Добивки:
- Способност за воспоставување генерализиран линеарен модел (GLM), фактор на ризик, тарифи и концепти за премија на ризик со поддршка на вештачка интелигенција и преведување на коефициентите на деловен јазик
- Способност да се разговара за рамнотежата на изборот на променливи, интеракцијата, преоптоварувањето и интерпретабилноста на моделите за машинско учење (GBM) со вештачка интелигенција
- Способноста да се разбере дека моделот на цени е ослободен од забранети/дискриминаторски променливи и усогласеноста на конечната тарифа со законодавството и конкуренцијата е препуштена на актуарот.
Цената на полисата за осигурување не се одредува случајно. Ризикот од сообраќајна незгода за 22-годишен, новоовластен возач кој живее во голем град е статистички поголем од оној на 45-годишен возач со 20-годишно искуство; Во фер систем, премиите исто така треба да бидат различни. Работата на актуарот да ја мери оваа разлика и да ја одрази на цената се нарекува класификација на цени и ризик. Во оваа единица, ќе разговараме за генерализираниот линеарен модел (GLM), актуарскиот столб на цените и неговите алтернативи за машинско учење и ќе видиме како безбедно да се користи вештачката интелигенција во овој процес.
Неколку основни термини. Фактор на ризик е променливата што влијае на ризикот и се користи во одредувањето на цените (возраст, старост на возилото, регион, наменета употреба). Тарифата е збир на правила кои одредуваат како ќе се пресметува премијата според факторите на ризик. Премијата за ризик е чист трошок за очекувана загуба; Кога ќе се додадат трошоците, провизиите, профитните маржи и капиталните трошоци, се формира комерцијалната премија (продажна цена). Да потсетиме од почеток: ВИ предлага променливи, гради модели, објаснува коефициенти; Но, која променлива е легална и етичка и дали конечната тарифа е во согласност со законодавството и конкуренцијата, припаѓа на актуарот и единицата за усогласеност.
Зошто GLM е стандард во актуарскиот
Најкористен метод во одредувањето на цените е GLM. GLM е кратенка за „генерализиран линеарен модел“: ја проширува класичната линеарна регресија за да одговара на ненормално дистрибуирани цели, како што се податоците за оштетување. Има две основни компоненти. Семејство на дистрибуција: Поасон е избран за фреквенција, гама е избрана за интензитет (логика во единица 2). Функција на врска (врска): обично логаритамска, што им овозможува на факторите да имаат мултипликативен ефект. Структурата за мултипликација е многу вредна во актуарската, бидејќи токму така е поставена тарифата: основна премија × фактор на возраст × фактор на регион × фактор на возило.
Најголемата предност на GLM е интерпретабилноста. Коефициентот директно ви кажува: „групата млади возачи ја зголемува фреквенцијата за 1,6 пати во споредба со референтната група“. Оваа транспарентност е критична на три начини: (1) регулаторот и внатрешната ревизија можат да го разберат и одобрат моделот; (2) видлив е забранет/дискриминаторски ефект; (3) цена логика може да се објасни на продажбата и менаџерскиот тим. Покомплексните модели за машинско учење (подолу) понекогаш даваат поголема точност, но на сметка на транспарентноста.
Совет: GLM коефициентот е на скала на евиденција. Побарајте од вештачката интелигенција да го претвори коефициентот во „фактор на множење“ со exp(коефициент); Би било многу полесно да се преведе на деловен јазик (на пр. коефициент 0,47 → фактор ≈ 1,60 → „60% поризично“).
Променлив избор, прекумерно поставување и машинско учење
Најкритичната одлука за цените е кои променливи ќе останат во моделот. Има две стапици. Неколку променливи го заслепуваат моделот: ако се пропушти важниот двигател на ризикот, цената ќе биде погрешна. Премногу променливо / преоптоварување го прави моделот да ги меморира минатите податоци: моделот греши на шумот како сигнал и не успева со новите политики. Рамнотежата се воспоставува преку вкрстена валидација - делење на податоците на обуки и тест парчиња и нивно тестирање на податоци што моделот не ги гледа, едноставност и актуарско расудување.
Интеракцијата е исто така важна: понекогаш комбинираниот ефект на два фактори се разликува од збирот на нивните посебни ефекти (младо + спортско возило може да биде поризично од збирот на нивните индивидуални ефекти). Во GLM, интеракциите се додаваат експлицитно.
