ලාභ:
- දත්ත ඇතුළත් කිරීමේ සිට අවසන් අත්සන් කළ වාර්තාව දක්වා කෘත්රිම බුද්ධිය මඟින් සහාය දක්වන සම්පූර්ණ ක්රියාකාරී කාර්ය ප්රවාහයම අවසානය සිට අවසානය දක්වා ක්රියාවලියක් ලෙස සැලසුම් කිරීමේ හැකියාව
- කෘතිම බුද්ධි මෙවලම් කාර්ය ප්රවාහයට ඒකාබද්ධ කිරීමේදී අනුවාද පාලනය, විගණන මාවත සහ පුනරාවර්තන විනය ස්ථාපිත කිරීමේ හැකියාව
- කෘත්රිම බුද්ධි යුගයේ ක්රියාකාරී වෘත්තිය පරිවර්තනය වන ආකාරය අවබෝධ කර ගැනීමට සහ තමන්ගේම කුසලතා වර්ධනය සහ වෘත්තීය වගකීම් සැලසුම් කිරීමට ඇති හැකියාව.
මොඩියුල විභාගය
1. ක්රියාකාරිකයෙක් AI වෙතින් අසයි "පසුගිය වසරේ අපගේ කළඹෙහි පාඩු සංඛ්යාතය කුමක්ද?" ප්රතිපත්ති දත්ත ලබා නොදී. ඔහු අසන අතර, ආකෘතිය විශ්වාසදායක අංකයක් ලබා දෙයි. මෙම තත්ත්වය වඩාත් නිදර්ශනය කරන්නේ කුමන අවදානමද?
- A) මායාව: ආකෘතිය දත්ත වෙත ප්රවේශයකින් තොරව සාදන ලද අංකයක් නිපදවයි ✔
- B) වැඩිපුර සවි කිරීම
- C) දත්ත කාන්දු වීම
- D) මරණ අනුපාතය වැඩි දියුණු කිරීම
පැහැදිලි කිරීම: ආකෘතියට දත්ත ලබා නොදෙන විට, එය නිපදවන අංකය මායාවකි: සත්ය දත්ත මත පදනම් නොවන චතුර නමුත් සාදන ලද ප්රතිදානයකි. සංඛ්යාතය වැනි සංඛ්යාත්මක ප්රතිඵල සෑම විටම ආයතනයේ දත්ත වලින් ගණනය කළ යුතුය.
2. හානි ආකෘති නිර්මාණයේදී "සංඛ්යාත" සහ "තීව්රතාවය" අතර වෙනස සඳහා ප්රධාන හේතුව කුමක්ද?
- A) මක්නිසාද යත් නීති සම්පාදනය වාර ගණන සහ තීව්රතාවය එකට එකතු කිරීම තහනම් කර ඇති බැවිනි
- B) එය වලංගු වන්නේ ජීවිත රක්ෂණය සඳහා පමණක් වන බැවිනි
- C) සංඛ්යාතය සහ තීව්රතාවය විවිධ බෙදාහැරීම් අනුගමනය කරයි; වෙන වෙනම ආකෘති නිර්මාණය කිරීම සහ ඒවා ඒකාබද්ධ කිරීම සම්පූර්ණ හානිය වඩාත් නිවැරදිව පුරෝකථනය කරයි ✔
- D) සංඛ්යාතය සහ තීව්රතාවය සෑම විටම එකම අගයක් ගන්නා බැවින්, ඒවායින් එකක් ගණනය කිරීම ප්රමාණවත් වේ.
පැහැදිලි කිරීම: හානි ගණන (සංඛ්යාතය) සහ එක් හානියකට ප්රමාණය (තීව්රතාවය) විවිධ හැසිරීම් සහ විවිධ සම්භාවිතා බෙදාහැරීම් ඇත; සම්පූර්ණ හානිය (අවදානම් වාරිකය) ආකෘති නිර්මාණය සහ වෙන වෙනම ගුණ කිරීමෙන් ලබා ගනී. මෙම වෙනස දෙකම වඩාත් නිවැරදිව පුරෝකථනය කිරීමට ඉඩ සලසයි.
3. IBNR equivalent යන්නෙන් අදහස් කරන්නේ කුමක්ද?
- A) වාරික ආපසු ගෙවීම සඳහා වෙන් කර ඇති නෛතික අරමුදල
- B) සිදු වූ නමුත් තවමත් වාර්තා කර නොමැති හානි සඳහා ප්රතිපාදන ✔
- C) ප්රතිරක්ෂණකරුගෙන් ලැබිය යුතු කොමිස්
- D) ගෙවූ සහ සංවෘත හානිවල එකතුව
පැහැදිලි කිරීම: IBNR (අදවන ලද නමුත් වාර්තා නොකළ) යනු සිදුවී ඇති නමුත් තවමත් සමාගමට වාර්තා කර නොමැති හානිවල අනාගත පිරිවැය සඳහා වෙන් කර ඇති ප්රතිපාදන වේ. එය දම්වැල් ඉණිමඟ වැනි ක්රම මගින් ඇස්තමේන්තු කර ඇත.
