ಹಾನಿ ಮಾಡೆಲಿಂಗ್: ಆವರ್ತನ-ತೀವ್ರತೆಯ ತಾರತಮ್ಯ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಬೆಂಬಲಿತ ವಿಶ್ಲೇಷಣೆ

ಲಾಭಗಳು:

• ಹಾನಿ ಆವರ್ತನ ಮತ್ತು ಹಾನಿಯ ಪ್ರಮಾಣ (ತೀವ್ರತೆ), ಸೂಕ್ತ ವಿತರಣೆಗಳು (ವಿಷ, ಋಣಾತ್ಮಕ ದ್ವಿಪದ, ಗಾಮಾ) ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬೆಂಬಲದೊಂದಿಗೆ ಸಂಯೋಜಿತ ಮಾದರಿ ತರ್ಕಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಸ್ಥಾಪಿಸಲು ಮತ್ತು ಅರ್ಥೈಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
• ಸರಿಯಾದ ಪ್ರಶ್ನೆಗಳು ಮತ್ತು ಡೇಟಾದೊಂದಿಗೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಅತ್ಯಂತ ದೊಡ್ಡ ನಷ್ಟಗಳು (ಹೊರಗಿನವರು/ದೊಡ್ಡ ನಷ್ಟಗಳು), ಡೇಟಾ ಕ್ಯಾಪಿಂಗ್ ಮತ್ತು ಪ್ರವೃತ್ತಿ/ಅಭಿವೃದ್ಧಿ ತಿದ್ದುಪಡಿಗಳನ್ನು ವಿಂಗಡಿಸುವುದು.
• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ವಿತರಣಾ ಆಯ್ಕೆ ಮತ್ತು ನಿಯತಾಂಕಗಳನ್ನು ಉತ್ತಮ-ಯೋಗ್ಯ ಪರೀಕ್ಷೆಗಳು ಮತ್ತು ವಾಸ್ತವಿಕ ತಾರ್ಕಿಕತೆಯಿಂದ ದೃಢೀಕರಿಸಬೇಕು ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ.

ವಿಮಾ ಕಂಪನಿಗೆ ಅತ್ಯಂತ ಮೂಲಭೂತ ಪ್ರಶ್ನೆಯೆಂದರೆ: "ಮುಂದಿನ ವರ್ಷ ಈ ಪಾಲಿಸಿ ಗುಂಪಿಗೆ ನಾವು ಎಷ್ಟು ಹಾನಿಯನ್ನು ಪಾವತಿಸುತ್ತೇವೆ?" ಈ ಪ್ರಶ್ನೆಗೆ ಸರಿಯಾಗಿ ಉತ್ತರಿಸುವುದು ಪ್ರೀಮಿಯಂ ಅನ್ನು ಸರಿಯಾಗಿ ಹೊಂದಿಸಲು ಮತ್ತು ಸಾಕಷ್ಟು ಮೀಸಲುಗಳನ್ನು ನಿಯೋಜಿಸಲು ಪೂರ್ವಾಪೇಕ್ಷಿತವಾಗಿದೆ. ಆಕ್ಚುರಿಗಳು ಈ ಪ್ರಶ್ನೆಯನ್ನು ಎರಡಾಗಿ ವಿಭಜಿಸುವ ಮೂಲಕ ಉತ್ತರಿಸುತ್ತಾರೆ; ಏಕೆಂದರೆ ಒಂದು ತುಣುಕಿನಲ್ಲಿ ಒಟ್ಟು ಹಾನಿಯನ್ನು ಅಂದಾಜು ಮಾಡುವ ಬದಲು ಎರಡು ಪ್ರತ್ಯೇಕ ನಡವಳಿಕೆಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ರೂಪಿಸುವುದು ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ. ಈ ಎರಡು ಭಾಗಗಳು ಆವರ್ತನ ಮತ್ತು ತೀವ್ರತೆ.

ಆವರ್ತನ (ಹಾನಿಯ ಆವರ್ತನ) ಎನ್ನುವುದು ಪ್ರತಿ ನೀಡಿದ ಮಾನ್ಯತೆಗೆ ಎಷ್ಟು ಹಾನಿ ಸಂಭವಿಸುತ್ತದೆ; ಉದಾಹರಣೆಗೆ, 100 ವಾಹನಗಳು - ವರ್ಷಕ್ಕೆ 8 ಅಪಘಾತಗಳು. ತೀವ್ರತೆಯು ಉಂಟಾದ ಪ್ರತಿ ಹಾನಿಯ ಸರಾಸರಿ ಮೊತ್ತವಾಗಿದೆ; ಉದಾಹರಣೆಗೆ, ಪ್ರತಿ ಅಪಘಾತಕ್ಕೆ 30,000 TL. ಎರಡನ್ನು ಗುಣಿಸುವುದು ಅಪಾಯದ ಪ್ರೀಮಿಯಂ ಅನ್ನು ನೀಡುತ್ತದೆ: ಪ್ರತಿ ಒಡ್ಡುವಿಕೆಗೆ ನಿರೀಕ್ಷಿತ ಹಾನಿ ವೆಚ್ಚ (0.08 × 30,000 = $2,400). ಈ ಯೂನಿಟ್‌ನಲ್ಲಿ ಈ ವ್ಯತ್ಯಾಸವನ್ನು ಸ್ಥಾಪಿಸಲು AI ಅನ್ನು ಹೇಗೆ ಬಳಸುವುದು, ಸರಿಯಾದ ಸಂಭವನೀಯತೆಯ ವಿತರಣೆಯನ್ನು ಆರಿಸುವುದು ಮತ್ತು ಹೊರವಲಯವನ್ನು ನಿರ್ವಹಿಸುವುದು ಹೇಗೆ ಎಂಬುದನ್ನು ನಾವು ಹಂತ ಹಂತವಾಗಿ ನೋಡುತ್ತೇವೆ. ಮೊದಲಿನಿಂದಲೂ ನೆನಪಿಸೋಣ: AI ವಿತರಣೆಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತದೆ ಮತ್ತು ಕೋಡ್ ಬರೆಯುತ್ತದೆ, ಆದರೆ ಒಳ್ಳೆಯತನ-ಆಫ್-ಫಿಟ್ ಪರೀಕ್ಷೆಗಳು ಮತ್ತು ತೀರ್ಪಿನ ಮೂಲಕ ವಿತರಣೆಯ ಆಯ್ಕೆಯನ್ನು ಖಚಿತಪಡಿಸುವುದು ವಿಮಾಗಣಕಕ್ಕೆ ಬಿಟ್ಟದ್ದು.