Во последниве години, моделите како GBM (машина за засилување на градиент - моќен метод за машинско учење што комбинира многу мали стебла на одлуки) станаа вообичаени во цените. Овие автоматски доловуваат сложени обрасци и интеракции, честопати даваат попрецизни предвидувања од GLM. Но, тоа има своја цена: тенденцијата да се биде „црна кутија“. Вообичаена практика денес е да се користи GBM за откривање и генерирање идеи и GLM за конечна транспарентна тарифа; или интерпретирање на излезот GBM со алатки за објаснување како што е SHAP.
Следната табела ги споредува двата пристапа:
критериум
GLM
GBM (машинско учење)
Толкливост
Висок (вклучен коефициент)
Ниско (потребна е алатка за прибелешки)
Снимање на интеракција
Додадено рачно
автоматски
Ризик од преоптоварување
ниско-средно
Високо (потребно е внимателно прилагодување)
Одобрување од регулатор/ревизија
лесно
Тешко, бара дополнителна документација
Типична употреба
конечна тарифа
откривање, споредба
Како да се користи вештачката интелигенција во цените
1) Преведување на коефициентот GLM на деловен јазик:
Поставив фреквенција GLM (Poisson, log link). Некои коефициенти (логична скала): старосна_група_18_25: 0,47 ; регион_мнозинство: 0,22 ; arac_yasi_10плус: -0,15. Претворете го секој во множител со exp() и објаснете го во една реченица што менаџерот може да ја разбере. Потсетете и која е референтната група.
2) Дискусија за променлива/интеракција:
Вашата улога: асистент за цени. Моите кандидатски варијабли за моделот на фреквенција на сообраќај се: возраст, пол, регион, старост на возилото, моќност на моторот, годишен км, професија. - Кои варијабли може да бидат ризични од регулаторна/етичка перспектива (на пр. индиректна дискриминација)? - Кои билатерални интеракции би имале смисла да се обидат? - Кои чекори за проверка треба да ги следам за да избегнам преоптоварување? Донесување одлуки; Дајте ми рамка за контрола и дискусија.
3) Контролен код за прекумерно поставување:
Напишете коментиран код кој оценува GLM со вкрстена валидација со k-пати користејќи Python + scikit-learn / statsmodels. Користете Поасонова девијација како метрика. Споредете ги резултатите од обуката и тестовите и објаснете во линијата за коментари како да го прочитате знакот за надградба. Библиотеката е лажна.
4) Дискриминација/сурогат променлива скрининг:
„Поштенски код“ се покажа како силна променлива во мојот модел на цени. Објаснете го ризикот ова индиректно да претставува забранета карактеристика (на пр. етничка припадност, приход) како прокси променлива. - Каква анализа треба да направам за да го тестирам овој ризик? - Кои алтернативи постојат за да се намали ризикот? Давање правен совет; нацртајте техничка и етичка рамка.
Слаб промпт / Силен промпт
Слаба навестување:
Воспоставете го најдобриот модел на цени за сообраќајно осигурување.
„Најдобро“ е недефинирано; Без податоци, без ограничувања, без законска регулатива. ВИ дава генерички, неприменлив одговор.
Моќен потсетник:
Вашата улога: помошник на актуар за цени. Контекст: Градам модел на фреквенција на сообраќајна гранка, GLM (Poisson, log link). Променливите што ги имам: возрасна група, старост на возилото, регион (провинција), годишен km, наменета употреба. Ограничување: родот не може да се користи со законодавство; Треба да избегнам индиректна дискриминација. Задача: 1) Предложете ја почетната спецификација на моделот со овие променливи (вклучувајќи ги и референтните групи).2) Наведете причини за 2 интеракции што треба да ги обидам.3) Дајте листа на чекори за проверка на надградбата.4) Додадете посебна забелешка за „регион“ во однос на индиректна дискриминација. Јас ќе ја донесам одлуката; Вие давате рамка и оправдување.
три мини футроли
Случај 1 - Вредноста на транспарентноста. Една компанија му претстави на регулаторот многу точен модел на цени што го изгради со GBM, но не можеше да ги објасни коефициентите; одобрувањето е одложено. Актуарот конструирал GLM кој ги доловувал истите сигнали; Точноста падна за 2 отсто, но бидејќи можеше да се земе предвид секој фактор, моделот беше потврден во рок од еден месец. GBM беше зачуван за извидување, GLM стана тарифа. YZ брзо го произведе кодот и описот на регулаторот споредувајќи ги перформансите на двата модели.
