸುವುದು. ಆದರೆ ವಾಸ್ತವಿಕ ನಿರ್ಧಾರವು ಸಹಿ ಮತ್ತು ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊಂದಿರುತ್ತದೆ; ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಈ ಸಹಿಯನ್ನು ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ. ಈ ಘಟಕದಲ್ಲಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಮೂಲ ವಿಮಾಗಣಕ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಹೇಗೆ ವಿವರಿಸುವುದು ಮತ್ತು ವಿಶ್ಲೇಷಿಸುವುದು ಮತ್ತು ಸ್ವತಂತ್ರ ಲೆಕ್ಕಾಚಾರಗಳು ಮತ್ತು ಆಕ್ಚುರಿಯಲ್ ತತ್ವಗಳ ವಿರುದ್ಧ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಹೇಗೆ ಪರೀಕ್ಷಿಸುವುದು ಎಂಬುದನ್ನು ನೀವು ಕಲಿಯುವಿರಿ.

ಮೂಲ ಪರಿಕಲ್ಪನೆಗಳು: ಆವರ್ತನ, ತೀವ್ರತೆ ಮತ್ತು ಪ್ರೀಮಿಯಂ ಸಮರ್ಪಕತೆ

ಮೂರು ಪರಿಕಲ್ಪನೆಗಳು ಬೆಲೆಯ ಬೆನ್ನೆಲುಬನ್ನು ರೂಪಿಸುತ್ತವೆ:

• ಕ್ಲೈಮ್ ಆವರ್ತನ: ನಿರ್ದಿಷ್ಟ ಅವಧಿಯಲ್ಲಿ ಪ್ರತಿ ಪಾಲಿಸಿಗೆ (ಅಥವಾ ಘಟಕ) ಕ್ಲೈಮ್‌ಗಳ ಸಂಖ್ಯೆ. ಉದಾಹರಣೆಗೆ, 1,000 ಕಾರು ವಿಮಾ ಪಾಲಿಸಿಗಳಲ್ಲಿ ವರ್ಷಕ್ಕೆ 45 ಕ್ಲೈಮ್‌ಗಳಿದ್ದರೆ, ಆವರ್ತನವು 0.045 (ಅಂದರೆ 4.5%).
• ಹಾನಿಯ ತೀವ್ರತೆ: ಪ್ರತಿ ಕ್ಲೈಮ್‌ಗೆ ಪಾವತಿಸಿದ ಸರಾಸರಿ ಮೊತ್ತ. ಒಂದೇ ಪೋರ್ಟ್‌ಫೋಲಿಯೊದಲ್ಲಿ 45 ಹಾನಿಗಳಿಗೆ ಒಟ್ಟು 3,150,000 TL ಪಾವತಿಸಿದ್ದರೆ, ತೀವ್ರತೆಯು 70,000 TL ಆಗಿದೆ.
• ನಿರೀಕ್ಷಿತ ಹಾನಿ ವೆಚ್ಚ (ಅಪಾಯ ಪ್ರೀಮಿಯಂ): ಆವರ್ತನ × ತೀವ್ರತೆ. ಉದಾಹರಣೆಯಲ್ಲಿ, 0.045 × 70,000 = 3,150 TL. ಇದು ಪ್ರತಿ ಪಾಲಿಸಿಗೆ ನಿರೀಕ್ಷಿತ ಶುದ್ಧ ನಷ್ಟದ ವೆಚ್ಚವಾಗಿದೆ; ವೆಚ್ಚಗಳು, ಆಯೋಗಗಳು ಮತ್ತು ಲಾಭಾಂಶವನ್ನು ಸೇರಿಸಿದಾಗ ಒಟ್ಟು ಪ್ರೀಮಿಯಂ ರೂಪುಗೊಳ್ಳುತ್ತದೆ.
• ಪ್ರೀಮಿಯಂ ಸಮರ್ಪಕತೆ: ಸಂಗ್ರಹಿಸಿದ ಪ್ರೀಮಿಯಂ ನಿರೀಕ್ಷಿತ ಹಾನಿ ಮತ್ತು ವೆಚ್ಚಗಳನ್ನು ಸರಿದೂಗಿಸಲು ಸಾಕಾಗುತ್ತದೆಯೇ. ಸಾಕಷ್ಟು ಬೋನಸ್ ಕಂಪನಿಯನ್ನು ನಷ್ಟಕ್ಕೆ ತಳ್ಳುತ್ತದೆ; ಅತಿಯಾದ ಪ್ರೀಮಿಯಂ ಸ್ಪರ್ಧಾತ್ಮಕವಲ್ಲದ ಮತ್ತು ಅನ್ಯಾಯದ ಬೆಲೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.

