Пайдалар:
- Жасалма интеллекттин колдоосу менен жалпыланган сызыктуу моделди (GLM), тобокелдик факторун, тарифти жана тобокелдик премиум концепцияларын түзүү жана коэффициенттерди бизнес тилине которуу мүмкүнчүлүгү
- Жасалма интеллект менен машина үйрөнүү моделдеринин (GBM) өзгөрүлмөлөрдү тандоо, өз ара аракеттенүү, ашыкча тууралоо жана чечмелөө балансын талкуулоо мүмкүнчүлүгү
- Баа модели тыюу салынган/басмырлоочу өзгөрмөлөрдөн таза экенин жана акыркы тарифтин мыйзамдарга жана атаандаштыкка шайкештиги актуарийдин өзүндө экенин түшүнүү.
Камсыздандыруу полисинин баасы кокусунан аныкталбайт. Чоң шаарда жашаган 22 жаштагы, жаңы лицензия алган айдоочунун жол кырсыгына кабылуу коркунучу 20 жылдык тажрыйбасы бар 45 жаштагы айдоочуга караганда статистикалык жактан жогору; Адилеттүү системада сыйлыктар да ар түрдүү болушу керек. Бул айырманы өлчөө жана аны баага чагылдыруу боюнча актуарийдин иши баа жана тобокелдик классификациясы деп аталат. Бул бөлүмдө биз жалпыланган сызыктуу моделди (GLM), баанын актуардык негизин жана анын машина үйрөнүү альтернативаларын талкуулайбыз жана бул процессте AIди кантип коопсуз колдонууну көрөбүз.
Бир нече негизги терминдер. Тобокелдик фактору – бул тобокелдикке таасир этүүчү өзгөрмө жана баа түзүүдө (курагы, транспорттун жашы, аймак, максаттуу пайдалануу) колдонулат. Тариф – бул тобокелдик факторлоруна жараша премия кандайча эсептелээрин аныктаган эрежелердин жыйындысы. тобокелдик премиум таза күтүлгөн жоготуу наркы болуп саналат; Чыгымдарды, комиссияларды, пайданын ченемдерин жана капиталдык чыгымдарды кошкондо коммерциялык сыйлык (сатуу баасы) түзүлөт. Башынан эске сала кетели: AI өзгөрмөлөрдү сунуштайт, моделдерди түзөт, коэффициенттерди түшүндүрөт; Бирок кайсы өзгөрмө мыйзамдуу жана этикалык болуп саналат жана акыркы тариф мыйзамдарга жана атаандаштыкка ылайык келеби, актуарийге жана комплаенс бөлүмүнө тиешелүү.
Эмне үчүн GLM актуардык стандарт болуп саналат
Баа коюуда эң көп колдонулган ыкма GLM. GLM "жалпыланган сызыктуу модель" дегенди билдирет: ал классикалык сызыктуу регрессияны нормалдуу бөлүштүрүлбөгөн максаттарга, мисалы, зыяндын маалыматтарына туура келтирет. Анын эки негизги компоненти бар. Бөлүштүрүү үй-бүлөсү: Жыштык үчүн Пуассон, интенсивдүүлүк үчүн гамма тандалат (2-бирдикте логика). Шилтеме функциясы (шилтеме): көбүнчө логарифмдик, бул факторлорго мультипликативдик эффект берүүгө мүмкүндүк берет. Мультипликативдик структура актуардык жактан абдан баалуу, анткени тариф так ушундай түзүлөт: базалык премиум × жаш фактор × регион фактору × унаа фактору.
GLMдин эң чоң артыкчылыгы – чечмелөө мүмкүнчүлүгү. Коэффи-циент тузден-туз мындай дейт: «Жаш айдоочулар тобу референттик группага салыштырганда жыштыкты 1,6 эсеге жогорулатат». Бул ачыктык үч жагынан маанилүү: (1) жөнгө салуучу жана ички аудит моделди түшүнүп, беките алат; (2) тыюу салынган/басмырлоочу таасир көрүнсө; (3) баа логикасын сатуу жана башкаруу командасына түшүндүрсө болот. Көбүрөөк татаал машина үйрөнүү моделдери (төмөндө) кээде жогорку тактыкты берет, бирок ачыктыктын эсебинен.
