ලාභ:
- කෘත්රිම බුද්ධිය මගින් පාඩු සංඛ්යාතය, හානියේ බරපතලකම සහ වාරික ප්රමාණවත් බව වැනි ක්රියාකාරී සංකල්ප පැහැදිලි කර විශ්ලේෂණ කෙටුම්පතක් සකස් කිරීමේ හැකියාව
- ස්වාධීන ගිණුම්කරණය සහ ක්රියාකාරී මූලධර්මවලට එරෙහිව මිලකරණ ආකෘති ප්රතිදානය, දත්ත ගුණාත්මකභාවය සහ උපකල්පන පරීක්ෂා කිරීමේ හැකියාව
- අවසාන තීරුබදු සහ තාක්ෂණික ප්රතිපාදන තීරණ නිසි ක්රියාකාරීන්ගේ වගකීම වන අතර කෘතිම බුද්ධිය ආධාරක මෙවලමක් පමණක් බව තේරුම් ගැනීමේ හැකියාව
රක්ෂණයේ මිල අහම්බයක් නොවේ; එය ගණිතමය වශයෙන් ගණනය කෙරේ. Actuary (සම්භාවිතාව සහ සංඛ්යාලේඛන සමඟ අවදානම මනින සහ වාරික, ප්රතිපාදන සහ ආවරණයේ ශේෂය ස්ථාපිත කරන රක්ෂණ ක්ෂේත්රයේ ප්රවීණතා ක්ෂේත්රය) "මෙම අවදානම සාමාන්යයෙන් අපට කොපමණ වැය වේද සහ සාධාරණ වාරිකයකින් එය ආවරණය කරන්නේ කෙසේද?" යන ප්රශ්නයට පිළිතුරු සපයයි. ක්රියාකාරිකයා (මෙම ගණනය කිරීම සිදු කරන සහ නීත්යානුකූලව වගකිව යුතු දක්ෂ විශේෂඥයා) හානි දත්ත, ප්රවණතා සහ උපකල්පන එකතු කර තීරුබදු (මිල පරිමාණය) සහ තාක්ෂණික ප්රතිපාදන (අනාගත හිමිකම් සඳහා වෙන් කරන ලද මුදල්) තීරණය කරයි. කෘතිම බුද්ධිය (දත්ත වලින් රටා ඉගෙන ගන්නා සහ පෙළ, විස්තර සහ දළ සටහන් ජනනය කරන මෘදුකාංග) මෙම බර විශ්ලේෂණ කාර්යයේ ප්රබල සහායකයෙකි: සංකල්ප පැහැදිලි කිරීම, දත්ත සාරාංශ කිරීම, විශ්ලේෂණය කෙටුම්පත් කිරීම, කේතය සහ සූත්රය යෝජනා කිරීම. නමුත් සත්ය තීරණය අත්සනක් සහ වගකීමක් දරයි; කෘතිම බුද්ධියට මෙම අත්සන සෑදිය නොහැක. මෙම ඒකකය තුළ, කෘතිම බුද්ධිය සමඟ මූලික ක්රියාකාරී සංකල්ප පැහැදිලි කර විශ්ලේෂණය කරන්නේ කෙසේද සහ ස්වාධීන ගණනය කිරීම් සහ ක්රියාකාරී මූලධර්මවලට එරෙහිව ප්රතිදානය පරීක්ෂා කරන්නේ කෙසේදැයි ඔබ ඉගෙන ගනු ඇත.
මූලික සංකල්ප: සංඛ්යාතය, තීව්රතාවය සහ වාරික ප්රමාණවත් බව
සංකල්ප තුනක් මිලකරණයේ කොඳු නාරටිය සාදයි:
- හිමිකම් සංඛ්යාතය: දී ඇති කාල සීමාව තුළ ප්රතිපත්ති (හෝ ඒකකය) සඳහා හිමිකම් ගණන. උදාහරණයක් ලෙස, මෝටර් රථ රක්ෂණ ඔප්පු 1,000 ක වසරකට හිමිකම් 45 ක් තිබේ නම්, සංඛ්යාතය 0.045 (එනම් 4.5%) වේ.