ಆವರ್ತನ ಮತ್ತು ತೀವ್ರತೆಯನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಏಕೆ ರೂಪಿಸಲಾಗಿದೆ?

ಆವರ್ತನ ಮತ್ತು ತೀವ್ರತೆಯು ವಿಭಿನ್ನ ಅಂಕಿಅಂಶಗಳ ನಡವಳಿಕೆಯನ್ನು ತೋರಿಸುತ್ತದೆ. ಕ್ಲೈಮ್‌ಗಳ ಸಂಖ್ಯೆಯು ಎಣಿಕೆ ವೇರಿಯೇಬಲ್ (0, 1, 2, 3...) ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಪಾಯಿಸನ್ ವಿತರಣೆ ಅಥವಾ ಋಣಾತ್ಮಕ ದ್ವಿಪದ ವಿತರಣೆಯೊಂದಿಗೆ ಅತಿಯಾಗಿ ಹರಡುವಿಕೆ (ವ್ಯತ್ಯಾಸ > ಸರಾಸರಿ) ಇದ್ದಲ್ಲಿ ಮಾದರಿಯಾಗಿದೆ. ಪಾಯ್ಸನ್ ಅಪರೂಪದ ಮತ್ತು ಸ್ವತಂತ್ರ ಘಟನೆಗಳ ಸಂಖ್ಯೆಯನ್ನು ಮಾದರಿ ಮಾಡುವ ಶಾಸ್ತ್ರೀಯ ವಿತರಣೆಯಾಗಿದೆ. ಹಾನಿಯ ಮೊತ್ತವು ನಿರಂತರ ಮತ್ತು ಬಲ-ಓರೆಯಾದ ವೇರಿಯಬಲ್ ಆಗಿದೆ: ಹೆಚ್ಚಿನ ಕ್ಲೈಮ್‌ಗಳು ಚಿಕ್ಕದಾಗಿರುತ್ತವೆ, ಕೆಲವು ಕ್ಲೈಮ್‌ಗಳು ತುಂಬಾ ದೊಡ್ಡದಾಗಿರುತ್ತವೆ. ಆದ್ದರಿಂದ, ತೀವ್ರತೆಯನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಗಾಮಾ ಅಥವಾ ಲಾಗ್ನಾರ್ಮಲ್ ವಿತರಣೆಯೊಂದಿಗೆ ರೂಪಿಸಲಾಗುತ್ತದೆ; ಇವು ಧನಾತ್ಮಕ ಮತ್ತು ಬಲ-ಓರೆಯಾದ ವಿತರಣೆಗಳಾಗಿವೆ.

ಎರಡು ಪ್ರತ್ಯೇಕವಾಗಿ ಮಾಡೆಲಿಂಗ್ ಮೂರು ಕಾಂಕ್ರೀಟ್ ಪ್ರಯೋಜನಗಳನ್ನು ಹೊಂದಿದೆ. ಮೊದಲಿಗೆ, ಪ್ರತಿಯೊಂದೂ ತನ್ನದೇ ಆದ ಚಾಲಕರನ್ನು (ಅಪಾಯದ ಅಂಶಗಳು) ಹೊಂದಿದೆ ಎಂದು ನೀವು ನೋಡಬಹುದು: ಯುವ ಚಾಲಕ ಆವರ್ತನವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ, ದುಬಾರಿ ವಾಹನವು ಹಿಂಸೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಎರಡನೆಯದಾಗಿ, ಡೇಟಾ ಬದಲಾದಾಗ, ನೀವು ಏಕೆ ರೋಗನಿರ್ಣಯ ಮಾಡಬಹುದು: ಹಾನಿಯ ವೆಚ್ಚ ಅಥವಾ ಹಕ್ಕುಗಳ ಸಂಖ್ಯೆ ಹೆಚ್ಚಾಗಿದೆಯೇ? ಮೂರನೆಯದಾಗಿ, ಹಿಂಸಾಚಾರದ ಬದಿಯಲ್ಲಿ ನೀವು ತೀವ್ರ ದೊಡ್ಡ ನಷ್ಟಗಳನ್ನು ಮಾತ್ರ ಪ್ರತ್ಯೇಕವಾಗಿ ಪರಿಗಣಿಸಬಹುದು. ಈ ಎರಡರ ಸಂಯೋಜನೆಯನ್ನು ಸಂಯುಕ್ತ ಮಾದರಿ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ; ನಿರೀಕ್ಷಿತ ಒಟ್ಟು ಹಾನಿ = ನಿರೀಕ್ಷಿತ ಆವರ್ತನ × ನಿರೀಕ್ಷಿತ ತೀವ್ರತೆ.