4. දාම-ඉණිමඟ ක්රමයේ "සංවර්ධන සාධකය" භාවිතා කරන්නේ කුමක්ද?
- A) උද්ධමනය අනුව වාරික යාවත්කාලීන කිරීම
- B) ප්රතිපත්ති ගණන වසරින් බෙදයි
- C) ප්රාග්ධන අවශ්යතාවය කෙලින්ම ගණනය කරයි
- D) එය එක් සංවර්ධන කාල පරිච්ඡේදයක සිට ඊළඟ කාලය දක්වා සමුච්චිත හානිවල වර්ධන වේගය ලබා දීමෙන් අවසාන හානිය පුරෝකථනය කිරීමට භාවිතා කරයි. ✔
පැහැදිලි කිරීම: වර්ධන සාධකය පෙන්නුම් කරන්නේ හානියේ කාලපරිච්ඡේදයක සමුච්චිත හානිය වසරක සංවර්ධනයේ සිට ඊළඟ වසර දක්වා කොපමණ වාරයක් වර්ධනය වේද යන්නයි; මෙම සාධක භාවිතා කරමින්, නොමේරූ අදියරවල අවසාන හානිය ඇස්තමේන්තු කර ඇත.
5. GLM (සාමාන්යකරණය කරන ලද රේඛීය ආකෘතිය) ක්රියාකරුවන් තුළ මිලකරණයේදී බහුලව භාවිතා වන්නේ ඇයි?
- A) එය සෑම විටම ඉහළම අනාවැකි නිරවද්යතාව ලබා දෙන බැවිනි
- B) සංගුණක අර්ථකථනය කළ හැකි බැවින්, වාරිකය මත අවදානම් සාධකවල බලපෑම විනිවිද පෙනෙන ලෙස පැහැදිලි කළ හැක ✔
- C) එය දත්ත අවශ්ය නොවී ක්රියා කරන බැවිනි
- D) නීති මගින් GLM වලට පමණක් ඉඩ දෙන බැවිනි
විස්තරය: GLM එහි සංගුණක අර්ථ දැක්විය හැකි බැවින් වාරිකය මත එක් එක් අවදානම් සාධකවල බලපෑම විනිවිද පෙනෙන ලෙස පෙන්වයි; නීති සම්පාදනය, විගණනය සහ රැකියා විස්තරය අනුව මෙය තීරණාත්මක වාසියකි.
6. මරණ වගුවක qx අගය පෙන්නුම් කරන්නේ කුමක්ද?
- A) x වයසැති පුද්ගලයෙකු වසරක් ඇතුළත මියයාමේ සම්භාවිතාව ✔
- B) වයස x දක්වා ගෙවා ඇති මුළු වාරිකය
- C) x-වසර වාර්ෂිකව වර්තමාන අගය
- D) තාක්ෂණික පොලී අනුපාතය
පැහැදිලි කිරීම: qx යනු වයස අවුරුදු x ට ළඟා වූ පුද්ගලයෙකු වසරක් ඇතුළත මිය යාමේ සම්භාවිතාවයි. එය ජීවිත රක්ෂණ සහ විශ්රාම ගිණුම්වල මූලික ආදානයයි; පැවැත්මේ සම්භාවිතාව px = 1 - qx මගින් සොයා ගනී.
7. වාර්ෂික ගිණුමක තාක්ෂණික පොලී (වට්ටම්) අනුපාතය වැඩි කිරීම අනාගත ගෙවීම්වල වර්තමාන වටිනාකමට බලපාන්නේ කෙසේද?
- A) වර්තමාන අගය වැඩි කරයි
- B) එය කිසිසේත් බලපාන්නේ නැත
- C) වත්මන් අගය අඩු කරයි ✔
- D) එය මරණ අනුපාතය පමණක් වෙනස් කරයි
පැහැදිලි කිරීම: වට්ටම් අනුපාතිකය වැඩි වන විට, මුදල්වල කාල වටිනාකම වඩාත් දැඩි ලෙස යොදන නිසා අනාගත ගෙවීම්වල වර්තමාන වටිනාකම අඩු වේ. එබැවින්, පොලී උපකල්පනය වගකීම් අගයට සෘජුවම බලපාන අතර ප්රවේශමෙන් තෝරා ගනු ලැබේ.
8. විශේෂාංග ඉංජිනේරු විද්යාවේදී "දත්ත කාන්දු වීම" යන්නෙන් අදහස් කරන්නේ කුමක්ද?