- හානියේ බරපතලකම: හිමිකම් පෑමකට ගෙවන සාමාන්ය මුදල. එම කළඹ තුළම හානි 45ක් සඳහා 3,150,000 TL ගෙවා ඇත්නම්, බරපතලකම TL 70,000 කි.
- අපේක්ෂිත හානිය පිරිවැය (අවදානම් වාරික): සංඛ්යාතය × බරපතලකම. උදාහරණයේ, 0.045 × 70,000 = 3,150 TL. මෙය ප්රතිපත්තියක් සඳහා අපේක්ෂිත පිරිසිදු පාඩු පිරිවැයයි; වියදම්, කොමිස් සහ ලාභ ආන්තිකය එකතු වූ විට දළ වාරිකය සෑදේ.
- වාරික ප්රමාණවත් බව: එකතු කරන ලද වාරිකය අපේක්ෂිත හානි සහ වියදම් ආවරණය කිරීමට ප්රමාණවත්ද යන්න. ප්රසාද දීමනාව ප්රමාණවත් නොවීම සමාගම පාඩු ලබයි; අධික වාරිකය තරඟකාරී නොවන සහ අසාධාරණ මිලකරණයක් නිර්මාණය කරයි.
මෙම සංකල්ප පැහැදිලි කිරීමට, දත්ත කට්ටලයකින් සංඛ්යාත/තීව්රතා සාරාංශයක් උපුටා ගැනීමට සහ විශ්ලේෂණ පියවර ගෙනහැර දැක්වීමට AI ඉතා ප්රයෝජනවත් වේ. කෙසේ වෙතත්, ඔබ සෑම විටම සංඛ්යාත්මක ප්රතිඵලය නැවත ගණනය කළ යුතුය.
ඉඟිය: කෘත්රිම බුද්ධිය සතුව ක්රියාකාරී සංකල්පයක් "සංඛ්යාත්මක උදාහරණයකින්, එය 10 වැනි ශ්රේණියේ ශිෂ්යයෙකුට පැහැදිලි කරන්නාක් මෙන්" පැහැදිලි කිරීම කණ්ඩායම් පුහුණුවේදී සහ පාරිභෝගිකයාට එය පැහැදිලි කිරීමේදී ඉතා ප්රයෝජනවත් වේ. නමුත් අංකය පරීක්ෂා කරන්න: ආදර්ශ ගුණ කිරීම පවා වැරදියි.
කෘත්රිම බුද්ධිය ක්රියාවේ පවතින්නේ කොතැනද
ක්රියාකාරීත්වයේ රතු රේඛාව පැහැදිලිය: අවසාන තීරුබදු, තාක්ෂණික ප්රතිපාදන සහ වාරික ප්රමාණවත්තා තීරණය නිසි ක්රියාකාරී ආයතනයේ වගකීම වේ. AI පහත සඳහන් කාර්යයන් සඳහා උපකාර කරයි: සංකල්ප පැහැදිලි කිරීම, දත්ත සාරාංශය, ගවේෂණාත්මක විශ්ලේෂණ දළ සටහන, සූත්රය/කේත යෝජනාව, ප්රතිඵලය වන පෙළ කියවිය හැකි කිරීම. ගාස්තු අනුමත කිරීම, ප්රතිපාදන ප්රමාණවත් බව ප්රකාශ කිරීම, උපකල්පන අවසාන වශයෙන් පිළිගැනීම, පහත සඳහන් කාරණා සම්බන්ධයෙන් අවසාන ප්රකාශය කිරීමට එයට නොහැකිය. මෙම තීරණ සෘජුවම සමාගමේ මූල්ය සෞඛ්යයට සහ සාධාරණ මිලකට පාරිභෝගිකයාගේ අයිතියට බලපාන අතර නීති සම්පාදනයට යටත් වේ (SEDDK - රක්ෂණ සහ පුද්ගලික විශ්රාම වැටුප් නියාමනය සහ අධීක්ෂණ නියෝජිතායතන රෙගුලාසි).