ಈ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ವಿವರಿಸಲು, ಡೇಟಾ ಸೆಟ್‌ನಿಂದ ಆವರ್ತನ/ತೀವ್ರತೆಯ ಸಾರಾಂಶವನ್ನು ಹೊರತೆಗೆಯಲು ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯ ಹಂತಗಳನ್ನು ವಿವರಿಸಲು AI ತುಂಬಾ ಉಪಯುಕ್ತವಾಗಿದೆ. ಆದಾಗ್ಯೂ, ನೀವು ಯಾವಾಗಲೂ ಸಂಖ್ಯಾತ್ಮಕ ಫಲಿತಾಂಶವನ್ನು ಮರು ಲೆಕ್ಕಾಚಾರ ಮಾಡಬೇಕು.

ಸಲಹೆ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು "ಸಂಖ್ಯೆಯ ಉದಾಹರಣೆಯೊಂದಿಗೆ, ಅದನ್ನು 10 ನೇ ತರಗತಿಯ ವಿದ್ಯಾರ್ಥಿಗೆ ವಿವರಿಸಿದಂತೆ" ಒಂದು ವಾಸ್ತವಿಕ ಪರಿಕಲ್ಪನೆಯನ್ನು ವಿವರಿಸುವುದು ತಂಡದ ತರಬೇತಿಯಲ್ಲಿ ಮತ್ತು ಅದನ್ನು ಗ್ರಾಹಕರಿಗೆ ವಿವರಿಸುವಲ್ಲಿ ಬಹಳ ಉಪಯುಕ್ತವಾಗಿದೆ. ಆದರೆ ಸಂಖ್ಯೆಯನ್ನು ಪರಿಶೀಲಿಸಿ: ಮಾದರಿಯ ಗುಣಾಕಾರವೂ ಸಹ ತಪ್ಪಾಗಬಹುದು.

ಆಕ್ಚುರಿಯಲ್‌ನಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಎಲ್ಲಿದೆ

ಆಕ್ಚುರಿಯಲ್ಲಿನ ಕೆಂಪು ರೇಖೆಯು ಸ್ಪಷ್ಟವಾಗಿದೆ: ಅಂತಿಮ ಸುಂಕ, ತಾಂತ್ರಿಕ ನಿಬಂಧನೆ ಮತ್ತು ಪ್ರೀಮಿಯಂ ಸಮರ್ಪಕತೆಯ ನಿರ್ಧಾರವು ಸಮರ್ಥ ವಿಮಾಗಣಕದ ಜವಾಬ್ದಾರಿಯಾಗಿದೆ. AI ಈ ಕೆಳಗಿನ ಕಾರ್ಯಗಳಿಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ: ಪರಿಕಲ್ಪನೆಯ ಸ್ಪಷ್ಟೀಕರಣ, ಡೇಟಾ ಸಾರಾಂಶ, ಪರಿಶೋಧನಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆಯ ರೂಪರೇಖೆ, ಸೂತ್ರ/ಕೋಡ್ ಸಲಹೆ, ಫಲಿತಾಂಶದ ಪಠ್ಯವನ್ನು ಓದುವಂತೆ ಮಾಡುತ್ತದೆ. ಕೆಳಗಿನ ವಿಷಯಗಳಲ್ಲಿ ಇದು ಅಂತಿಮ ಹೇಳಿಕೆಯನ್ನು ಹೊಂದಲು ಸಾಧ್ಯವಿಲ್ಲ: ಸುಂಕವನ್ನು ಅನುಮೋದಿಸುವುದು, ನಿಬಂಧನೆ ಸಮರ್ಪಕತೆಯನ್ನು ಘೋಷಿಸುವುದು, ಊಹೆಗಳನ್ನು ಅಂತಿಮವೆಂದು ಒಪ್ಪಿಕೊಳ್ಳುವುದು. ಏಕೆಂದರೆ ಈ ನಿರ್ಧಾರಗಳು ಕಂಪನಿಯ ಆರ್ಥಿಕ ಆರೋಗ್ಯ ಮತ್ತು ಗ್ರಾಹಕರ ನ್ಯಾಯಯುತ ಬೆಲೆಗೆ ನೇರವಾಗಿ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ ಮತ್ತು ಶಾಸನಕ್ಕೆ ಒಳಪಟ್ಟಿರುತ್ತವೆ (SEDDK - ವಿಮೆ ಮತ್ತು ಖಾಸಗಿ ಪಿಂಚಣಿ ನಿಯಂತ್ರಣ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣಾ ಏಜೆನ್ಸಿ ನಿಯಮಗಳು).

