ਕੀਮਤ ਅਤੇ ਐਕਚੁਰੀਅਲ ਵਿਸ਼ਲੇਸ਼ਣ ਸਮਰਥਨ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ

ਲਾਭ:

• ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਨਾਲ ਅਸਲ ਸੰਕਲਪਾਂ ਜਿਵੇਂ ਕਿ ਨੁਕਸਾਨ ਦੀ ਬਾਰੰਬਾਰਤਾ, ਨੁਕਸਾਨ ਦੀ ਤੀਬਰਤਾ ਅਤੇ ਪ੍ਰੀਮੀਅਮ ਦੀ ਯੋਗਤਾ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣ ਡਰਾਫਟ ਤਿਆਰ ਕਰਨਾ
• ਮੁੱਲ ਨਿਰਧਾਰਨ ਮਾਡਲ ਆਉਟਪੁੱਟ, ਡੇਟਾ ਗੁਣਵੱਤਾ ਅਤੇ ਸੁਤੰਤਰ ਲੇਖਾਕਾਰੀ ਅਤੇ ਅਸਲ ਸਿਧਾਂਤਾਂ ਦੇ ਵਿਰੁੱਧ ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਇਹ ਸਮਝਣ ਦੀ ਯੋਗਤਾ ਕਿ ਅੰਤਮ ਟੈਰਿਫ ਅਤੇ ਤਕਨੀਕੀ ਵਿਵਸਥਾ ਦੇ ਫੈਸਲੇ ਸਮਰੱਥ ਐਕਚੁਅਰੀਆਂ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹਨ ਅਤੇ ਇਹ ਕਿ ਨਕਲੀ ਬੁੱਧੀ ਸਿਰਫ ਇੱਕ ਸਹਾਇਤਾ ਸਾਧਨ ਹੈ

ਬੀਮੇ ਦੀ ਕੀਮਤ ਕੋਈ ਇਤਫ਼ਾਕ ਨਹੀਂ ਹੈ; ਇਹ ਗਣਿਤਕ ਤੌਰ 'ਤੇ ਗਿਣਿਆ ਜਾਂਦਾ ਹੈ। ਐਕਚੁਅਰੀ (ਬੀਮੇ ਵਿੱਚ ਮੁਹਾਰਤ ਦਾ ਖੇਤਰ ਜੋ ਸੰਭਾਵਨਾ ਅਤੇ ਅੰਕੜਿਆਂ ਨਾਲ ਜੋਖਮ ਨੂੰ ਮਾਪਦਾ ਹੈ ਅਤੇ ਪ੍ਰੀਮੀਅਮ, ਵਿਵਸਥਾ ਅਤੇ ਕਵਰੇਜ ਦੇ ਸੰਤੁਲਨ ਨੂੰ ਸਥਾਪਿਤ ਕਰਦਾ ਹੈ) ਇਸ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ "ਇਸ ਜੋਖਮ ਨਾਲ ਔਸਤਨ ਸਾਨੂੰ ਕੀ ਖਰਚਾ ਆਵੇਗਾ ਅਤੇ ਅਸੀਂ ਇਸਨੂੰ ਇੱਕ ਨਿਰਪੱਖ ਪ੍ਰੀਮੀਅਮ ਨਾਲ ਕਿਵੇਂ ਕਵਰ ਕਰ ਸਕਦੇ ਹਾਂ?" ਐਕਚੁਅਰੀ (ਯੋਗ ਮਾਹਰ ਜੋ ਇਹ ਗਣਨਾ ਕਰਦਾ ਹੈ ਅਤੇ ਕਾਨੂੰਨੀ ਤੌਰ 'ਤੇ ਜ਼ਿੰਮੇਵਾਰ ਹੈ) ਨੁਕਸਾਨ ਦੇ ਅੰਕੜਿਆਂ, ਰੁਝਾਨਾਂ ਅਤੇ ਧਾਰਨਾਵਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰਦਾ ਹੈ ਅਤੇ ਟੈਰਿਫ (ਕੀਮਤ ਪੈਮਾਨੇ) ਅਤੇ ਤਕਨੀਕੀ ਵਿਵਸਥਾਵਾਂ (ਭਵਿੱਖ ਦੇ ਦਾਅਵਿਆਂ ਲਈ ਵੱਖਰਾ ਰੱਖਿਆ ਗਿਆ ਪੈਸਾ) ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (ਸਾਫਟਵੇਅਰ ਜੋ ਡੇਟਾ ਤੋਂ ਪੈਟਰਨ ਸਿੱਖਦਾ ਹੈ ਅਤੇ ਟੈਕਸਟ, ਵਰਣਨ ਅਤੇ ਰੂਪਰੇਖਾ ਤਿਆਰ ਕਰਦਾ ਹੈ) ਇਸ ਭਾਰੀ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਕੰਮ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਕ ਹੈ: ਸੰਕਲਪਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ, ਡੇਟਾ ਦਾ ਸਾਰ ਦੇਣਾ, ਡਰਾਫਟ ਵਿਸ਼ਲੇਸ਼ਣ, ਸੁਝਾਅ ਕੋਡ ਅਤੇ ਫਾਰਮੂਲਾ। ਪਰ ਵਾਸਤਵਿਕ ਫੈਸਲੇ 'ਤੇ ਦਸਤਖਤ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਹੁੰਦੀ ਹੈ; ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇਹ ਦਸਤਖਤ ਨਹੀਂ ਕਰ ਸਕਦੀ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਨਕਲੀ ਬੁੱਧੀ ਨਾਲ ਬੁਨਿਆਦੀ ਐਚੁਰੀਅਲ ਸੰਕਲਪਾਂ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਿਵੇਂ ਕਰਨਾ ਹੈ ਅਤੇ ਸੁਤੰਤਰ ਗਣਨਾਵਾਂ ਅਤੇ ਐਚੁਰੀਅਲ ਸਿਧਾਂਤਾਂ ਦੇ ਵਿਰੁੱਧ ਆਉਟਪੁੱਟ ਦੀ ਜਾਂਚ ਕਿਵੇਂ ਕਰਨੀ ਹੈ।