අවධානය: කෘත්රිම බුද්ධිය මගින් යෝජනා කරන ලද ගාස්තුවක් හෝ ගාස්තුවක් දත්තවල ගුණාත්මක භාවය සහ උපකල්පන ස්වාධීනව පරීක්ෂා කිරීමකින් තොරව කිසිදා ප්රකාශයට පත් නොකෙරේ. වැරදි උපකල්පනයක් (උදා: උද්ධමනයේ බලපෑම නොසලකා හැරීම) මුළු කළඹම හානියට පත් කළ හැකිය.
පියවරෙන් පියවර: කෙටුම්පත් AI-සහාය දක්වන ක්රියාකාරී විශ්ලේෂණය
- දත්ත නිර්නාමික කිරීම සහ හඳුනා ගැනීම. පුද්ගලික දත්ත නොමැත; එකතු කළ සංඛ්යා පමණි. කාල සීමාව, කළඹ සහ ඇපකර වර්ගය සඳහන් කරන්න.
- සංකල්පය සහ ක්රමය පැහැදිලි කරන්න. සංඛ්යාත/තීව්රතා විශ්ලේෂණයේ පියවර ගෙනහැර දැක්වීමට AI ගෙන් විමසන්න.
- දත්තවල ගුණාත්මකභාවය ප්රශ්න කරන්න. අස්ථානගත වූ දත්ත, පිටස්තරයන්, කාලපරිච්ඡේද නොගැලපීම්, IBNR (හිමිකම් තවමත් වාර්තා වී නැත) යම් බලපෑම් තිබේද?
- උපකල්පන පැහැදිලිව ලියන්න. උද්ධමනය, ප්රවණතාවය, සංවර්ධන සාධක පදනම් වන්නේ කුමන උපකල්පනය මතද?
- ප්රතිඵලය ස්වාධීනව ගණනය කරන්න. ඔබේම පැතුරුම්පත සමඟ සංඛ්යාතය, තීව්රතාවය සහ අවදානම් වාරිකය ප්රතිනිෂ්පාදනය කරන්න.
- සත්ය මූලධර්මය සමඟ පරීක්ෂා කර තහවුරු කරන්න. වාරික ප්රමාණවත් බව, සාධාරණත්වය සහ නීති සම්පාදනය අනුව දක්ෂ ක්රියාකාරිකයක් ඇගයීම සහ අත්සන් කරයි.
කුඩා නඩු තුනක්
නඩුව 1 - වැරදි උපකල්පනය අල්ලා ගැනීම. මෝටර් රථ රක්ෂණ ගාස්තු සඳහා කෘතිම බුද්ධියෙන් සහකාර ක්රියාකරුවෙකුට කෙටුම්පත් විශ්ලේෂණයක් ලැබුණි. කෘතිම බුද්ධිය පසුගිය වසර 3 ක සාමාන්ය හානියේ බරපතලකම TL 62,000ක් ලෙස ගෙන අවදානම් වාරිකය ගණනය කළේය. වර්තමාන වටිනාකමට උද්ධමනය සඳහා ප්රචණ්ඩත්වය සකස් කර නොමැති බව ක්රියාකරුට වැටහුණි: වර්තමාන වාහන අලුත්වැඩියා වියදම් සමඟ, ප්රචණ්ඩත්වය ඇත්ත වශයෙන්ම ~$89,000 ක් විය. මෙම නිවැරදි කිරීම අවදානම් වාරිකය 43% කින් වැඩි කළේය. ස්වාධීන පාලනයකින් තොරව, ගාස්තු බරපතල ලෙස ප්රමාණවත් නොවේ.