ಗಮನ: ಡೇಟಾ ಗುಣಮಟ್ಟ ಮತ್ತು ಊಹೆಗಳ ಸ್ವತಂತ್ರ ಪರೀಕ್ಷೆಯಿಲ್ಲದೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಸೂಚಿಸಲಾದ ಸುಂಕ ಅಥವಾ ದರವನ್ನು ಎಂದಿಗೂ ಪ್ರಕಟಿಸಲಾಗುವುದಿಲ್ಲ. ಒಂದು ತಪ್ಪು ಊಹೆ (ಉದಾಹರಣೆಗೆ ಹಣದುಬ್ಬರದ ಪ್ರಭಾವವನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು) ಸಂಪೂರ್ಣ ಬಂಡವಾಳವನ್ನು ಹಾನಿಕರ ರೀತಿಯಲ್ಲಿ ಇರಿಸಬಹುದು.

ಹಂತ ಹಂತವಾಗಿ: ಡ್ರಾಫ್ಟ್ AI-ಬೆಂಬಲಿತ ಆಕ್ಚುರಿಯಲ್ ವಿಶ್ಲೇಷಣೆ

1. ಡೇಟಾವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿ ಮತ್ತು ಗುರುತಿಸಿ. ವೈಯಕ್ತಿಕ ಡೇಟಾ ಇಲ್ಲ; ಒಟ್ಟು ಸಂಖ್ಯೆಗಳು ಮಾತ್ರ. ಅವಧಿ, ಬಂಡವಾಳ ಮತ್ತು ಮೇಲಾಧಾರ ಪ್ರಕಾರವನ್ನು ಸೂಚಿಸಿ.
2. ಪರಿಕಲ್ಪನೆ ಮತ್ತು ವಿಧಾನವನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಿ. ಆವರ್ತನ/ತೀವ್ರತೆಯ ವಿಶ್ಲೇಷಣೆಯ ಹಂತಗಳನ್ನು ವಿವರಿಸಲು AI ಅನ್ನು ಕೇಳಿ.
3. ಪ್ರಶ್ನೆ ಡೇಟಾ ಗುಣಮಟ್ಟ. ಕಾಣೆಯಾದ ಡೇಟಾ, ಔಟ್‌ಲೈಯರ್‌ಗಳು, ಅವಧಿಯ ಹೊಂದಾಣಿಕೆಗಳು, IBNR (ಹಕ್ಕುಗಳು ಇನ್ನೂ ವರದಿಯಾಗಿಲ್ಲ) ಯಾವುದೇ ಪರಿಣಾಮಗಳಿವೆಯೇ?
4. ಊಹೆಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಬರೆಯಿರಿ. ಹಣದುಬ್ಬರ, ಪ್ರವೃತ್ತಿ, ಅಭಿವೃದ್ಧಿ ಅಂಶಗಳು ಯಾವ ಊಹೆಯ ಮೇಲೆ ಆಧಾರಿತವಾಗಿವೆ?
5. ಫಲಿತಾಂಶವನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ. ನಿಮ್ಮ ಸ್ವಂತ ಸ್ಪ್ರೆಡ್‌ಶೀಟ್‌ನೊಂದಿಗೆ ಆವರ್ತನ, ತೀವ್ರತೆ ಮತ್ತು ಅಪಾಯದ ಪ್ರೀಮಿಯಂ ಅನ್ನು ಪುನರುತ್ಪಾದಿಸಿ.
6. ಆಕ್ಚುರಿಯಲ್ ತತ್ವದೊಂದಿಗೆ ಪರೀಕ್ಷಿಸಿ ಮತ್ತು ದೃಢೀಕರಿಸಿ. ಸಮರ್ಥ ವಿಮಾಗಣಕವು ಪ್ರೀಮಿಯಂ ಸಮರ್ಪಕತೆ, ನ್ಯಾಯಸಮ್ಮತತೆ ಮತ್ತು ಶಾಸನದ ಪರಿಭಾಷೆಯಲ್ಲಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ ಮತ್ತು ಸಂಕೇತಿಸುತ್ತದೆ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ತಪ್ಪು ಊಹೆಯನ್ನು ಹಿಡಿಯುವುದು. ಆಟೋಮೊಬೈಲ್ ವಿಮಾ ಸುಂಕಕ್ಕಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಸಹಾಯಕ ವಿಮಾಗಣಕವು ಕರಡು ವಿಶ್ಲೇಷಣೆಯನ್ನು ಸ್ವೀಕರಿಸಿದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕಳೆದ 3 ವರ್ಷಗಳ ಸರಾಸರಿ ಹಾನಿಯ ತೀವ್ರತೆಯನ್ನು 62,000 TL ಎಂದು ತೆಗೆದುಕೊಂಡಿತು ಮತ್ತು ಅಪಾಯದ ಪ್ರೀಮಿಯಂ ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿದೆ. ಪ್ರಸ್ತುತ ಮೌಲ್ಯಕ್ಕೆ ಹಣದುಬ್ಬರಕ್ಕೆ ಹಿಂಸಾಚಾರವನ್ನು ಸರಿಹೊಂದಿಸಲಾಗಿಲ್ಲ ಎಂದು ವಿಮಾಗಣಕವು ಅರಿತುಕೊಂಡಿದೆ: ಪ್ರಸ್ತುತ ವಾಹನ ದುರಸ್ತಿ ವೆಚ್ಚಗಳೊಂದಿಗೆ, ಹಿಂಸೆಯು ವಾಸ್ತವವಾಗಿ ~$89,000 ಆಗಿತ್ತು. ಈ ತಿದ್ದುಪಡಿಯು ಅಪಾಯದ ಪ್ರೀಮಿಯಂ ಅನ್ನು 43% ಹೆಚ್ಚಿಸಿದೆ. ಸ್ವತಂತ್ರ ನಿಯಂತ್ರಣವಿಲ್ಲದೆ, ಸುಂಕವು ಗಂಭೀರವಾಗಿ ಅಸಮರ್ಪಕವಾಗಿರುತ್ತದೆ.