ਬੁਨਿਆਦੀ ਧਾਰਨਾਵਾਂ: ਬਾਰੰਬਾਰਤਾ, ਤੀਬਰਤਾ ਅਤੇ ਪ੍ਰੀਮੀਅਮ ਪੂਰਤੀ

ਤਿੰਨ ਧਾਰਨਾਵਾਂ ਕੀਮਤ ਦੀ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਬਣਾਉਂਦੀਆਂ ਹਨ:

• ਦਾਅਵੇ ਦੀ ਬਾਰੰਬਾਰਤਾ: ਇੱਕ ਦਿੱਤੀ ਮਿਆਦ ਵਿੱਚ ਪ੍ਰਤੀ ਪਾਲਿਸੀ (ਜਾਂ ਯੂਨਿਟ) ਦਾਅਵਿਆਂ ਦੀ ਸੰਖਿਆ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ 1,000 ਕਾਰ ਬੀਮਾ ਪਾਲਿਸੀਆਂ ਵਿੱਚ ਪ੍ਰਤੀ ਸਾਲ 45 ਦਾਅਵੇ ਹੁੰਦੇ ਹਨ, ਤਾਂ ਬਾਰੰਬਾਰਤਾ 0.045 (ਅਰਥਾਤ 4.5%) ਹੈ।
• ਨੁਕਸਾਨ ਦੀ ਤੀਬਰਤਾ: ਪ੍ਰਤੀ ਦਾਅਵੇ ਦਾ ਭੁਗਤਾਨ ਕੀਤੀ ਗਈ ਔਸਤ ਰਕਮ। ਜੇਕਰ ਇੱਕੋ ਪੋਰਟਫੋਲੀਓ ਵਿੱਚ 45 ਨੁਕਸਾਨਾਂ ਲਈ ਕੁੱਲ 3,150,000 TL ਦਾ ਭੁਗਤਾਨ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਤੀਬਰਤਾ 70,000 TL ਹੈ।
• ਸੰਭਾਵਿਤ ਨੁਕਸਾਨ ਦੀ ਲਾਗਤ (ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ): ਬਾਰੰਬਾਰਤਾ × ਗੰਭੀਰਤਾ। ਉਦਾਹਰਨ ਵਿੱਚ, 0.045 × 70,000 = 3,150 TL। ਇਹ ਪ੍ਰਤੀ ਪਾਲਿਸੀ ਦੀ ਉਮੀਦ ਕੀਤੀ ਸ਼ੁੱਧ ਨੁਕਸਾਨ ਦੀ ਲਾਗਤ ਹੈ; ਕੁੱਲ ਪ੍ਰੀਮੀਅਮ ਉਦੋਂ ਬਣਦਾ ਹੈ ਜਦੋਂ ਖਰਚੇ, ਕਮਿਸ਼ਨ ਅਤੇ ਲਾਭ ਮਾਰਜਿਨ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ।
• ਪ੍ਰੀਮੀਅਮ ਦੀ ਯੋਗਤਾ: ਕੀ ਇਕੱਠਾ ਕੀਤਾ ਪ੍ਰੀਮੀਅਮ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨਾਂ ਅਤੇ ਖਰਚਿਆਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਕਾਫੀ ਹੈ। ਨਾਕਾਫ਼ੀ ਬੋਨਸ ਕੰਪਨੀ ਨੂੰ ਘਾਟੇ ਵਿੱਚ ਪਾਉਂਦਾ ਹੈ; ਬਹੁਤ ਜ਼ਿਆਦਾ ਪ੍ਰੀਮੀਅਮ ਗੈਰ-ਮੁਕਾਬਲੇ ਅਤੇ ਅਨੁਚਿਤ ਕੀਮਤ ਬਣਾਉਂਦਾ ਹੈ।

AI ਇਹਨਾਂ ਸੰਕਲਪਾਂ ਨੂੰ ਸਮਝਾਉਣ, ਡੇਟਾ ਸੈੱਟ ਤੋਂ ਬਾਰੰਬਾਰਤਾ/ਤੀਬਰਤਾ ਦੇ ਸੰਖੇਪ ਨੂੰ ਕੱਢਣ, ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਕਦਮਾਂ ਦੀ ਰੂਪਰੇਖਾ ਬਣਾਉਣ ਵਿੱਚ ਬਹੁਤ ਉਪਯੋਗੀ ਹੈ। ਹਾਲਾਂਕਿ, ਤੁਹਾਨੂੰ ਹਮੇਸ਼ਾਂ ਸੰਖਿਆਤਮਕ ਨਤੀਜੇ ਦੀ ਮੁੜ ਗਣਨਾ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।