නඩුව 2 - පිටතින් විකෘති කිරීම. එක් කළඹක මුළු හානිය 500 TL 40,000,000 ක් විය; නමුත් මෙයින් TL 22,000,000ක් එක් ප්රධාන ගින්නකින් සිදු වූ හානියකි. කෘත්රිම බුද්ධිය සාමාන්ය ප්රචණ්ඩත්වය TL 80,000 ලෙස සාරාංශ කර ඇත. ක්රියාකාරකය මෙම තනි ප්රධාන හානිය වෙන වෙනම ඇගයීමට ලක් කළේය (එය සෑම වසරකම නැවත සිදු නොවන නිසා); "සාමාන්ය" හානිවල සාමාන්යය TL ~36,000 කි. පිටස්තරය වෙන් කිරීම තීරුබදු යථාර්ථවාදී විය.
නඩුව 3 - යුක්තිය පරීක්ෂා කිරීම. සෞඛ්ය රක්ෂණ මිල නියම කිරීමේ ව්යාපෘතියකදී, කෘතිම බුද්ධිය යම් වයස් කාණ්ඩයකට ඉතා ඉහළ වැඩිවීමක් ලබා දෙයි. නිර්දේශය පැමිණියේ කුඩා හා ඝෝෂාකාරී සාම්පලයකින් පමණක් බව ක්රියාකරු සොයා ගත්තේය (හිමිකම් කිරීම් කුඩා සංඛ්යාව); එය සංඛ්යානමය වශයෙන් විශ්වාසදායක නොවීය. එපමණක් නොව, එය නීති සම්පාදනය මගින් නියම කර ඇති සාධාරණ මිල මූලධර්මයට පටහැනි විය. ක්රියාකාරීත්වය ප්රථමයෙන් වඩාත් විස්තීර්ණ දත්ත සමඟ විශ්වසනීය ගණනය කිරීමක් සිදු කර පසුව තීරණයක් ගත්තේය.
පිටපත් කළ හැකි විමසීම් හතරක්
1) සංකල්ප පැහැදිලි කිරීම (පුහුණුව/පාරිභෝගිකයා සඳහා):
ක්රියාකාරී උපදේශකයෙකු ලෙස ක්රියා කරන්න. තනි අඛණ්ඩ සංඛ්යාත්මක උදාහරණයකින් (උදා: ප්රතිපත්ති 1,000, හිමිකම් 45, TL 3,150,000 මුළු ගෙවීම) "අලාභ සංඛ්යාතය", "හානියේ බරපතලකම" සහ "අවදානම් වාරිකය" යන සංකල්ප පැහැදිලි කරන්න. සෑම පියවරකදීම සූත්රය සහ අතරමැදි ප්රතිඵලය පෙන්වන්න. සරල සහ තේරුම්ගත හැකි භාෂාවක් භාවිතා කරන්න.
2) විශ්ලේෂණ කෙටුම්පත් ඇටසැකිල්ල:
පහත දැක්වෙන්නේ සමූහගත හිමිකම් දත්ත සඳහා (පුද්ගලික දත්ත නොමැතිව) සංඛ්යාත-තීව්රතා විශ්ලේෂණයක පියවර ගෙනහැර දක්වයි: [කාලසීමාව, ප්රතිපත්ති ගණන, හිමිකම් ගණන, මුළු ගෙවීම] සෑම පියවරකදීම: ගණනය කරන්නේ කුමක්ද, කුමන උපකල්පන අවශ්යද, දත්තවල ගුණාත්මක අවදානම කුමක්ද යන්න සඳහන් කරන්න (අතුරුදහන් දත්ත, පිටස්තර, IBNR, උද්ධමනය). මම සංඛ්යාත්මක ප්රතිඵලය නැවත ගණනය කරන්නෙමි; ඔබ ක්රමය සකසන්න.