Ишара: GLM коэффициенти лог шкала боюнча. AIдан коэффициентти exp(коэффициент) менен "көбөйтүүчү факторго" айландырышын сураныңыз; Ишкердик тилге которуу бир топ жеңил болмок (мисалы, коэффициент 0,47 → фактор ≈ 1,60 → “60% коркунучтуу”).
Өзгөрмө тандоо, ашыкча тууралоо жана машина үйрөнүү
Баа түзүүдөгү эң маанилүү чечим - бул моделде кайсы өзгөрмөлөр кала турганы. Эки капкан бар. Бир нече өзгөрмөлөр моделди сокур кылат: эгерде маанилүү тобокелдиктин айдоочусу өтүп кетсе, анда баа туура эмес болуп калат. Өтө өзгөрүлмө / ашыкча тууралоо моделди мурунку маалыматтарды эстеп калууга мажбурлайт: модель сигнал үчүн ызы-чууну ката кетирет жана жаңы саясаттар менен иштебей калат. Баланс кайчылаш валидация аркылуу түзүлөт — маалыматтарды окутуу жана тесттик бөлүктөргө бөлүү жана аны модель көрбөгөн маалыматтарга, жөнөкөйлүккө жана актуардык ой жүгүртүүгө сыноо.
Өз ара аракеттенүү да маанилүү: кээде эки фактордун биргелешкен таасири алардын өзүнчө эффекттеринин суммасынан айырмаланат (жаш + спорттук унаа, алардын жеке эффекттеринин суммасына караганда кооптуураак болушу мүмкүн). GLMде өз ара аракеттенүүлөр ачык түрдө кошулат.
Акыркы жылдары, GBM (градиентти жогорулатуучу машина — көптөгөн кичинекей чечим дарактарын бириктирген күчтүү машина үйрөнүү ыкмасы) сыяктуу моделдер баада кеңири таралган. Булар автоматтык түрдө татаал үлгүлөрдү жана өз ара аракеттенүүнү кармап, көбүнчө GLMге караганда так божомолдорду берет. Бирок анын баасы: "кара куту" болуу тенденциясы. Бүгүнкү күндө кеңири таралган практика - бул ачылыш жана идеяларды түзүү үчүн GBMди жана акыркы ачык-айкын тариф үчүн GLMди колдонуу; же GBM чыгарууну SHAP сыяктуу түшүндүрмө куралдар менен чечмелөө.
Төмөнкү таблица эки ыкманы салыштырат:
критерий
GLM
GBM (машина үйрөнүү)
Interpretability
Жогорку (коэффициент күйүк)
Төмөн (аннотация куралын талап кылат)
Өз ара аракеттенүү
Кол менен кошулган
автоматтык
Ашыкча кирүү коркунучу
төмөн-орто
Жогорку (кылдат тууралоо талап кылынат)
Жөнгө салуучу/аудиттин макулдугу
жеңил
Кыйын, кошумча документтерди талап кылат
Типтүү колдонуу
акыркы тариф
ачылыш, салыштыруу
Баа коюуда AI кантип колдонсо болот
1) GLM коэффициентин бизнес тилине которуу:
Мен жыштык GLM (Пуассон, журнал шилтеме) орноткон. Кээ бир коэффициенттер (лог шкаласы): age_group_18_25: 0,47 ; region_majority: 0.22 ; arac_yasi_10plus: -0,15. Ар бирин exp() менен көбөйтүүчү факторго айландырыңыз жана аны менеджер түшүнө турган бир сүйлөм менен түшүндүрүңүз. Ошондой эле маалымдама тобу деген эмне экенин эскерт.
2) өзгөрмө/өз ара талкуу:
Сиздин ролуңуз: баа боюнча жардамчы. Трафик жыштыгынын модели үчүн менин талапкер өзгөрмөлөрүм: жаш, жыныс, аймак, унаанын жашы, кыймылдаткыч күчү, жылдык км, кесип. - Регулятивдик/этикалык көз карашта кайсы өзгөрмөлөр кооптуу болушу мүмкүн (мисалы, кыйыр басмырлоо)? - Кайсы эки тараптуу өз ара аракеттенүүнүн мааниси бар? - Ашыкча толтурбоо үчүн кандай текшерүү кадамдарын аткарышым керек? чечим кабыл алуу; Мага көзөмөл жана талкуу үчүн негиз бер.