ਨੁਕਤਾ: ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ "ਸੰਖਿਆਤਮਕ ਉਦਾਹਰਨ ਦੇ ਨਾਲ, ਜਿਵੇਂ ਕਿ 10 ਵੀਂ ਜਮਾਤ ਦੇ ਵਿਦਿਆਰਥੀ ਨੂੰ ਸਮਝਾਉਣਾ" ਇੱਕ ਅਸਲ ਸੰਕਲਪ ਨੂੰ ਸਮਝਾਉਣਾ ਟੀਮ ਦੀ ਸਿਖਲਾਈ ਅਤੇ ਗਾਹਕ ਨੂੰ ਸਮਝਾਉਣ ਦੋਵਾਂ ਵਿੱਚ ਬਹੁਤ ਲਾਭਦਾਇਕ ਹੈ। ਪਰ ਸੰਖਿਆ ਦੀ ਜਾਂਚ ਕਰੋ: ਮਾਡਲ ਗੁਣਾ ਵੀ ਗਲਤ ਹੋ ਸਕਦਾ ਹੈ।

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਐਕਚੁਰੀਅਲ ਵਿੱਚ ਕਿੱਥੇ ਖੜ੍ਹੀ ਹੈ

ਐਕਚੁਅਰੀ ਵਿੱਚ ਲਾਲ ਲਾਈਨ ਸਪੱਸ਼ਟ ਹੈ: ਅੰਤਮ ਟੈਰਿਫ, ਤਕਨੀਕੀ ਪ੍ਰਬੰਧ ਅਤੇ ਪ੍ਰੀਮੀਅਮ ਦੀ ਯੋਗਤਾ ਦਾ ਫੈਸਲਾ ਸਮਰੱਥ ਐਕਚੁਰੀ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ। AI ਹੇਠਾਂ ਦਿੱਤੇ ਕੰਮਾਂ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ: ਸੰਕਲਪ ਸਪਸ਼ਟੀਕਰਨ, ਡੇਟਾ ਸੰਖੇਪ, ਖੋਜੀ ਵਿਸ਼ਲੇਸ਼ਣ ਰੂਪਰੇਖਾ, ਫਾਰਮੂਲਾ/ਕੋਡ ਸੁਝਾਅ, ਨਤੀਜੇ ਵਾਲੇ ਟੈਕਸਟ ਨੂੰ ਪੜ੍ਹਨਯੋਗ ਬਣਾਉਣਾ। ਹੇਠਾਂ ਦਿੱਤੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਇਸਦਾ ਅੰਤਮ ਕਹਿਣਾ ਨਹੀਂ ਹੋ ਸਕਦਾ: ਟੈਰਿਫ ਨੂੰ ਮਨਜ਼ੂਰੀ ਦੇਣਾ, ਵਿਵਸਥਾ ਦੀ ਯੋਗਤਾ ਦਾ ਐਲਾਨ ਕਰਨਾ, ਧਾਰਨਾਵਾਂ ਨੂੰ ਅੰਤਿਮ ਮੰਨਣਾ। ਕਿਉਂਕਿ ਇਹ ਫੈਸਲੇ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਕੰਪਨੀ ਦੀ ਵਿੱਤੀ ਸਿਹਤ ਅਤੇ ਗਾਹਕ ਦੇ ਉਚਿਤ ਕੀਮਤ ਦੇ ਅਧਿਕਾਰ ਦੋਵਾਂ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦੇ ਹਨ ਅਤੇ ਕਾਨੂੰਨ (SEDDK - ਬੀਮਾ ਅਤੇ ਪ੍ਰਾਈਵੇਟ ਪੈਨਸ਼ਨ ਰੈਗੂਲੇਸ਼ਨ ਅਤੇ ਨਿਗਰਾਨੀ ਏਜੰਸੀ ਨਿਯਮ) ਦੇ ਅਧੀਨ ਹਨ।

ਧਿਆਨ ਦਿਓ: ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਇੱਕ ਟੈਰਿਫ ਜਾਂ ਦਰ ਨੂੰ ਡਾਟਾ ਗੁਣਵੱਤਾ ਅਤੇ ਧਾਰਨਾਵਾਂ ਦੀ ਸੁਤੰਤਰ ਜਾਂਚ ਤੋਂ ਬਿਨਾਂ ਪ੍ਰਕਾਸ਼ਿਤ ਨਹੀਂ ਕੀਤਾ ਜਾਵੇਗਾ। ਇੱਕ ਗਲਤ ਧਾਰਨਾ (ਜਿਵੇਂ ਕਿ ਮਹਿੰਗਾਈ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ) ਪੂਰੇ ਪੋਰਟਫੋਲੀਓ ਨੂੰ ਨੁਕਸਾਨ ਦੇ ਰਾਹ ਵਿੱਚ ਪਾ ਸਕਦਾ ਹੈ।