ಸುಳಿವು: "ನಮ್ಮ ನಷ್ಟ/ಪ್ರೀಮಿಯಂ ಅನುಪಾತ ಹೆಚ್ಚಾಗಿದೆ" ಎಂಬ ವಾಕ್ಯವು ತನ್ನಷ್ಟಕ್ಕೆ ಏನನ್ನೂ ಹೇಳುವುದಿಲ್ಲ. ಆವರ್ತನ ಅಥವಾ ತೀವ್ರತೆ ಹೆಚ್ಚಿದೆಯೇ ಎಂಬ ಪ್ರಶ್ನೆಯನ್ನು ಪ್ರತ್ಯೇಕಿಸಿ; ಹಸ್ತಕ್ಷೇಪ (ಬೆಲೆ, ವ್ಯಾಪ್ತಿ, ಹಾನಿ ನಿರ್ವಹಣೆ) ಸಂಪೂರ್ಣವಾಗಿ ವಿಭಿನ್ನವಾಗಿರುತ್ತದೆ.

ಔಟ್ಲೈಯರ್ಗಳು, ಮೊಟಕುಗೊಳಿಸುವಿಕೆ ಮತ್ತು ಪ್ರವೃತ್ತಿ ತಿದ್ದುಪಡಿಗಳು

ಅದರ ಕಚ್ಚಾ ರೂಪದಲ್ಲಿ ಹಾನಿ ಡೇಟಾ ಮಾದರಿ ಕಟ್ಟಡಕ್ಕೆ ಸಿದ್ಧವಾಗಿಲ್ಲ. ಮೂರು ತಿದ್ದುಪಡಿಗಳು ಯಾವಾಗಲೂ ಅಗತ್ಯವಿದೆ. ಮೊದಲನೆಯದು ತೀವ್ರ/ಪ್ರಮುಖ ಹಾನಿ ವಿಂಗಡಣೆ: ಕೆಲವು ದೈತ್ಯ ಹಾನಿಗಳು (ಉದಾ. ಕಾರ್ಖಾನೆಯ ಬೆಂಕಿ) ಸರಾಸರಿಯನ್ನು ಓರೆಯಾಗಿಸುತ್ತದೆ; ಇವುಗಳನ್ನು ಪ್ರತ್ಯೇಕ "ಪ್ರಮುಖ ಹಾನಿಯ ಹೊರೆ" ಎಂದು ರೂಪಿಸಲಾಗಿದೆ. ಎರಡನೆಯದು ಕ್ಯಾಪಿಂಗ್: ಒಂದು ನಿರ್ದಿಷ್ಟ ಸೀಲಿಂಗ್‌ಗೆ (ಉದಾಹರಣೆಗೆ 1,000,000 TL) ಅತಿ ದೊಡ್ಡ ಹಾನಿಗಳನ್ನು ಸರಿಪಡಿಸುವುದು ಮತ್ತು ಮೇಲಿನ ಭಾಗವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ಮಾದರಿಯನ್ನು ಸ್ಥಿರಗೊಳಿಸುತ್ತದೆ. ಮೂರನೆಯದಾಗಿ, ಪ್ರವೃತ್ತಿ ಮತ್ತು ಅಭಿವೃದ್ಧಿ ತಿದ್ದುಪಡಿ: ಹಿಂದಿನ ಹಕ್ಕುಗಳನ್ನು ಹಣದುಬ್ಬರದೊಂದಿಗೆ ಇಂದಿನ ಬೆಲೆ ಮಟ್ಟಕ್ಕೆ (ಟ್ರೆಂಡ್) ನವೀಕರಿಸಬೇಕು ಮತ್ತು ಇನ್ನೂ ಸಂಪೂರ್ಣವಾಗಿ ಪಾವತಿಸದ ಹಕ್ಕುಗಳನ್ನು ಅವುಗಳ ಅಂತಿಮ ಹಂತಕ್ಕೆ ತರಬೇಕು (ಅಭಿವೃದ್ಧಿ - ನಾವು ಈ ವಿಷಯವನ್ನು ಘಟಕ 3 ರಲ್ಲಿ ಒಳಗೊಳ್ಳುತ್ತೇವೆ).

ಕೆಳಗಿನ ಕೋಷ್ಟಕವು ಎರಡು ಘಟಕಗಳ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೋಲಿಸುತ್ತದೆ:

ವೈಶಿಷ್ಟ್ಯ

ಆವರ್ತನ (ಆವರ್ತನ)

ಹಿಂಸೆ (ಪ್ರಮಾಣ)

ವೇರಿಯಬಲ್ ಪ್ರಕಾರ

ಎಣಿಕೆ (0,1,2...)