Случај 2 - Замка за преоптоварување. Помошник доби совршен резултат на податоците за обуката кога додаде повеќе од 40 променливи и бројни интеракции на моделот. Но, при вкрстена валидација, резултатот од тестот пропадна: моделот ја меморирал бучавата. Перформансите во реалниот свет се зголемија кога бројот на променливи беше намален на 12 и поедноставен. Поука: погледнете го резултатот на податоци без преседан, а не резултатот од обуката.
Случај 3 - Индиректна дискриминација. Во еден модел, променливата „соседство“ силно ја објасни премијата. Анализата покажа дека оваа променлива во голема мера се поклопува со етничката концентрација, т.е. е прокси за забранета карактеристика. Актуарот ја замени оваа променлива со понеутрални индикатори за ризик (тип на пат, состојба на паркирање); и етичките и правните ризици се намалени. Вештачката интелигенција произведе корелација анализа која го мери преклопувањето и алтернативните предлози за променливи; Актуарската единица и единицата за усогласеност ја донесоа одлуката.
Вообичаени грешки
- Направете го неинтерпретабилниот модел врвен рецепт. Цената што не може да се објасни на регулаторот, ревизијата и клиентот е неодржлива; Транспарентноста е од суштинско значење.
- Потпирајќи се на оценката за образование. Прекумерното поставување се открива само во невидени податоци (вкрстена валидација).
- Користење на забранети/сурогат променливи без проверка. Променливите како поштенски код и занимање може да носат индиректна дискриминација; Задолжително тестирајте го.
- Збунувачки премија за ризик со комерцијална премија. Чистата цена на штета сама по себе не е продажната цена; се додаваат расходите, добивката и трошоците на капиталот.
- Оставање на коефициентот на логова скала и погрешно толкување. Коментирајќи без да го конвертирате во фактор на мултипликатор со exp() ќе предизвика грешка.
Внимание: Препораката на вештачката интелигенција за моделот што „дава најдобра точност“ не е автоматски моделот што „треба да се користи“. Транспарентноста, правичноста и усогласеноста со законодавството се задолжителни критериуми, како и точноста во актуарските цени.
Сумирано
Одредувањето на цените е процес на мерење на ризикот со фактори на ризик и негово претворање во правична премија. GLM е стандард за актуарско оценување со неговата мултипликативна и интерпретабилна структура; Коефициентите се претвораат во фактори со exp(). Моделите за машинско учење како GBM можеби се попрецизни, но ја намалуваат транспарентноста и обично се користат за откривање. Изборот на променливата треба да биде заштитен од прекумерно вклопување со вкрстена валидација, а индиректната дискриминација (сурогат променлива) треба внимателно да се контролира. AI го гради моделот, пишува код и го објаснува коефициентот; Но, правно-етичката усогласеност и конечната тарифа припаѓаат на актуарската единица и единицата за усогласеност.
Задача за апликација
Наведете 5-6 фактори на ризик за специјалност. Побарајте од вештачката интелигенција (а) почетна спецификација на GLM со овие фактори, (б) 2 интеракции што треба да се обидат и нивното образложение, (в) проверка на променливите кои можат да бидат изложени на ризик за индиректна дискриминација. Потоа, наведете пример од 3 лог-коефициенти, побарајте од вештачката интелигенција да го претвори во фактор на мултипликатор со exp() и да го пренесе на деловниот јазик и рачно да ги потврди факторите.
листа за проверка
- [ ] Може ли да се толкува мојот модел; Може ли да го преведам влијанието на секој фактор на деловен јазик?
- [ ] Дали проверив дали има прекумерно поставување со вкрстена валидација?
- [ ] Дали скенирав за индиректна дискриминација за забранети и прокси променливи?
- [ ] Дали свесно ја одвоив премијата за ризик од комерцијалната премија?
- [ ] Дали ги конвертирав коефициентите во множители со exp() и правилно ги интерпретирав?
- [ ] Дали ја донесов конечната тарифна одлука заедно со законодавството и единицата за усогласеност?