ਕਦਮ-ਦਰ-ਕਦਮ: ਡਰਾਫਟ AI-ਸਹਾਇਕ ਐਚੁਰੀਅਲ ਵਿਸ਼ਲੇਸ਼ਣ

1. ਗੁਮਨਾਮ ਬਣਾਓ ਅਤੇ ਡੇਟਾ ਦੀ ਪਛਾਣ ਕਰੋ। ਕੋਈ ਨਿੱਜੀ ਡਾਟਾ ਨਹੀਂ; ਸਿਰਫ਼ ਸੰਯੁਕਤ ਸੰਖਿਆ। ਮਿਆਦ, ਪੋਰਟਫੋਲੀਓ ਅਤੇ ਜਮਾਂਦਰੂ ਕਿਸਮ ਨਿਸ਼ਚਿਤ ਕਰੋ।
2. ਸੰਕਲਪ ਅਤੇ ਵਿਧੀ ਨੂੰ ਸਪਸ਼ਟ ਕਰੋ। AI ਨੂੰ ਬਾਰੰਬਾਰਤਾ/ਤੀਬਰਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਕਦਮਾਂ ਦੀ ਰੂਪਰੇਖਾ ਦੱਸਣ ਲਈ ਕਹੋ।
3. ਸਵਾਲ ਡਾਟਾ ਗੁਣਵੱਤਾ. ਕੀ ਗੁੰਮ ਹੋਏ ਡੇਟਾ, ਆਊਟਲੀਅਰ, ਪੀਰੀਅਡ ਬੇਮੇਲ, IBNR (ਦਾਅਵਿਆਂ ਦੀ ਅਜੇ ਰਿਪੋਰਟ ਨਹੀਂ ਕੀਤੀ ਗਈ) ਦੇ ਕੋਈ ਪ੍ਰਭਾਵ ਹਨ?
4. ਧਾਰਨਾਵਾਂ ਨੂੰ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਲਿਖੋ। ਮਹਿੰਗਾਈ, ਰੁਝਾਨ, ਵਿਕਾਸ ਕਾਰਕ ਕਿਸ ਧਾਰਨਾ 'ਤੇ ਅਧਾਰਤ ਹਨ?
5. ਨਤੀਜੇ ਦੀ ਸੁਤੰਤਰ ਗਣਨਾ ਕਰੋ. ਆਪਣੀ ਖੁਦ ਦੀ ਸਪ੍ਰੈਡਸ਼ੀਟ ਨਾਲ ਬਾਰੰਬਾਰਤਾ, ਤੀਬਰਤਾ ਅਤੇ ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ ਨੂੰ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰੋ।
6. ਐਚੁਰੀਅਲ ਸਿਧਾਂਤ ਨਾਲ ਜਾਂਚ ਅਤੇ ਪੁਸ਼ਟੀ ਕਰੋ। ਪ੍ਰੀਮੀਅਮ ਦੀ ਯੋਗਤਾ, ਨਿਰਪੱਖਤਾ ਅਤੇ ਕਾਨੂੰਨ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਇੱਕ ਸਮਰੱਥ ਐਕਟਚੂਰੀ ਮੁਲਾਂਕਣ ਅਤੇ ਸੰਕੇਤ ਕਰਦਾ ਹੈ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਗਲਤ ਧਾਰਨਾ ਨੂੰ ਫੜਨਾ. ਇੱਕ ਸਹਾਇਕ ਐਕਟਚੂਰੀ ਨੂੰ ਆਟੋਮੋਬਾਈਲ ਇੰਸ਼ੋਰੈਂਸ ਟੈਰਿਫ ਲਈ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਤੋਂ ਇੱਕ ਡਰਾਫਟ ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਾਪਤ ਹੋਇਆ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੇ ਪਿਛਲੇ 3 ਸਾਲਾਂ ਦੀ ਔਸਤ ਨੁਕਸਾਨ ਦੀ ਤੀਬਰਤਾ ਨੂੰ 62,000 TL ਵਜੋਂ ਲਿਆ ਅਤੇ ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ ਦੀ ਗਣਨਾ ਕੀਤੀ। ਐਕਟਚੂਰੀ ਨੇ ਮਹਿਸੂਸ ਕੀਤਾ ਕਿ ਹਿੰਸਾ ਨੂੰ ਮਹਿੰਗਾਈ ਦੇ ਮੌਜੂਦਾ ਮੁੱਲ ਲਈ ਐਡਜਸਟ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ: ਮੌਜੂਦਾ ਵਾਹਨਾਂ ਦੀ ਮੁਰੰਮਤ ਦੇ ਖਰਚਿਆਂ ਦੇ ਨਾਲ, ਹਿੰਸਾ ਅਸਲ ਵਿੱਚ $89,000 ਸੀ। ਇਸ ਸੁਧਾਰ ਨੇ ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ ਵਿੱਚ 43% ਦਾ ਵਾਧਾ ਕੀਤਾ। ਸੁਤੰਤਰ ਨਿਯੰਤਰਣ ਤੋਂ ਬਿਨਾਂ, ਟੈਰਿਫ ਗੰਭੀਰ ਤੌਰ 'ਤੇ ਨਾਕਾਫ਼ੀ ਹੋਵੇਗਾ।