ಸ್ಥಿರ, ಧನಾತ್ಮಕ

ವಿಶಿಷ್ಟ ವಿತರಣೆ

ವಿಷ, ಋಣಾತ್ಮಕ ದ್ವಿಪದ

ಗಾಮಾ, ಲಾಗ್ನಾರ್ಮಲ್

ಮಾಸ್ಟರ್ ಚಾಲಕ ಉದಾಹರಣೆಗಳು

ವಯಸ್ಸು, ಅನುಭವ, ಪ್ರದೇಶ, ಬಳಕೆ

ವಾಹನದ ಮೌಲ್ಯ, ವ್ಯಾಪ್ತಿ ಮಿತಿ, ದುರಸ್ತಿ ವೆಚ್ಚ

ಹೊರಗಿನ ಸಮಸ್ಯೆ

ಕಡಿಮೆ

ಹೆಚ್ಚಿನ (ಪ್ರಮುಖ ಹಾನಿಗಳು)

ಹಣದುಬ್ಬರದ ಪರಿಣಾಮ

ದುರ್ಬಲ

ಬಲವಾದ

ಹಾನಿ ಮಾಡೆಲಿಂಗ್‌ನಲ್ಲಿ AI ಅನ್ನು ಹೇಗೆ ಬಳಸುವುದು

ವಿತರಣಾ ಆಯ್ಕೆಯನ್ನು ಚರ್ಚಿಸುವುದು, ಕೋಡ್ ಬರೆಯುವುದು ಮತ್ತು ಫಲಿತಾಂಶವನ್ನು ಅರ್ಥೈಸುವಲ್ಲಿ AI ಪ್ರಬಲವಾಗಿದೆ. ಕೆಳಗೆ ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳಿವೆ.

1) ವಿತರಣಾ ಆಯ್ಕೆಯನ್ನು ಚರ್ಚಿಸಿ:

ನಿಮ್ಮ ಪಾತ್ರ: ಆಕ್ಚುರಿಯಲ್ ಮಾಡೆಲಿಂಗ್ ಸಹಾಯಕ. ನಾನು ವಿಮಾ ಕ್ಲೈಮ್ AMOUNT ಡೇಟಾವನ್ನು ಹೊಂದಿದ್ದೇನೆ (ಅನಾಮಧೇಯ, 1,600 ಕ್ಲೈಮ್‌ಗಳು). ಸಾರಾಂಶ: ಸರಾಸರಿ 30,300 TL, ಸರಾಸರಿ 12,500 TL, ಗರಿಷ್ಠ 940,000 TL, ಓರೆಯು ಹೆಚ್ಚು. ಪ್ರಶ್ನೆ: ತೀವ್ರತೆಯ ಮಾದರಿಗೆ ಗಾಮಾ ಅಥವಾ ಲಾಗ್ನಾರ್ಮಲ್ ಹೆಚ್ಚು ಸೂಕ್ತವೆ? ಪ್ರತಿಯೊಂದರ ಊಹೆ ಏನು, ಪ್ಲಸ್/ಮೈನಸ್ ಮತ್ತು ಯಾವ ಉತ್ತಮ-ಯೋಗ್ಯ ಪರೀಕ್ಷೆಯೊಂದಿಗೆ (ಉದಾ. ನಾನು ನಿರ್ಧಾರವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತೇನೆ ಎಂದು ವಿವರಿಸಿ (Q-Q ಚಾರ್ಟ್, K-S ಪರೀಕ್ಷೆ, AIC). ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರವನ್ನು ಮಾಡುವುದು; ನನಗೆ ಹೋಲಿಕೆ ಚೌಕಟ್ಟನ್ನು ನೀಡಿ.

2) ಆವರ್ತನ-ತೀವ್ರತೆಯ ಲೆಕ್ಕಾಚಾರದ ಕೋಡ್:

ಈ ಕೆಳಗಿನ ಹಂತಗಳನ್ನು ಮಾಡುವ ಪೈಥಾನ್ + ಪಾಂಡಾಗಳೊಂದಿಗೆ ಕಾಮೆಂಟ್ ಮಾಡಿದ ಕೋಡ್ ಅನ್ನು ಬರೆಯಿರಿ: 1) ಡಿಎಫ್‌ನಲ್ಲಿ 'ಎಕ್ಸ್‌ಪೋಸರ್', 'ಕ್ಲೈಮ್_ಕೌಂಟ್', 'ಕ್ಲೈಮ್_ಮೌಂಟ್' ಕಾಲಮ್‌ಗಳಿವೆ. 2) ಸಾಮಾನ್ಯ ಆವರ್ತನ = ಒಟ್ಟು ಹಕ್ಕು_ಎಣಿಕೆ / ಒಟ್ಟು ಮಾನ್ಯತೆ. 3) ಸರಾಸರಿ ತೀವ್ರತೆ = ಒಟ್ಟು ಕ್ಲೈಮ್_ಮೊತ್ತ / ಒಟ್ಟು ಹಕ್ಕು_ಎಣಿಕೆ. 4) ಅಪಾಯದ ಪ್ರೀಮಿಯಂ = ಆವರ್ತನ × ತೀವ್ರತೆ. 5) ಪ್ರತಿ ಮಧ್ಯಂತರ ಫಲಿತಾಂಶವನ್ನು ಪರದೆಯ ಮೇಲೆ ಮುದ್ರಿಸಿ ಇದರಿಂದ ನಾನು ಅದನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಬಹುದು. ಲೈಬ್ರರಿ ಫಿಟ್ಟಿಂಗ್; ಕೇವಲ ಪಾಂಡಾಗಳನ್ನು ಬಳಸಿ.