3) දත්ත ගුණාත්මකභාවය සහ උපකල්පන ප්රශ්න කරන්නා:
ජ්යෙෂ්ඨ ක්රියාකාරිකයෙකුගේ දෘෂ්ටිකෝණයෙන් පහත කෙටුම්පත් විශ්ලේෂණය විවේචනය කරන්න:[පේස්ට් කෙටුම්පත] අසන්න: උද්ධමනය සඳහා ප්රචණ්ඩත්වය සකස් කර තිබේද? පිටස්තර ඉවත් කළාද? සාම්පලය විශ්වාසදායකද? IBNR සැලකිල්ලට ගත්තාද? ප්රවණතා උපකල්පනය කුමක්ද? නිවැරදි කිරීම සඳහා යෝජනාවක් සමඟ "අවදානම්" යටතේ එක් එක් දුර්වලතා ලැයිස්තුගත කරන්න.
4) ප්රතිඵල පෙළ සරල කිරීම:
පහත සත්යාපිත විශ්ලේෂණ ප්රතිඵලය ක්රියාකාරිකයෙකු නොවන කළමනාකරුවෙකු සඳහා සරල විධායක සාරාංශයක් බවට පරිවර්තනය කරන්න: [ප්රතිඵලය අලවන්න]අංක වෙනස් නොකරන්න, නව අංක එක් කරන්න. අවිනිශ්චිතතා සහ උපකල්පන පැහැදිලිව සඳහන් කරන්න. සටහන එකතු කරන්න: "අවසාන තීරුබදු තීරණය නිසි ක්රියාකාරී ආයතනයේ අනුමැතියට යටත් වේ."
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල: "මෙම දත්ත සමඟ මෝටර් රථ රක්ෂණ වාරිකය ගණනය කර තීරුබදු ලියන්න."
ගැටලුව: සෘජු ගාස්තු (රතු කලාපය) ඉල්ලා ඇත; උපකල්පන නැත, දත්ත ගුණාත්මක භාවයක් සහ වලංගු භාවයක් නොමැත. ආකෘතිය ඝෝෂාකාරී දත්ත වලින් විශ්වාස කළ නොහැකි අනුපාතයට ගැලපේ.
ශක්තිමත්: "සංඛ්යාත-තීව්රතා විශ්ලේෂණයේ පියවර කෙටුම්පත් කරන්න; එක් එක් පියවරේදී උපකල්පනය සහ දත්ත තත්ත්ව අවදානම සඳහන් කරන්න. මම සංඛ්යාත්මක ප්රතිඵලය ගණනය කරමි. ගාස්තු තීරණය නොකරන්න."
එය හොඳ වන්නේ ඇයි: AI ක්රමය ස්ථාපිත කරයි, ක්රියාකාරීත්වය ගණනය කිරීම සහ තීරණය තබා ගනී; උපකල්පන දෘශ්යමාන වේ.
සංසන්දනාත්මක සටහන
පියවර
AI භූමිකාව
රංගන භූමිකාව
අවදානම
සංකල්ප පැහැදිලි කිරීම
පැහැදිලි කරයි, උදාහරණ
නිරවද්යතාව තහවුරු කරයි
වැරදි ආදර්ශය
දත්ත සාරාංශය
සමස්ථ
මූලාශ්රය පරීක්ෂා කරයි
පිටත විකෘති කිරීම
උපකල්පන ලැයිස්තුගත කිරීම
නිර්දේශ කරයි
පිළිගන්න / ප්රතික්ෂේප කරන්න
අතුරුදහන් / වැරදි උපකල්පනය
අවදානම් වාරික ගණනය කිරීම
කෙටුම්පත් සූත්රය
ස්වාධීන ගිණුම්
ගිණුම් දෝෂයකි
ගාස්තු / ප්රතිපාදන තීරණය
-
තීරණය කරයි සහ සංඥා කරයි
ප්රමාණවත් නොවන වාරික
පොදු වැරදි
- කෘත්රිම බුද්ධි සංඛ්යාව කෙලින්ම ලබා ගැනීම. ආකෘතියට ගුණ කිරීම/එකතු කිරීම පවා වැරදි කළ හැක; එක් එක් ප්රතිඵලය නැවත ගණනය කරන්න.