ਕੇਸ 2 - ਆਊਟਲੀਅਰ ਦਾ ਵਿਗਾੜ। ਇੱਕ ਪੋਰਟਫੋਲੀਓ ਵਿੱਚ ਕੁੱਲ 500 ਨੁਕਸਾਨ 40,000,000 TL ਦਿਖਾਈ ਦਿੱਤੇ; ਪਰ ਇਸ ਵਿੱਚੋਂ 22,000,000 TL ਇੱਕ ਵੱਡੇ ਅੱਗ ਦੇ ਨੁਕਸਾਨ ਤੋਂ ਸੀ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੇ ਔਸਤ ਹਿੰਸਾ ਨੂੰ 80,000 TL ਦੱਸਿਆ। ਐਕਚੁਅਰੀ ਨੇ ਇਸ ਇੱਕਲੇ ਵੱਡੇ ਨੁਕਸਾਨ ਦਾ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਮੁਲਾਂਕਣ ਕੀਤਾ (ਕਿਉਂਕਿ ਇਹ ਹਰ ਸਾਲ ਮੁੜ ਨਹੀਂ ਵਾਪਰਦਾ); "ਆਮ" ਨੁਕਸਾਨ ਦੀ ਔਸਤ ~36,000 TL ਸੀ। ਆਊਟਲੀਅਰ ਨੂੰ ਵੱਖ ਕਰਨ ਨੇ ਟੈਰਿਫ ਨੂੰ ਯਥਾਰਥਵਾਦੀ ਬਣਾਇਆ।

ਕੇਸ 3 - ਨਿਆਂ ਜਾਂਚ। ਇੱਕ ਸਿਹਤ ਬੀਮਾ ਕੀਮਤ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ, ਨਕਲੀ ਬੁੱਧੀ ਇੱਕ ਖਾਸ ਉਮਰ ਸਮੂਹ ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਾਧੇ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੀ ਹੈ। ਐਕਟਚੂਰੀ ਨੇ ਪਾਇਆ ਕਿ ਸਿਫਾਰਿਸ਼ ਸਿਰਫ ਇੱਕ ਛੋਟੇ ਅਤੇ ਰੌਲੇ-ਰੱਪੇ ਵਾਲੇ ਨਮੂਨੇ (ਦਾਅਵਿਆਂ ਦੀ ਛੋਟੀ ਗਿਣਤੀ) ਤੋਂ ਆਈ ਹੈ; ਇਹ ਅੰਕੜਾ ਪੱਖੋਂ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਸੀ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਕਾਨੂੰਨ ਦੁਆਰਾ ਲੋੜੀਂਦੇ ਨਿਰਪੱਖ ਕੀਮਤ ਦੇ ਸਿਧਾਂਤ ਦੇ ਵਿਰੁੱਧ ਸੀ। ਐਕਚੁਰੀ ਨੇ ਪਹਿਲਾਂ ਵਧੇਰੇ ਵਿਆਪਕ ਡੇਟਾ ਦੇ ਨਾਲ ਇੱਕ ਭਰੋਸੇਯੋਗਤਾ ਦੀ ਗਣਨਾ ਕੀਤੀ ਅਤੇ ਫਿਰ ਇੱਕ ਫੈਸਲਾ ਲਿਆ।

ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ

1) ਸੰਕਲਪ ਵਿਆਖਿਆ (ਸਿਖਲਾਈ/ਗਾਹਕ ਲਈ):

ਇੱਕ ਐਚੂਰੀਅਲ ਇੰਸਟ੍ਰਕਟਰ ਵਾਂਗ ਕੰਮ ਕਰੋ। "ਨੁਕਸਾਨ ਦੀ ਬਾਰੰਬਾਰਤਾ", "ਨੁਕਸਾਨ ਦੀ ਤੀਬਰਤਾ" ਅਤੇ "ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ" ਦੇ ਸੰਕਲਪਾਂ ਨੂੰ ਇੱਕ ਲਗਾਤਾਰ ਸੰਖਿਆਤਮਕ ਉਦਾਹਰਨ (ਜਿਵੇਂ ਕਿ 1,000 ਪਾਲਿਸੀਆਂ, 45 ਦਾਅਵੇ, 3,150,000 TL ਕੁੱਲ ਭੁਗਤਾਨ) ਦੇ ਨਾਲ ਕਦਮ ਦਰ ਕਦਮ ਸਮਝਾਓ। ਹਰੇਕ ਪੜਾਅ 'ਤੇ ਫਾਰਮੂਲਾ ਅਤੇ ਵਿਚਕਾਰਲਾ ਨਤੀਜਾ ਦਿਖਾਓ। ਸਰਲ ਅਤੇ ਸਮਝਣ ਯੋਗ ਭਾਸ਼ਾ ਦੀ ਵਰਤੋਂ ਕਰੋ।

2) ਵਿਸ਼ਲੇਸ਼ਣ ਡਰਾਫਟ ਪਿੰਜਰ:

ਹੇਠਾਂ ਦਿੱਤੇ ਸਮੂਹ ਦਾਅਵਿਆਂ ਦੇ ਡੇਟਾ (ਨਿੱਜੀ ਡੇਟਾ ਤੋਂ ਬਿਨਾਂ) ਲਈ ਇੱਕ ਬਾਰੰਬਾਰਤਾ-ਤੀਬਰਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਕਦਮਾਂ ਦੀ ਰੂਪਰੇਖਾ ਦਰਸਾਉਂਦੀ ਹੈ: [ਮਿਆਦ, ਨੀਤੀਆਂ ਦੀ ਸੰਖਿਆ, ਦਾਅਵਿਆਂ ਦੀ ਸੰਖਿਆ, ਕੁੱਲ ਭੁਗਤਾਨ]ਹਰੇਕ ਪੜਾਅ 'ਤੇ: ਨਿਰਧਾਰਤ ਕਰੋ ਕਿ ਕੀ ਗਿਣਿਆ ਜਾਂਦਾ ਹੈ, ਕਿਹੜੀਆਂ ਧਾਰਨਾਵਾਂ ਦੀ ਲੋੜ ਹੈ, ਡੇਟਾ ਗੁਣਵੱਤਾ ਦਾ ਕੀ ਖਤਰਾ ਮੌਜੂਦ ਹੈ (ਗੁੰਮ ਡੇਟਾ, ਆਊਟਲੀਅਰ, IBNR ਵਿੱਚ)। ਮੈਂ ਸੰਖਿਆਤਮਕ ਨਤੀਜੇ ਦੀ ਮੁੜ ਗਣਨਾ ਕਰਾਂਗਾ; ਤੁਸੀਂ ਵਿਧੀ ਸਥਾਪਤ ਕੀਤੀ ਹੈ।

3) ਡੇਟਾ ਗੁਣਵੱਤਾ ਅਤੇ ਧਾਰਨਾ ਪ੍ਰਸ਼ਨਕਰਤਾ:

ਸੀਨੀਅਰ ਐਕਟਚੂਰੀ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਹੇਠਾਂ ਦਿੱਤੇ ਡਰਾਫਟ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਆਲੋਚਨਾ ਕਰੋ: [ਡਰਾਫਟ ਪੇਸਟ ਕਰੋ] ਪੁੱਛੋ: ਕੀ ਮਹਿੰਗਾਈ ਲਈ ਹਿੰਸਾ ਨੂੰ ਐਡਜਸਟ ਕੀਤਾ ਗਿਆ ਹੈ? ਕੀ ਬਾਹਰਲੇ ਲੋਕਾਂ ਨੂੰ ਹਟਾ ਦਿੱਤਾ ਗਿਆ ਸੀ? ਕੀ ਨਮੂਨਾ ਭਰੋਸੇਯੋਗ ਹੈ? ਕੀ IBNR ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਿਆ ਗਿਆ ਸੀ? ਰੁਝਾਨ ਧਾਰਨਾ ਕੀ ਹੈ? ਹਰ ਇੱਕ ਕਮਜ਼ੋਰੀ ਨੂੰ "ਜੋਖਮ" ਦੇ ਤਹਿਤ ਸੁਧਾਰ ਲਈ ਸੁਝਾਅ ਦੇ ਨਾਲ ਸੂਚੀਬੱਧ ਕਰੋ।

4) ਨਤੀਜਾ ਪਾਠ ਨੂੰ ਸਰਲ ਬਣਾਉਣਾ:

ਨਿਮਨਲਿਖਤ ਤਸਦੀਕ ਕੀਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਨਤੀਜੇ ਨੂੰ ਇੱਕ ਪ੍ਰਬੰਧਕ ਲਈ ਇੱਕ ਸਧਾਰਨ ਕਾਰਜਕਾਰੀ ਸਾਰਾਂਸ਼ ਵਿੱਚ ਬਦਲੋ ਜੋ ਇੱਕ ਐਕਚੂਰੀ ਨਹੀਂ ਹੈ: [ਪੇਸਟ ਨਤੀਜਾ] ਨੰਬਰ ਨਾ ਬਦਲੋ, ਨਵੇਂ ਨੰਬਰ ਸ਼ਾਮਲ ਕਰੋ। ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਅਨਿਸ਼ਚਿਤਤਾਵਾਂ ਅਤੇ ਧਾਰਨਾਵਾਂ ਨੂੰ ਬਿਆਨ ਕਰੋ। ਨੋਟ ਸ਼ਾਮਲ ਕਰੋ: "ਅੰਤਿਮ ਟੈਰਿਫ ਦਾ ਫੈਸਲਾ ਸਮਰੱਥ ਐਕਟਚੂਰੀ ਦੀ ਪ੍ਰਵਾਨਗੀ ਦੇ ਅਧੀਨ ਹੈ।"

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ: "ਇਸ ਡੇਟਾ ਨਾਲ ਕਾਰ ਬੀਮਾ ਪ੍ਰੀਮੀਅਮ ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਟੈਰਿਫ ਲਿਖੋ।"

ਸਮੱਸਿਆ: ਡਾਇਰੈਕਟ ਟੈਰਿਫ (ਲਾਲ ਜ਼ੋਨ) ਦੀ ਬੇਨਤੀ ਕੀਤੀ ਗਈ; ਕੋਈ ਧਾਰਨਾਵਾਂ ਨਹੀਂ, ਕੋਈ ਡਾਟਾ ਗੁਣਵੱਤਾ ਅਤੇ ਕੋਈ ਪ੍ਰਮਾਣਿਕਤਾ ਨਹੀਂ। ਮਾਡਲ ਰੌਲੇ-ਰੱਪੇ ਵਾਲੇ ਡੇਟਾ ਤੋਂ ਭਰੋਸੇਮੰਦ ਦਰ ਨੂੰ ਫਿੱਟ ਕਰਦਾ ਹੈ।