3) ವಿಪರೀತ ಮೌಲ್ಯ / ಕಟ್ಆಫ್ ವಿಶ್ಲೇಷಣೆ:

ನಾನು ಅನಾಮಧೇಯ ಕ್ಲೈಮ್ ಮೊತ್ತದ ವಿತರಣೆಯನ್ನು ಹೊಂದಿದ್ದೇನೆ. 950,000, 720,000, 610,000 TL ನಂತಹ ಹಕ್ಕುಗಳು ಒಟ್ಟು ಮೊತ್ತದ 22% ರಷ್ಟಿದೆ. ನಿಮ್ಮ ಕ್ಯಾಪಿಂಗ್ ವಿಧಾನದ ಬಗ್ಗೆ ನನಗೆ ತಿಳಿಸಿ: - ಯಾವ ಕ್ಯಾಪ್ ಆಯ್ಕೆಗಳು ಸಮಂಜಸವಾಗಿದೆ (ಉದಾ. 500K, 750K, 1M)? - ಕತ್ತರಿಸಿದ ಭಾಗವನ್ನು ಪ್ರತ್ಯೇಕ "ಪ್ರಮುಖ ಹಾನಿ ಹೊರೆ" ಎಂದು ನಾನು ಹೇಗೆ ಸೇರಿಸುವುದು? - ಈ ನಿರ್ಧಾರವು ಅಪಾಯದ ಪ್ರೀಮಿಯಂ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂಬುದನ್ನು ಹಂತ ಹಂತವಾಗಿ ನನಗೆ ತೋರಿಸಿ.

4) ಫಲಿತಾಂಶವನ್ನು ವ್ಯವಹಾರ ಭಾಷೆಗೆ ಅನುವಾದಿಸುವುದು:

ನನ್ನ ಆವರ್ತನವು 0.13 ರಿಂದ 0.15 ಕ್ಕೆ ಹೆಚ್ಚಿದೆ; ಸರಾಸರಿ ಹಿಂಸಾಚಾರವು 28,000 ರಿಂದ 34,000 TL ವರೆಗೆ ಹೆಚ್ಚಿದೆ. ಮ್ಯಾನೇಜರ್ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದಾದ 4 ವಾಕ್ಯಗಳಲ್ಲಿ ಇದನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಿ: - ಏನಾಯಿತು, ಯಾವ ಘಟಕವು ಎಷ್ಟು ಹೆಚ್ಚಾಗಿದೆ? - ರಿಸ್ಕ್ ಪ್ರೀಮಿಯಂ ಮೇಲೆ ಒಟ್ಟು ಪರಿಣಾಮ ಏನು? - ನಾನು ಪರಿಶೀಲಿಸಬೇಕಾದ ಸಂಭವನೀಯ ಕಾರಣಗಳು ಮತ್ತು 2 ಊಹೆಗಳನ್ನು ಬರೆಯಿರಿ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:

ನನ್ನ ನಷ್ಟದ ಮಾದರಿಯನ್ನು ಹೊಂದಿಸಿ ಮತ್ತು ಪ್ರೀಮಿಯಂ ಅನ್ನು ಲೆಕ್ಕ ಹಾಕಿ.

ಅಸ್ಪಷ್ಟ: ಯಾವ ಡೇಟಾ, ಯಾವ ಘಟಕ, ಯಾವ ವಿತರಣೆ, ಯಾವ ಅವಧಿ? AI ಈ ಅಂತರವನ್ನು ಫ್ಯಾಬ್ರಿಕೇಶನ್‌ನೊಂದಿಗೆ ತುಂಬುತ್ತದೆ.

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:

ನಿಮ್ಮ ಪಾತ್ರ: ಆಕ್ಚುರಿಯಲ್ ಮಾಡೆಲಿಂಗ್ ಸಹಾಯಕ. ಡೇಟಾ (ಅನಾಮಧೇಯ, ಸಂಚಾರ ಶಾಖೆ, 2024): ಮಾನ್ಯತೆ 20,000 ನೀತಿ-ವರ್ಷಗಳು, ಹಕ್ಕುಗಳ ಸಂಖ್ಯೆ 2,600, ಒಟ್ಟು ಹಾನಿ 91,000,000 TL, 5 ದೊಡ್ಡ ಹಾನಿಗಳು ಒಟ್ಟು 12,000,000 TL. ಕಾರ್ಯ: 1) ಆವರ್ತನ ಮತ್ತು ಕಚ್ಚಾ ಸರಾಸರಿ ತೀವ್ರತೆಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ, ಸೂತ್ರವನ್ನು ತೋರಿಸಿ. 2) 5 ದೊಡ್ಡ ಹಾನಿಗಳು ಅದನ್ನು 1,000,000 TL ಗೆ ಮಿತಿಗೊಳಿಸಿ ಮತ್ತು ಸರಿಹೊಂದಿಸಲಾದ ತೀವ್ರತೆಯನ್ನು ಮತ್ತೊಮ್ಮೆ ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ. 3) ಅಪಾಯದ ಪ್ರೀಮಿಯಂ ಅನ್ನು ಕ್ಯಾಪ್‌ನೊಂದಿಗೆ ಮತ್ತು ಇಲ್ಲದೆಯೇ ಹೋಲಿಕೆ ಮಾಡಿ, ವ್ಯತ್ಯಾಸದ ಕುರಿತು ಕಾಮೆಂಟ್ ಮಾಡಿ. 4) ಪ್ರತಿ ಹಂತವನ್ನು ಮಧ್ಯಂತರ ಸಂಖ್ಯೆಗಳೊಂದಿಗೆ ಬರೆಯಿರಿ ಇದರಿಂದ ನಾನು ಅದನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಬಹುದು. ನಾನು ನೀಡಿದ ಸಂಖ್ಯೆಗಳನ್ನು ಬಳಸಿ; ಅದು ಕಾಣೆಯಾಗಿದ್ದರೆ, ಕೇಳಿ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಪ್ರತ್ಯೇಕತೆಯ ಶಕ್ತಿ. ಒಂದು ಆಕ್ಚುರಿಯು ವಸತಿ ಶಾಖೆಯಲ್ಲಿನ ನಷ್ಟ/ಪ್ರೀಮಿಯಂ ಅನುಪಾತವು ಒಂದು ವರ್ಷದಲ್ಲಿ 68 ಪ್ರತಿಶತದಿಂದ 81 ಪ್ರತಿಶತಕ್ಕೆ ಏರಿತು. ಪ್ಯಾನಿಕ್ ಬೆಲೆ ಹೆಚ್ಚಳವನ್ನು ಸೂಚಿಸುವ ಮೊದಲು, ಆವರ್ತನ-ತೀವ್ರತೆಯ ವ್ಯತ್ಯಾಸವನ್ನು ಮಾಡಲಾಯಿತು: ಆವರ್ತನವು ಬಹುತೇಕ ಸ್ಥಿರವಾಗಿರುತ್ತದೆ (0.041 → 0.043), ಆದರೆ ಸರಾಸರಿ ತೀವ್ರತೆಯು 14,200 TL ನಿಂದ 19,800 TL ಗೆ ಜಿಗಿದಿದೆ. ಕಾರಣ ನಿರ್ಮಾಣ ವೆಚ್ಚದ ಹಣದುಬ್ಬರ, ಪಾಲಿಸಿಗಳ ಸಂಖ್ಯೆ ಅಥವಾ ಅಪಾಯಕಾರಿ ಗ್ರಾಹಕರಲ್ಲ. ಕವರೇಜ್ ಮೊತ್ತವನ್ನು ಅಪ್‌ಡೇಟ್ ಮಾಡುವುದು ಸರಿಯಾದ ಮಧ್ಯಸ್ಥಿಕೆಯಾಗಿದೆ, ಕುರುಡು ಪ್ರೀಮಿಯಂ ಹೆಚ್ಚಳವಲ್ಲ.

ಪ್ರಕರಣ 2 - ಹೊರಗಿನ ಬಲೆ. ವ್ಯಾಪಾರ ವಿಮಾ ಪೋರ್ಟ್‌ಫೋಲಿಯೊದಲ್ಲಿ ಸರಾಸರಿ 1,800 ಕ್ಲೈಮ್‌ಗಳು 42,000 TL ಆಗಿತ್ತು. ಆದಾಗ್ಯೂ, ಕೇವಲ 6.4 ಮಿಲಿಯನ್ TL ನಷ್ಟು ಬೆಂಕಿಯ ಹಾನಿಯು ಈ ಸರಾಸರಿಯನ್ನು ಸರಿಸುಮಾರು 3,500 TL ಹೆಚ್ಚಿಸಿತು. ಈ ಪ್ರಮುಖ ಹಾನಿಯನ್ನು ಪ್ರತ್ಯೇಕ "ಪ್ರಮುಖ ಹಾನಿಯ ಹೊರೆ" ಎಂದು ರೂಪಿಸಿದಾಗ ಮತ್ತು ಮುಚ್ಚಿದಾಗ, ಮೂಲ ತೀವ್ರತೆಯು 38,500 TL ಗೆ ಕಡಿಮೆಯಾಯಿತು ಮತ್ತು ಪ್ರೀಮಿಯಂ ಹೆಚ್ಚು ನ್ಯಾಯಯುತವಾಯಿತು. AI ತ್ವರಿತವಾಗಿ ಕ್ಯಾಪಿಂಗ್ ಕೋಡ್ ಮತ್ತು ಪರ್ಯಾಯ ಕ್ಯಾಪ್‌ಗಳನ್ನು ರಚಿಸಿತು; ಆಕ್ಚುರಿ ನಿರ್ಧಾರ ಮಾಡಿದೆ.