ಪ್ರಕರಣ 2 - ಔಟ್ಲೈಯರ್ನ ವಿರೂಪ. ಒಂದು ಪೋರ್ಟ್‌ಫೋಲಿಯೊದಲ್ಲಿ ಒಟ್ಟು 500 ಹಾನಿಗಳು 40,000,000 TL ಎಂದು ಕಂಡುಬಂದಿದೆ; ಆದರೆ ಇದರಲ್ಲಿ 22,000,000 TL ಒಂದು ದೊಡ್ಡ ಬೆಂಕಿಯ ಹಾನಿಯಿಂದ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಸರಾಸರಿ ಹಿಂಸೆಯನ್ನು 80,000 TL ಎಂದು ಸಂಕ್ಷೇಪಿಸಿದೆ. ವಿಮಾಗಣಕವು ಈ ಏಕೈಕ ಪ್ರಮುಖ ಹಾನಿಯನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದೆ (ಏಕೆಂದರೆ ಇದು ಪ್ರತಿ ವರ್ಷವೂ ಮರುಕಳಿಸುವುದಿಲ್ಲ); "ಸಾಮಾನ್ಯ" ಹಾನಿಗಳ ಸರಾಸರಿ ~36,000 TL. ಹೊರಭಾಗವನ್ನು ಬೇರ್ಪಡಿಸುವುದು ಸುಂಕವನ್ನು ವಾಸ್ತವಿಕಗೊಳಿಸಿತು.

ಪ್ರಕರಣ 3 - ನ್ಯಾಯ ಪರಿಶೀಲನೆ. ಆರೋಗ್ಯ ವಿಮೆ ಬೆಲೆ ಯೋಜನೆಯಲ್ಲಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ನಿರ್ದಿಷ್ಟ ವಯಸ್ಸಿನವರಿಗೆ ಹೆಚ್ಚಿನ ಹೆಚ್ಚಳವನ್ನು ನೀಡುತ್ತದೆ. ಶಿಫಾರಸ್ಸು ಕೇವಲ ಸಣ್ಣ ಮತ್ತು ಗದ್ದಲದ ಮಾದರಿಯಿಂದ ಬಂದಿದೆ ಎಂದು ವಿಮಾಗಣಕವು ಕಂಡುಹಿಡಿದಿದೆ (ಸಣ್ಣ ಸಂಖ್ಯೆಯ ಹಕ್ಕುಗಳು); ಇದು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿರಲಿಲ್ಲ. ಇದಲ್ಲದೆ, ಇದು ಶಾಸನದ ಅಗತ್ಯವಿರುವ ನ್ಯಾಯಯುತ ಬೆಲೆ ತತ್ವಕ್ಕೆ ವಿರುದ್ಧವಾಗಿತ್ತು. ವಿಮಾಗಣಕವು ಮೊದಲು ಹೆಚ್ಚು ವ್ಯಾಪಕವಾದ ಡೇಟಾದೊಂದಿಗೆ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಲೆಕ್ಕಾಚಾರವನ್ನು ಮಾಡಿತು ಮತ್ತು ನಂತರ ನಿರ್ಧಾರವನ್ನು ಮಾಡಿತು.