ਮਜ਼ਬੂਤ: "ਫ੍ਰੀਕੁਐਂਸੀ-ਤੀਬਰਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਕਦਮਾਂ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰੋ; ਹਰ ਪੜਾਅ 'ਤੇ ਧਾਰਨਾ ਅਤੇ ਡੇਟਾ ਗੁਣਵੱਤਾ ਜੋਖਮ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰੋ। ਮੈਂ ਸੰਖਿਆਤਮਕ ਨਤੀਜੇ ਦੀ ਗਣਨਾ ਕਰਾਂਗਾ। ਟੈਰਿਫ ਦਾ ਫੈਸਲਾ ਨਾ ਕਰੋ।"

ਇਹ ਚੰਗਾ ਕਿਉਂ ਹੈ: AI ਵਿਧੀ ਨੂੰ ਸਥਾਪਿਤ ਕਰਦਾ ਹੈ, ਐਕਚੂਰੀ ਗਣਨਾ ਅਤੇ ਫੈਸਲੇ ਨੂੰ ਰੱਖਦਾ ਹੈ; ਧਾਰਨਾਵਾਂ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ।

ਤੁਲਨਾ ਚਾਰਟ

ਕਦਮ

AI ਭੂਮਿਕਾ

ਅਸਲ ਭੂਮਿਕਾ

ਜੋਖਮ

ਸੰਕਲਪ ਵਿਆਖਿਆ

ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ, ਉਦਾਹਰਣ ਦਿੰਦਾ ਹੈ

ਸ਼ੁੱਧਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ

ਗਲਤ ਉਦਾਹਰਨ

ਡਾਟਾ ਸੰਖੇਪ

ਕੁੱਲ ਮਿਲਾ ਕੇ

ਸਰੋਤ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ

ਬਾਹਰੀ ਵਿਗਾੜ

ਧਾਰਨਾਵਾਂ ਦੀ ਸੂਚੀ

ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਦਾ ਹੈ

ਸਵੀਕਾਰ / ਅਸਵੀਕਾਰ

ਗੁੰਮ/ਗਲਤ ਧਾਰਨਾ

ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ ਦੀ ਗਣਨਾ

ਡਰਾਫਟ ਫਾਰਮੂਲਾ

ਸੁਤੰਤਰ ਖਾਤੇ

ਖਾਤਾ ਗੜਬੜ

ਟੈਰਿਫ/ਪ੍ਰਬੰਧ ਦਾ ਫੈਸਲਾ

-

ਫੈਸਲਾ ਕਰਦਾ ਹੈ ਅਤੇ ਸੰਕੇਤ ਕਰਦਾ ਹੈ

ਨਾਕਾਫ਼ੀ ਪ੍ਰੀਮੀਅਮ

ਆਮ ਗਲਤੀਆਂ

• ਨਕਲੀ ਬੁੱਧੀ ਦਾ ਸਿੱਧਾ ਨੰਬਰ ਪ੍ਰਾਪਤ ਕਰਨਾ. ਮਾਡਲ ਗੁਣਾ/ਜੋੜ ਨੂੰ ਗਲਤ ਵੀ ਬਣਾ ਸਕਦਾ ਹੈ; ਹਰੇਕ ਨਤੀਜੇ ਦੀ ਮੁੜ ਗਣਨਾ ਕਰੋ।
• ਮਹਿੰਗਾਈ ਅਤੇ ਰੁਝਾਨ ਸੁਧਾਰ ਨੂੰ ਛੱਡਣਾ। ਪਿਛਲੀ ਹਿੰਸਾ ਨੂੰ ਵਰਤਮਾਨ ਵਿੱਚ ਲਿਆਏ ਬਿਨਾਂ ਟੈਰਿਫ ਸਥਾਪਤ ਕਰਨਾ ਪੋਰਟਫੋਲੀਓ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚਾਏਗਾ।
• ਆਊਟਲੀਅਰ ਨੂੰ ਮੱਧਮਾਨ ਨਾਲ ਮਿਲਾਉਣਾ। ਇੱਕ ਵੱਡਾ ਨੁਕਸਾਨ ਪੂਰੇ ਟੈਰਿਫ ਨੂੰ ਗੁੰਮਰਾਹ ਕਰਦਾ ਹੈ; ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਮੁਲਾਂਕਣ ਕਰੋ।
• ਛੋਟੇ ਨਮੂਨੇ 'ਤੇ ਭਰੋਸਾ. ਨੁਕਸਾਨਾਂ ਦੀ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਗਿਣਤੀ ਤੋਂ ਅਨੁਪਾਤ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ; ਇੱਕ ਕ੍ਰੈਡਿਟ ਯੋਗਤਾ ਦੀ ਗਣਨਾ ਦੀ ਲੋੜ ਹੈ।