ಪ್ರಕರಣ 3 - ಮಾಲ್ಡಿಸ್ಟ್ರಿಬ್ಯೂಷನ್. ಪ್ರಶ್ನೆಯಿಲ್ಲದೆ, ಒಬ್ಬ ಸಹಾಯಕ AI ಕೋಡ್ ಅನ್ನು ರನ್ ಮಾಡಿದನು, ಅದು ತೀವ್ರತೆಗಾಗಿ ಸಾಮಾನ್ಯ (ಗಾಸ್ಸಿಯನ್) ವಿತರಣೆಯನ್ನು ಆಯ್ಕೆಮಾಡುತ್ತದೆ. ಸಾಮಾನ್ಯ ವಿತರಣೆಯು ಋಣಾತ್ಮಕ ಮೌಲ್ಯಗಳು ಮತ್ತು ಸಮ್ಮಿತಿಗೆ ಅನುಮತಿಸಿದ ಕಾರಣ, ಇದು ಬಲ-ಓರೆಯಾದ ಹಾನಿ ಡೇಟಾಗೆ ಹೊಂದಿಕೆಯಾಗುವುದಿಲ್ಲ; ಮಾದರಿಯು ಸಣ್ಣ ಹಾನಿಗಳನ್ನು ಅತಿಯಾಗಿ ಅಂದಾಜು ಮಾಡಿದೆ ಮತ್ತು ದೊಡ್ಡದನ್ನು ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡಿದೆ. Q-Q ಪ್ಲಾಟ್ ಮತ್ತು AIC ಅನ್ನು ಹೋಲಿಸಿದಾಗ, ಗಾಮಾ ಹೆಚ್ಚು ಉತ್ತಮವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ ಎಂದು ಕಂಡುಬಂದಿದೆ. ಪಾಠ: AI ಪ್ರಸ್ತಾಪಿಸಿದ ವಿತರಣೆಯನ್ನು ಯಾವಾಗಲೂ ಫಿಟ್ ಟೆಸ್ಟಿಂಗ್ ಮೂಲಕ ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಆವರ್ತನ ಮತ್ತು ತೀವ್ರತೆಯನ್ನು ಸಂಯೋಜಿಸುವುದು ಮತ್ತು ಒಂದೇ ಮಾದರಿಯೊಂದಿಗೆ ಊಹಿಸುವುದು. ಇದು ಎರಡು ವಿಭಿನ್ನ ನಡವಳಿಕೆಗಳನ್ನು ಮರೆಮಾಡುತ್ತದೆ; ನೀವು ಚಾಲಕನನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತೀರಿ ಮತ್ತು ಏಕೆ.
• ತೀವ್ರ/ದೊಡ್ಡ ಹಾನಿಯನ್ನು ತೆಗೆದುಹಾಕದೆಯೇ ಸರಾಸರಿ. ಕೆಲವು ದೈತ್ಯ ಹಾನಿಗಳು ಇಡೀ ಚಿತ್ರವನ್ನು ವಿರೂಪಗೊಳಿಸುತ್ತವೆ; ಪ್ರೀಮಿಯಂ ಅನ್ನು ಕೃತಕವಾಗಿ ಹೆಚ್ಚಿಸಲಾಗಿದೆ.
• ಹಣದುಬ್ಬರ ಪ್ರವೃತ್ತಿಯನ್ನು ಅನ್ವಯಿಸದೆ ಹಳೆಯ ಹಾನಿಯನ್ನು ಬಳಸುವುದು. 2019 ರ ಹಾನಿ ಇಂದಿನ ಬೆಲೆಯಂತೆಯೇ ಅಲ್ಲ; ಪ್ರವೃತ್ತಿ ತಿದ್ದುಪಡಿ ಅಗತ್ಯ.
• ಬಲಕ್ಕೆ ಓರೆಯಾದ ಡೇಟಾಗೆ ಸಾಮಾನ್ಯ ವಿತರಣೆಯನ್ನು ಹೊಂದಿಸುವುದು. ಋಣಾತ್ಮಕ ಮೌಲ್ಯ ಮತ್ತು ಸಮ್ಮಿತಿಯ ಊಹೆಯು ಡೇಟಾ ಹಾನಿಗೆ ವಿರುದ್ಧವಾಗಿದೆ; ಗಾಮಾ/ಲಾಗ್ನಾರ್ಮಲ್ ಎಂದು ಯೋಚಿಸಿ.
• ಫಿಟ್ ಪರೀಕ್ಷೆಯೊಂದಿಗೆ ವಿತರಣಾ ಆಯ್ಕೆಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತಿಲ್ಲ. AI ನ ಪ್ರಸ್ತಾಪವು ಪ್ರಾರಂಭವಾಗಿದೆ; Q-Q, K-S, AIC ನೊಂದಿಗೆ ದೃಢೀಕರಿಸಿ.

ಗಮನ: ಕ್ಯಾಪ್ (ಕತ್ತರಿಸುವುದು) ಮಟ್ಟವನ್ನು ನಿರಂಕುಶವಾಗಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿಲ್ಲ. ತುಂಬಾ ಕಡಿಮೆ ಸೀಲಿಂಗ್ ಪ್ರಮುಖ ಹಾನಿಯ ಅಪಾಯವನ್ನು ಮರೆಮಾಡುತ್ತದೆ; ತುಂಬಾ ಎತ್ತರದ ಸೀಲಿಂಗ್ ಟ್ರಿಮ್ ಅನ್ನು ಅನುಪಯುಕ್ತವಾಗಿಸುತ್ತದೆ. ಪೋರ್ಟ್‌ಫೋಲಿಯೊದ ಹಿಂದಿನ ಪ್ರಮುಖ ನಷ್ಟದ ಅನುಭವ ಮತ್ತು ಮರುವಿಮೆ ನಿಯಮಗಳನ್ನು ನೋಡುವ ಮೂಲಕ ಆಯ್ಕೆಮಾಡಿ.