- උද්ධමනය සහ ප්රවණතා නිවැරදි කිරීම මඟ හැරීම. අතීත ප්රචණ්ඩත්වය වර්තමානයට ගෙන නොයාම තීරුබදු ස්ථාපිත කිරීම කළඹට හානි කරයි.
- මධ්යන්යය සමඟ පිටතින් මිශ්ර කිරීම. එක් ප්රධාන හානියක් මුළු ගාස්තුවම නොමඟ යවයි; වෙන වෙනම තක්සේරු කරන්න.
- කුඩා සාම්පල මත රඳා පවතී. හානි කුඩා සංඛ්යාවක සිට අනුපාතය විශ්වාස කළ නොහැකි ය; ණය සුදුසුකම් ගණනය කිරීම අවශ්ය වේ.
- යුක්තිය නොසලකා හැරීම. සංඛ්යානමය ඝෝෂාව මත පදනම්ව කණ්ඩායමකට අසාධාරණ වැටුප් වැඩිවීමක් ලබා දීම නීතියට පටහැනිය.
සාරාංශයකින්
ක්රියාකාරී කාර්යයේදී, කෘතිම බුද්ධිය සංකල්ප පැහැදිලි කරයි, දත්ත සාරාංශ කරයි, විශ්ලේෂණය ගෙනහැර දක්වයි සහ සූත්ර යෝජනා කරයි; නමුත් එය තීරුබදු, ප්රතිපාදන සහ වාරික ප්රමාණවත් බව තීරණය නොකරයි. සංඛ්යාතය, තීව්රතාවය සහ අවදානම් වාරිකය පිළිබඳ සංකල්ප නිවැරදිව භාවිතා කරන්න; ප්රශ්න දත්ත ගුණාත්මකභාවය (පිටතට, IBNR, උද්ධමනය, නියැදි විශ්වසනීයත්වය); එක් එක් සංඛ්යාව ස්වාධීනව ගණනය කරන්න; උපකල්පන පැහැදිලිව ලියන්න. අවසාන තීරණය නිසි ක්රියාකාරී ආයතනයේ වගකීම වන අතර SEDDK රෙගුලාසි වලට යටත් වේ.
යෙදුම් කාර්යය
ඔබ සතුව ඇති හානි දත්ත කට්ටලයකින් (පරීක්ෂණ අරමුණු සඳහා, එකතු කරන ලද) කෘත්රිම බුද්ධිය සමඟ සංඛ්යාත සහ බරපතල සාරාංශය ජනනය කරන්න. ඉන්පසු එම ගණනය ඔබම පැතුරුම්පතකින් කරන්න. ප්රතිඵල දෙක අතර වෙනස සටහන් කරන්න; වෙනසක් තිබේ නම්, හේතුව සොයා ගන්න (උද්ධමනය, පිටත, වැරදි ගුණ කිරීම). ඉක්මන් #3 සමඟ ඔබේ උපකල්පන විවේචනය කර අවම වශයෙන් දත්ත තත්ත්ව අවදානම් දෙකක් හඳුනා ගන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම භාවිත කළේ එකතු කළ, පුද්ගලික නොවන දත්ත පමණි.
- [ ] මම සංඛ්යාතය, තීව්රතාවය සහ අවදානම් වාරිකය නැවත ගණනය කළෙමි.
- [ ] මම උද්ධමනය/ප්රවණතා නිවැරදි කිරීම යෙදුවෙමි.
- [ ] මම පිටස්තරයන් වෙන වෙනම ඇගයීමට ලක් කළෙමි.
- [ ] මම සාම්පලයේ විශ්වසනීයත්වය ප්රශ්න කළෙමි.
- [ ] මම උපකල්පන පැහැදිලිව ලියා ඇත.
- [ ] මම අවසාන තීරුබදු/ප්රතිපාදන තීරණය නිසි ක්රියාකාරී අනුමැතියට භාර කළෙමි.