• ਨਿਆਂ ਦੀ ਅਣਦੇਖੀ। ਅੰਕੜਿਆਂ ਦੇ ਸ਼ੋਰ ਦੇ ਆਧਾਰ 'ਤੇ ਕਿਸੇ ਸਮੂਹ ਨੂੰ ਅਨੁਚਿਤ ਵਾਧੇ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਨਾ ਕਾਨੂੰਨ ਦੇ ਵਿਰੁੱਧ ਹੈ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ਵਾਸਤਵਿਕ ਕੰਮ ਵਿੱਚ, ਨਕਲੀ ਬੁੱਧੀ ਸੰਕਲਪਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦੀ ਹੈ, ਡੇਟਾ ਨੂੰ ਸੰਖੇਪ ਕਰਦੀ ਹੈ, ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਰੂਪਰੇਖਾ ਦਿੰਦੀ ਹੈ ਅਤੇ ਫਾਰਮੂਲੇ ਦਾ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ; ਪਰ ਇਹ ਟੈਰਿਫ, ਪ੍ਰਾਵਧਾਨ ਅਤੇ ਪ੍ਰੀਮੀਅਮ ਦੀ ਯੋਗਤਾ 'ਤੇ ਫੈਸਲਾ ਨਹੀਂ ਕਰਦਾ ਹੈ। ਬਾਰੰਬਾਰਤਾ, ਤੀਬਰਤਾ ਅਤੇ ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਦੀ ਸਹੀ ਵਰਤੋਂ ਕਰੋ; ਸਵਾਲ ਡਾਟਾ ਗੁਣਵੱਤਾ (ਆਊਟਲੀਅਰ, IBNR, ਮਹਿੰਗਾਈ, ਨਮੂਨਾ ਭਰੋਸੇਯੋਗਤਾ); ਹਰੇਕ ਨੰਬਰ ਦੀ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਗਣਨਾ ਕਰੋ; ਧਾਰਨਾਵਾਂ ਨੂੰ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਲਿਖੋ। ਅੰਤਮ ਫੈਸਲਾ ਸਮਰੱਥ ਐਕਟਚੂਰੀ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ ਅਤੇ SEDDK ਨਿਯਮਾਂ ਦੇ ਅਧੀਨ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਤੁਹਾਡੇ ਕੋਲ ਮੌਜੂਦ ਨੁਕਸਾਨ ਡੇਟਾ ਸੈੱਟ ਤੋਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨਾਲ ਬਾਰੰਬਾਰਤਾ ਅਤੇ ਗੰਭੀਰਤਾ ਸਾਰਾਂਸ਼ ਤਿਆਰ ਕਰੋ (ਟੈਸਟਿੰਗ ਦੇ ਉਦੇਸ਼ਾਂ ਲਈ, ਇਕੱਠੇ ਕੀਤੇ ਗਏ)। ਫਿਰ ਉਹੀ ਗਣਨਾ ਆਪਣੇ ਆਪ ਨੂੰ ਇੱਕ ਸਪ੍ਰੈਡਸ਼ੀਟ ਵਿੱਚ ਕਰੋ। ਦੋ ਨਤੀਜਿਆਂ ਵਿੱਚ ਅੰਤਰ ਨੋਟ ਕਰੋ; ਜੇ ਕੋਈ ਫਰਕ ਹੈ, ਤਾਂ ਕਾਰਨ ਲੱਭੋ (ਮਹਿੰਗਾਈ, ਬਾਹਰੀ, ਗਲਤ ਗੁਣਾ)। ਪ੍ਰੋਂਪਟ #3 ਨਾਲ ਆਪਣੀਆਂ ਧਾਰਨਾਵਾਂ ਦੀ ਆਲੋਚਨਾ ਕਰੋ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਦੋ ਡਾਟਾ ਗੁਣਵੱਤਾ ਜੋਖਮਾਂ ਦੀ ਪਛਾਣ ਕਰੋ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਸਿਰਫ਼ ਏਕੀਕ੍ਰਿਤ, ਗੈਰ-ਨਿੱਜੀ ਡਾਟਾ ਵਰਤਿਆ ਹੈ।
• [ ] ਮੈਂ ਖੁਦ ਬਾਰੰਬਾਰਤਾ, ਤੀਬਰਤਾ ਅਤੇ ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ ਦੀ ਮੁੜ ਗਣਨਾ ਕੀਤੀ।
• [] ਮੈਂ ਮਹਿੰਗਾਈ/ਰੁਝਾਨ ਸੁਧਾਰ ਲਾਗੂ ਕੀਤਾ।
• [ ] ਮੈਂ ਆਊਟਲੀਅਰਾਂ ਦਾ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਮੁਲਾਂਕਣ ਕੀਤਾ।
• [ ] ਮੈਂ ਨਮੂਨੇ ਦੀ ਭਰੋਸੇਯੋਗਤਾ 'ਤੇ ਸਵਾਲ ਕੀਤਾ।
• [ ] ਮੈਂ ਧਾਰਨਾਵਾਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਲਿਖਿਆ ਹੈ।
• [ ] ਮੈਂ ਅੰਤਮ ਟੈਰਿਫ/ਪ੍ਰੋਵਿਜ਼ਨ ਫੈਸਲੇ ਨੂੰ ਸਮਰੱਥ ਐਕਟਚੂਰੀ ਦੀ ਪ੍ਰਵਾਨਗੀ 'ਤੇ ਛੱਡ ਦਿੱਤਾ ਹੈ।