3) Ашыкча башкаруу коду:
Python + scikit-learn / statsmodels аркылуу k-кабат кайчылаш текшерүүсү менен GLMди баалаган комментарийленген кодду жазыңыз. Метрика катары Пуассондун четтөөсүн колдонуңуз. Тренинг менен тесттин упайларын салыштырыңыз жана комментарийлер сабында ашыкча белгини кантип окуу керектигин түшүндүрүңүз. Китепкана жасалма.
4) Дискриминация/суррогат өзгөрмөлөрдү скрининг:
"Почта индекси" менин баа моделимде күчтүү өзгөрмө болуп чыкты. Бул кыйыр түрдө тыюу салынган өзгөчөлүктү (мисалы, улут, киреше) прокси өзгөрмө катары көрсөтүү коркунучун түшүндүрүңүз. - Бул тобокелдикти текшерүү үчүн кандай анализ жасашым керек? - Тобокелди азайтуунун кандай альтернативалары бар? Юридикалык консультацияларды берүү; техникалык жана этикалык негизди түзүү.
Алсыз тездик / Күчтүү тездик
Алсыз билдирүү:
Жол кыймылын камсыздандыруу үчүн эң мыкты баа моделин түзүү.
"Мыкты" аныкталбаган; Эч кандай маалымат, эч кандай чектөө, эч кандай мыйзам. AI жалпы, колдонууга мүмкүн эмес жооп берет.
Күчтүү билдирүү:
Сиздин ролуңуз: баа актуарийинин жардамчысы. Контекст: Мен трафик тармагынын жыштык моделин куруп жатам, GLM (Пуассон, журнал шилтемеси). Менде болгон өзгөрмөлөр: жаш курагы, транспорттун жашы, аймак (облус), жылдык км, максаттуу пайдалануу. Чектөө: гендердик мыйзам тарабынан колдонулушу мүмкүн эмес; Мен кыйыр дискриминациядан оолак болушум керек.Тапшырма:1) Бул өзгөрмөлөр менен баштапкы моделдин спецификациясын сунуштаңыз (анын ичинде шилтеме топтору).2) Мен аракет кылышым керек болгон 2 өз ара аракеттенүүнүн себептерин айтыңыз.3) Ашыкча туура келгендигин текшерүү үчүн кадамдардын тизмесин бериңиз.4) Кыйыр басмырлоо боюнча "регион" үчүн өзгөчө көңүл буруңуз. Мен чечим кабыл алам; Сиз негизди жана негизди бересиз.
үч мини учурлар
1-жагдай — айкындуулуктун мааниси. Компания жөнгө салуучуга GBM менен курулган абдан так баа моделин сунуштады, бирок коэффициенттерди түшүндүрө алган жок; бекитүү кечиктирилди. Актуарий ошол эле сигналдарды кабыл алган GLMди курган; Тактык 2 пайызга төмөндөдү, бирок ар бир факторду эсепке алуу мүмкүн болгондуктан, модель бир айдын ичинде тастыкталды. GBM чалгындоо үчүн сакталды, GLM тариф болуп калды. YZ эки моделдин иштешин салыштырган кодду жана жөнгө салуучу сыпаттаманы тез чыгарды.
2-жагдай - Ашыкча тузак. Жардамчы моделге 40тан ашык өзгөрмөлөрдү жана көптөгөн өз ара аракеттенүүлөрдү кошкондо, машыгуу маалыматтары боюнча эң сонун балл алды. Бирок кайчылаш текшерүүдө тесттин баллы кулады: модель ызы-чууну жаттап алган. Өзгөрмөлөрдүн саны 12ге чейин кыскарып, жөнөкөйлөштүрүлгөндө реалдуу дүйнөдөгү көрсөткүчтөр жогорулаган. Сабак: машыгуу баллына эмес, болуп көрбөгөндөй маалымат баллына караңыз.