ನಕಲಿಸಬಹುದಾದ ನಾಲ್ಕು ಪ್ರಾಂಪ್ಟ್‌ಗಳು

1) ಪರಿಕಲ್ಪನೆಯ ವಿವರಣೆ (ತರಬೇತಿ/ಗ್ರಾಹಕರಿಗೆ):

ಆಕ್ಚುರಿಯಲ್ ಬೋಧಕನಂತೆ ವರ್ತಿಸಿ. "ನಷ್ಟ ಆವರ್ತನ", "ಹಾನಿ ತೀವ್ರತೆ" ಮತ್ತು "ಅಪಾಯದ ಪ್ರೀಮಿಯಂ" ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಒಂದು ಸತತ ಸಂಖ್ಯಾತ್ಮಕ ಉದಾಹರಣೆಯೊಂದಿಗೆ ಹಂತ ಹಂತವಾಗಿ ವಿವರಿಸಿ (ಉದಾ. 1,000 ನೀತಿಗಳು, 45 ಕ್ಲೈಮ್‌ಗಳು, 3,150,000 TL ಒಟ್ಟು ಪಾವತಿ). ಪ್ರತಿ ಹಂತದಲ್ಲಿ ಸೂತ್ರ ಮತ್ತು ಮಧ್ಯಂತರ ಫಲಿತಾಂಶವನ್ನು ತೋರಿಸಿ. ಸರಳ ಮತ್ತು ಅರ್ಥವಾಗುವ ಭಾಷೆಯನ್ನು ಬಳಸಿ.

2) ವಿಶ್ಲೇಷಣೆ ಕರಡು ಅಸ್ಥಿಪಂಜರ:

ಈ ಕೆಳಗಿನವು ಒಟ್ಟು ಹಕ್ಕುಗಳ ಡೇಟಾ (ವೈಯಕ್ತಿಕ ಡೇಟಾ ಇಲ್ಲದೆ) ಆವರ್ತನ-ತೀವ್ರತೆಯ ವಿಶ್ಲೇಷಣೆಯ ಹಂತಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ: [ಅವಧಿ, ನೀತಿಗಳ ಸಂಖ್ಯೆ, ಹಕ್ಕುಗಳ ಸಂಖ್ಯೆ, ಒಟ್ಟು ಪಾವತಿ] ಪ್ರತಿ ಹಂತದಲ್ಲಿ: ಏನು ಲೆಕ್ಕ ಹಾಕಲಾಗುತ್ತದೆ, ಯಾವ ಊಹೆಗಳು ಅಗತ್ಯವಿದೆ, ಡೇಟಾ ಗುಣಮಟ್ಟದ ಅಪಾಯವು ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ (ಕಾಣೆಯಾದ ಡೇಟಾ, ಔಟ್ಲೈಯರ್ಗಳು, IBNR, ಹಣದುಬ್ಬರ). ನಾನು ಸಂಖ್ಯಾತ್ಮಕ ಫಲಿತಾಂಶವನ್ನು ಮರು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತೇನೆ; ನೀವು ವಿಧಾನವನ್ನು ಹೊಂದಿಸಿ.