ಸಾರಾಂಶದಲ್ಲಿ

ಒಟ್ಟು ಹಾನಿಯನ್ನು ನಿಖರವಾಗಿ ಅಂದಾಜು ಮಾಡುವ ವಿಧಾನವೆಂದರೆ ಅದನ್ನು ಆವರ್ತನ (ಆವರ್ತನ) ಮತ್ತು ತೀವ್ರತೆ (ಪ್ರಮಾಣ) ಎಂದು ವಿಭಜಿಸುವುದು. ಆವರ್ತನವನ್ನು ಪಾಯ್ಸನ್/ಋಣಾತ್ಮಕ ದ್ವಿಪದದಿಂದ ರೂಪಿಸಲಾಗಿದೆ, ಗಾಮಾ/ಲಾಗ್ನಾರ್ಮಲ್‌ನಿಂದ ತೀವ್ರತೆ; ಎರಡನ್ನು ಗುಣಿಸುವ ಮೂಲಕ ಅಪಾಯದ ಪ್ರೀಮಿಯಂ ಅನ್ನು ಕಂಡುಹಿಡಿಯಲಾಗುತ್ತದೆ. ಕಚ್ಚಾ ಡೇಟಾಗೆ ಹೊರಗಿನ ತೆಗೆದುಹಾಕುವಿಕೆ, ಮೊಟಕುಗೊಳಿಸುವಿಕೆ ಮತ್ತು ಟ್ರೆಂಡ್ ತಿದ್ದುಪಡಿಯ ಅಗತ್ಯವಿದೆ. AI ವಿತರಣಾ ಚರ್ಚೆಯು ಕೋಡ್ ಮತ್ತು ಕಾಮೆಂಟ್ ಮಾಡಲು ಅತ್ಯುತ್ತಮ ಸಹಾಯಕವಾಗಿದೆ; ಆದರೆ ವಿತರಣಾ ಆಯ್ಕೆ ಮತ್ತು ಕ್ಯಾಪ್ ನಿರ್ಧಾರವು ಫಿಟ್ ಪರೀಕ್ಷೆಗಳು ಮತ್ತು ಆಕ್ಚುರಿಯಲ್ ತೀರ್ಪಿನಿಂದ ದೃಢೀಕರಿಸಲ್ಪಟ್ಟಿದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಅನಾಮಧೇಯ ಹಾನಿ ಸಾರಾಂಶವನ್ನು ತಯಾರಿಸಿ (ಮಾನ್ಯತೆ, ಹಕ್ಕುಗಳ ಸಂಖ್ಯೆ, ಒಟ್ಟು ಹಾನಿ, ಅಗ್ರ 3-5 ಹಕ್ಕುಗಳು). (ಎ) ಕಚ್ಚಾ ಆವರ್ತನ-ತೀವ್ರತೆ-ಅಪಾಯದ ಪ್ರೀಮಿಯಂ, (ಬಿ) ದೊಡ್ಡ ನಷ್ಟಗಳನ್ನು ಮಿತಿಗೊಳಿಸಲು ಮತ್ತು ಹೊಂದಾಣಿಕೆಯ ಅಪಾಯದ ಪ್ರೀಮಿಯಂ ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು AI ಅನ್ನು ಕೇಳಿ. ಎರಡು ಫಲಿತಾಂಶಗಳನ್ನು ಕೈಯಿಂದ ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಅಪಾಯದ ಪ್ರೀಮಿಯಂ ಅನ್ನು ಎಷ್ಟು ಶೇಕಡಾ ಕ್ಯಾಪಿಂಗ್ ಬದಲಾಯಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ. ನಂತರ AI ಗೆ "ಗಾಮಾ ಅಥವಾ ಹಿಂಸಾಚಾರಕ್ಕೆ ಲಾಗ್ನಾರ್ಮಲ್" ಎಂಬ ಪ್ರಶ್ನೆಯನ್ನು ಕೇಳಿ ಮತ್ತು ನಿಮ್ಮ ಸ್ವಂತ ಮಾತುಗಳಲ್ಲಿ ಅದು ನೀಡುವ ಹೋಲಿಕೆ ಚೌಕಟ್ಟನ್ನು ಸಾರಾಂಶಗೊಳಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಆವರ್ತನ ಮತ್ತು ತೀವ್ರತೆಯನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಿದ್ದೇನೆಯೇ ಅಥವಾ ನಾನು ಅವುಗಳನ್ನು ಒಂದು ತುಣುಕಾಗಿ ನೋಡಿದ್ದೇನೆಯೇ?
• [ ] ನಾನು ಪ್ರಮುಖ/ತೀವ್ರ ಹಾನಿಯನ್ನು ಗುರುತಿಸಿದ್ದೇನೆ ಮತ್ತು ಅದನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ವ್ಯವಹರಿಸಿದ್ದೇನೆಯೇ?
• [ ] ನಾನು ಹಳೆಯ ಹಕ್ಕುಗಳಿಗೆ ಹಣದುಬ್ಬರ/ಟ್ರೆಂಡ್ ಹೊಂದಾಣಿಕೆಯನ್ನು ಅನ್ವಯಿಸಿದ್ದೇನೆಯೇ?
• [ ] ನಾನು ಉತ್ತಮವಾದ ಫಿಟ್ ಪರೀಕ್ಷೆಯೊಂದಿಗೆ ತೀವ್ರತೆಯ ವಿತರಣೆಯನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆಯೇ?
• [ ] ನಾನು ಸ್ವತಂತ್ರವಾಗಿ ಅಪಾಯದ ಪ್ರೀಮಿಯಂ (ಆವರ್ತನ × ತೀವ್ರತೆ) ಅನ್ನು ಮರು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿದ್ದೇನೆಯೇ?
• AI ಸೂಚಿಸಿದ ವಿತರಣೆ ಮತ್ತು ಕ್ಯಾಪ್ ಮಟ್ಟವನ್ನು ನಾನು ಪ್ರಶ್ನಿಸಿದ್ದೇನೆ ಮತ್ತು ಅದನ್ನು ತೀರ್ಪಿನೊಂದಿಗೆ ದೃಢೀಕರಿಸಿದ್ದೇನೆಯೇ?