3-жагдай – кыйыр басмырлоо. Бир моделде "коңшулук" өзгөрмөсү премиумду катуу түшүндүргөн. Талдоо көрсөткөндөй, бул өзгөрмө этникалык концентрация менен дал келет, б.а., ал тыюу салынган белгинин проксиси болгон. Актуарий бул өзгөрмөнү тобокелдиктин нейтралдуу көрсөткүчтөрү менен алмаштырды (жолдун түрү, унаа токтотуучу жайдын абалы); этикалык жана юридикалык тобокелдиктер азайды. AI корреляциялык анализди өлчөөчү кайталанууларды жана альтернативдик өзгөрмө сунуштарды чыгарды; Чечимди актуарий жана комплаенс бөлүмү кабыл алды.
Жалпы каталар
- Чечмелөө мүмкүн болбогон моделди эң сонун рецепт кылуу. Жөнгө салуучуга, аудитке жана кардарга түшүндүрүүгө мүмкүн болбогон баа туруктуу эмес; Айкындуулук маанилүү.
- Билим берүү баллына таянуу. Ашыкча тууралоо көрүнбөгөн маалыматтарда гана аныкталат (кайчылаш текшерүү).
- Текшербестен тыюу салынган/суррогат өзгөрмөлөрдү колдонуу. Почта индекси жана кесип сыяктуу өзгөрмөлөр кыйыр басмырлоону алып келиши мүмкүн; Аны сынап көрүңүз.
- Тобокелдик премиум менен коммерциялык сыйлыкты чаташтыруу. Таза зыяндын наркы гана сатуу баасы эмес; чыгаша, пайда жана капиталдын наркы кошулат.
- Коэффициентти логдук масштабда калтыруу жана аны туура эмес тушундуруу. Аны exp() менен мультипликатордук факторго айландырбастан комментарийлөө катага алып келет.
Эскертүү: AIнын "эң жакшы тактыкты берген" моделди сунуштоосу автоматтык түрдө "колдонулушу керек" модель эмес. Ачыктык, адилеттүүлүк жана мыйзамдардын сакталышы актуардык бааны түзүүдө милдеттүү критерийлер, ошондой эле тактык болуп саналат.
Кыскача айтканда
Баа түзүү тобокелдик факторлору менен тобокелдикти өлчөө жана аны адилеттүү премиумга айландыруу процесси. GLM – бул мультипликативдик жана чечмелөөгө боло турган түзүмү менен актуардык баанын стандарты; Коэффициенттер exp() менен факторлорго айландырылат. GBM сыяктуу машина үйрөнүү моделдери так болушу мүмкүн, бирок алар ачыктыкты азайтат жана адатта ачылыш үчүн колдонулат. Өзгөрмөлөрдү тандоо кайчылаш валидация аркылуу ашыкча тууралоодон корголушу керек жана кыйыр дискриминация (суррогат өзгөрмө) кылдаттык менен көзөмөлдөнүшү керек. AI моделди түзөт, код жазат жана коэффициентти түшүндүрөт; Бирок укуктук-этикалык шайкештик жана акыркы тариф актуарий жана комплаенс бөлүмүнө таандык.
Колдонмо тапшырмасы
Магистратура үчүн 5-6 тобокелдик факторун тизмектеңиз. AIдан (а) бул факторлор менен GLMдин баштапкы спецификациясын, (б) аракет кылуу үчүн 2 өз ара аракеттенүүнү жана алардын жүйөсүн, (в) кыйыр басмырлоо коркунучуна дуушар болушу мүмкүн болгон өзгөрмөлөрдүн скринингин сураңыз. Андан кийин, 3 лог-коэффициенттерге мисал келтирип, AIдан аны exp() менен мультипликатордук факторго айландырышын жана аны бизнес тилине өткөрүп берүүнү сураныңыз жана факторлорду кол менен текшериңиз.
текшерүү тизмеси
- [ ] Менин моделимди чечмелесе болобу; Ар бир фактордун таасирин бизнес тилине которо аламбы?
- [ ] Мен кайчылаш текшерүү аркылуу ашыкча тууралоону текшердимби?
- [ ] Тыюу салынган жана прокси өзгөрмөлөр үчүн кыйыр дискриминацияны текшердимби?
- [ ] Мен тобокелдик премиумду коммерциялык премиумдан билип туруп ажыраттымбы?
- [ ] Мен exp() менен коэффициенттерди көбөйткүчкө айландырып, аларды туура чечмеледимби?
- [ ] Мен акыркы тарифтик чечимди мыйзамдар жана талаптарды сактоо бөлүмү менен бирге кабыл алдымбы?