3) ಡೇಟಾ ಗುಣಮಟ್ಟ ಮತ್ತು ಊಹೆ ಪ್ರಶ್ನಾರ್ಥಕ:

ಹಿರಿಯ ವಿಮಾಗಣಕರ ದೃಷ್ಟಿಕೋನದಿಂದ ಕೆಳಗಿನ ಕರಡು ವಿಶ್ಲೇಷಣೆಯನ್ನು ವಿಮರ್ಶಿಸಿ:[ಅಂಟಿಸಿ ಕರಡು] ಕೇಳಿ: ಹಣದುಬ್ಬರಕ್ಕೆ ಹಿಂಸೆಯನ್ನು ಸರಿಹೊಂದಿಸಲಾಗಿದೆಯೇ? ಹೊರಗಿನವರನ್ನು ತೆಗೆದುಹಾಕಲಾಗಿದೆಯೇ? ಮಾದರಿ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆಯೇ? IBNR ಅನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆಯೇ? ಪ್ರವೃತ್ತಿಯ ಊಹೆ ಏನು? ತಿದ್ದುಪಡಿಗಾಗಿ ಸಲಹೆಯೊಂದಿಗೆ "ರಿಸ್ಕ್" ಅಡಿಯಲ್ಲಿ ಪ್ರತಿ ದೌರ್ಬಲ್ಯವನ್ನು ಪಟ್ಟಿ ಮಾಡಿ.

4) ಫಲಿತಾಂಶದ ಪಠ್ಯವನ್ನು ಸರಳಗೊಳಿಸುವುದು:

ಆಕ್ಚುರಿ ಅಲ್ಲದ ನಿರ್ವಾಹಕರಿಗೆ ಕೆಳಗಿನ ಪರಿಶೀಲಿಸಿದ ವಿಶ್ಲೇಷಣೆ ಫಲಿತಾಂಶವನ್ನು ಸರಳ ಕಾರ್ಯನಿರ್ವಾಹಕ ಸಾರಾಂಶವಾಗಿ ಪರಿವರ್ತಿಸಿ: [ಅಂಟಿಸಿ ಫಲಿತಾಂಶ]ಸಂಖ್ಯೆಗಳನ್ನು ಬದಲಾಯಿಸಬೇಡಿ, ಹೊಸ ಸಂಖ್ಯೆಗಳನ್ನು ಸೇರಿಸಿ. ಅನಿಶ್ಚಿತತೆಗಳು ಮತ್ತು ಊಹೆಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ತಿಳಿಸಿ. ಟಿಪ್ಪಣಿಯನ್ನು ಸೇರಿಸಿ: "ಅಂತಿಮ ಸುಂಕದ ನಿರ್ಧಾರವು ಸಮರ್ಥ ವಿಮಾಗಣಕದ ಅನುಮೋದನೆಗೆ ಒಳಪಟ್ಟಿರುತ್ತದೆ."

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ: "ಈ ಡೇಟಾದೊಂದಿಗೆ ಕಾರು ವಿಮಾ ಪ್ರೀಮಿಯಂ ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ ಮತ್ತು ಸುಂಕವನ್ನು ಬರೆಯಿರಿ."

ಸಮಸ್ಯೆ: ನೇರ ಸುಂಕ (ಕೆಂಪು ವಲಯ) ವಿನಂತಿಸಲಾಗಿದೆ; ಯಾವುದೇ ಊಹೆಗಳಿಲ್ಲ, ಡೇಟಾ ಗುಣಮಟ್ಟವಿಲ್ಲ ಮತ್ತು ಮೌಲ್ಯೀಕರಣವಿಲ್ಲ. ಮಾದರಿಯು ಗದ್ದಲದ ಡೇಟಾದಿಂದ ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲದ ದರವನ್ನು ಹೊಂದುತ್ತದೆ.

ಪ್ರಬಲ: "ಆವರ್ತನ-ತೀವ್ರತೆಯ ವಿಶ್ಲೇಷಣೆಯ ಹಂತಗಳನ್ನು ಕರಡು ಮಾಡಿ; ಪ್ರತಿ ಹಂತದಲ್ಲಿ ಊಹೆ ಮತ್ತು ಡೇಟಾ ಗುಣಮಟ್ಟದ ಅಪಾಯವನ್ನು ಸೂಚಿಸಿ. ನಾನು ಸಂಖ್ಯಾತ್ಮಕ ಫಲಿತಾಂಶವನ್ನು ಲೆಕ್ಕ ಹಾಕುತ್ತೇನೆ. ಸುಂಕದ ನಿರ್ಧಾರವನ್ನು ಮಾಡಬೇಡಿ."

ಇದು ಏಕೆ ಒಳ್ಳೆಯದು: AI ವಿಧಾನವನ್ನು ಸ್ಥಾಪಿಸುತ್ತದೆ, ವಿಮಾಗಣಕವು ಲೆಕ್ಕಾಚಾರ ಮತ್ತು ನಿರ್ಧಾರವನ್ನು ಇಡುತ್ತದೆ; ಊಹೆಗಳು ಗೋಚರಿಸುತ್ತವೆ.

ಹೋಲಿಕೆ ಚಾರ್ಟ್

ಹೆಜ್ಜೆ

AI ಪಾತ್ರ

ಆಕ್ಚುರಿ ಪಾತ್ರ

ಅಪಾಯ

ಪರಿಕಲ್ಪನೆಯ ವಿವರಣೆ

ವಿವರಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗಳು

ನಿಖರತೆಯನ್ನು ದೃಢೀಕರಿಸುತ್ತದೆ

ತಪ್ಪು ಉದಾಹರಣೆ

ಡೇಟಾ ಸಾರಾಂಶ

ಒಟ್ಟುಗೂಡಿಸುತ್ತದೆ

ಮೂಲವನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ

ಹೊರಗಿನ ಅಸ್ಪಷ್ಟತೆ

ಊಹೆಗಳ ಪಟ್ಟಿ

ಶಿಫಾರಸು ಮಾಡುತ್ತದೆ

ಸ್ವೀಕರಿಸಿ/ತಿರಸ್ಕರಿಸಿ

ಕಾಣೆಯಾಗಿದೆ/ತಪ್ಪಾದ ಊಹೆ

ಅಪಾಯದ ಪ್ರೀಮಿಯಂ ಲೆಕ್ಕಾಚಾರ

ಕರಡು ಸೂತ್ರ

ಸ್ವತಂತ್ರ ಖಾತೆಗಳು

ಖಾತೆ ದೋಷ

ಸುಂಕ/ನಿಬಂಧನೆ ನಿರ್ಧಾರ

-

ನಿರ್ಧರಿಸುತ್ತದೆ ಮತ್ತು ಚಿಹ್ನೆಗಳು

ಸಾಕಷ್ಟು ಪ್ರೀಮಿಯಂ

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಂಖ್ಯೆಯನ್ನು ನೇರವಾಗಿ ಪಡೆಯುವುದು. ಮಾದರಿಯು ಗುಣಾಕಾರ/ಸಂಕಲನವನ್ನು ತಪ್ಪಾಗಿ ಮಾಡಬಹುದು; ಪ್ರತಿ ಫಲಿತಾಂಶವನ್ನು ಮರು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ.
• ಹಣದುಬ್ಬರ ಮತ್ತು ಪ್ರವೃತ್ತಿ ತಿದ್ದುಪಡಿಯನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು. ಹಿಂದಿನ ಹಿಂಸಾಚಾರವನ್ನು ಪ್ರಸ್ತುತಕ್ಕೆ ತರದೆ ಸುಂಕಗಳನ್ನು ಸ್ಥಾಪಿಸುವುದು ಪೋರ್ಟ್‌ಫೋಲಿಯೊವನ್ನು ಹಾನಿಗೊಳಿಸುತ್ತದೆ.
• ಸರಾಸರಿಯೊಂದಿಗೆ ಹೊರಭಾಗವನ್ನು ಮಿಶ್ರಣ ಮಾಡುವುದು. ಒಂದು ಪ್ರಮುಖ ಹಾನಿಯು ಸಂಪೂರ್ಣ ಸುಂಕವನ್ನು ದಾರಿತಪ್ಪಿಸುತ್ತದೆ; ಪ್ರತ್ಯೇಕವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ.
• ಸಣ್ಣ ಮಾದರಿಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ಸಣ್ಣ ಸಂಖ್ಯೆಯ ಹಾನಿಗಳಿಂದ ಅನುಪಾತವು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ; ಕ್ರೆಡಿಟ್ ಅರ್ಹತೆಯ ಲೆಕ್ಕಾಚಾರದ ಅಗತ್ಯವಿದೆ.
• ನ್ಯಾಯವನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು. ಅಂಕಿಅಂಶಗಳ ಶಬ್ದದ ಆಧಾರದ ಮೇಲೆ ಗುಂಪಿಗೆ ಅನ್ಯಾಯದ ಹೆಚ್ಚಳವನ್ನು ನೀಡುವುದು ಕಾನೂನಿಗೆ ವಿರುದ್ಧವಾಗಿದೆ.

ಸಾರಾಂಶದಲ್ಲಿ

ಆಕ್ಚುರಿಯಲ್ ಕೆಲಸದಲ್ಲಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಪರಿಕಲ್ಪನೆಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ, ಡೇಟಾವನ್ನು ಸಾರಾಂಶಗೊಳಿಸುತ್ತದೆ, ವಿಶ್ಲೇಷಣೆಯನ್ನು ರೂಪಿಸುತ್ತದೆ ಮತ್ತು ಸೂತ್ರಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ; ಆದರೆ ಇದು ಸುಂಕ, ನಿಬಂಧನೆ ಮತ್ತು ಪ್ರೀಮಿಯಂ ಸಮರ್ಪಕತೆಯನ್ನು ನಿರ್ಧರಿಸುವುದಿಲ್ಲ. ಆವರ್ತನ, ತೀವ್ರತೆ ಮತ್ತು ಅಪಾಯದ ಪ್ರೀಮಿಯಂನ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಸರಿಯಾಗಿ ಬಳಸಿ; ಪ್ರಶ್ನೆ ಡೇಟಾ ಗುಣಮಟ್ಟ (ಹೊರಗಿನ, IBNR, ಹಣದುಬ್ಬರ, ಮಾದರಿ ವಿಶ್ವಾಸಾರ್ಹತೆ); ಪ್ರತಿ ಸಂಖ್ಯೆಯನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ; ಊಹೆಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಬರೆಯಿರಿ. ಅಂತಿಮ ನಿರ್ಧಾರವು ಸಮರ್ಥ ಆಕ್ಚುರಿಯ ಜವಾಬ್ದಾರಿಯಾಗಿದೆ ಮತ್ತು SEDDK ನಿಯಮಗಳಿಗೆ ಒಳಪಟ್ಟಿರುತ್ತದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ನೀವು ಹೊಂದಿರುವ ಹಾನಿ ಡೇಟಾ ಸೆಟ್‌ನಿಂದ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಆವರ್ತನ ಮತ್ತು ತೀವ್ರತೆಯ ಸಾರಾಂಶವನ್ನು ರಚಿಸಿ (ಪರೀಕ್ಷಾ ಉದ್ದೇಶಗಳಿಗಾಗಿ, ಒಟ್ಟುಗೂಡಿಸಲಾಗಿದೆ). ನಂತರ ಸ್ಪ್ರೆಡ್‌ಶೀಟ್‌ನಲ್ಲಿ ಅದೇ ಲೆಕ್ಕಾಚಾರವನ್ನು ನೀವೇ ಮಾಡಿ. ಎರಡು ಫಲಿತಾಂಶಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಗಮನಿಸಿ; ವ್ಯತ್ಯಾಸವಿದ್ದಲ್ಲಿ, ಕಾರಣವನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ (ಹಣದುಬ್ಬರ, ಔಟ್ಲೈಯರ್, ತಪ್ಪು ಗುಣಾಕಾರ). ಪ್ರಾಂಪ್ಟ್ #3 ನೊಂದಿಗೆ ನಿಮ್ಮ ಊಹೆಗಳನ್ನು ವಿಮರ್ಶಿಸಿ ಮತ್ತು ಕನಿಷ್ಠ ಎರಡು ಡೇಟಾ ಗುಣಮಟ್ಟದ ಅಪಾಯಗಳನ್ನು ಗುರುತಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಒಟ್ಟುಗೂಡಿದ, ವೈಯಕ್ತಿಕವಲ್ಲದ ಡೇಟಾವನ್ನು ಮಾತ್ರ ಬಳಸಿದ್ದೇನೆ.
• [ ] ನಾನೇ ಆವರ್ತನ, ತೀವ್ರತೆ ಮತ್ತು ಅಪಾಯದ ಪ್ರೀಮಿಯಂ ಅನ್ನು ಮರು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿದ್ದೇನೆ.
• [ ] ನಾನು ಹಣದುಬ್ಬರ/ಟ್ರೆಂಡ್ ತಿದ್ದುಪಡಿಯನ್ನು ಅನ್ವಯಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಹೊರಗಿನವರನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ್ದೇನೆ.
• [ ] ನಾನು ಮಾದರಿಯ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಪ್ರಶ್ನಿಸಿದೆ.
• [ ] ನಾನು ಊಹೆಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಬರೆದಿದ್ದೇನೆ.
• [ ] ನಾನು ಅಂತಿಮ ಸುಂಕ/ನಿಬಂಧನೆ ನಿರ್ಧಾರವನ್ನು ಸಮರ್ಥ ವಿಮಾಗಣಕ ಅನುಮೋದನೆಗೆ ಬಿಟ್ಟಿದ್ದೇನೆ.