- A) සංකේතනයකින් තොරව දත්ත ගබඩා කිරීම
- B) නැතිවූ අගයන් සාමාන්යයෙන් පිරවීම
- C) දත්ත උපස්ථ නොකිරීම
- D) පුරෝකථනය කරන අවස්ථාවේ ඇත්ත වශයෙන්ම ලබා ගත නොහැකි තොරතුරු ආකෘතියට මිශ්ර කර කාර්ය සාධනය නොමඟ යවන ලෙස වැඩි කරයි ✔
පැහැදිලි කිරීම: දත්ත කාන්දු වීම යනු පුරෝකථනය කරන අවස්ථාවේ ඇත්ත වශයෙන්ම නොපවතින ආකෘතියට තොරතුරු හඳුන්වා දීමයි (උදාහරණයක් ලෙස, අනාගතය අඩංගු විචල්යයක්). මෙය කෘත්රිමව පරීක්ෂණ කාර්ය සාධනය පුම්බන අතර සැබෑ ලෝකයේ ආකෘතිය අසාර්ථක වීමට හේතු වේ.
9. මොන්ටේ කාලෝ සමාකරණයක් අත්යවශ්යයෙන්ම ක්රියාකාරකයකට සපයන්නේ කුමක්ද?
- A) ප්රතිඵලය තනි සහ නිශ්චිත සංඛ්යාවකට අඩු කරයි
- B) අහඹු සිදුවීම් විශාල සංඛ්යාවක් ජනනය කිරීමෙන් ප්රතිඵලයේ සම්භාවිතා ව්යාප්තිය සහ වලිග අවදානම දැකීමට එය ඉඩ සලසයි ✔
- C) එය ඓතිහාසික දත්ත අවශ්ය නොවී නිවැරදි අනාවැකි ලබා දෙයි.
- D) නීති සම්පාදන පෙළ ස්වයංක්රීයව ලියයි
පැහැදිලි කිරීම: Monte Carlo අහඹු සිදුවීම් විශාල වාර ගණනක් පුනරුච්චාරණය කරයි, එවිට ප්රතිඵලය තනි ලක්ෂ්යයකට වඩා සම්භාවිතා ව්යාප්තියක් (උදා: වලිගය අවදානම, 99.5% මට්ටම) ලෙස සැලකේ. එය අවිනිශ්චිතතාවය ප්රමාණ කිරීමට ප්රබල ක්රමයකි.
10. SCR (Solvency Capital Requirement) යන්නෙන් Solvency II රාමුව තුළ අදහස් කරන්නේ කුමක්ද?
- A) මුළු වාර්ෂික වාරික ආදායම
- B) ගෙවන ලද හානිවල එකතුව
- C) 99.5% විශ්වාසනීය මට්ටමකින් වසරක පාඩු පියවා ගැනීම සඳහා ප්රාග්ධන අවශ්යතාවය ✔
- D) ප්රතිරක්ෂණ කොමිස් අනුපාතය
පැහැදිලි කිරීම: SCR යනු වසරක් ඇතුළත 99.5% විශ්වාසනීය මට්ටමකින් (ආසන්න වශයෙන් වසර 200කට වරක් සිදුවනු ඇති නරකම අවස්ථාවක) එහි වගකීම් ඉටු කිරීම සඳහා සමාගම විසින් පවත්වාගෙන යා යුතු ප්රාග්ධන අවශ්යතාවයයි. එය රක්ෂණකරුවෙකුගේ මූල්ය ඔරොත්තු දීමේ ප්රධාන මිනුමක් වේ.
11. කෘත්රිම බුද්ධිය මගින් නිෂ්පාදනය කරන ලද මිලකරණ ආකෘතියක "වක්ර වෙනස්කම් කිරීම" සිදුවන්නේ කෙසේද?
- A) තහනම් විචල්යයක් හා සම්බන්ධ ප්රොක්සි විචල්යයක් වක්රව එකම වෙනස් කොට සැලකීමේ බලපෑම දරයි ✔
- B) ආකෘතිය ඉතා කුඩා දත්ත භාවිතා කරයි
- C) ඉහළ වාරික සැකසීම
- D) අඩු තාක්ෂණික උනන්දුව තෝරා ගැනීම
පැහැදිලි කිරීම: තහනම් විචල්යයක් (උදා. ජනවාර්ගිකත්වය) ආකෘතියෙන් ඉවත් කළද, දැඩි ලෙස සම්බන්ධ වූ ආදේශක විචල්යයක් (උදා: අසල්වැසි/Zip කේතය) වක්රව එම වෙනස් කොට සැලකීමේ බලපෑම ගෙන යා හැකිය. එබැවින්, ආකෘතිය පැහැදිලි ලෙස පමණක් නොව වක්ර වෙනස්කම් කිරීම් සඳහාද පරීක්ෂා කළ යුතුය.
12. ප්රසිද්ධියේ ලබා ගත හැකි කෘතිම බුද්ධි මෙවලමක් සමඟ ප්රතිපත්ති සහ හිමිකම් දත්ත විශ්ලේෂණය කිරීමේදී මූලික රහස්යතා රීතිය කුමක්ද?
- A) දත්ත කුඩා නම්, නිර්නාමිකකරණය අවශ්ය නොවේ
- B) සෑම අවස්ථාවකදීම නම් වෙනස් කිරීම පමණක් ප්රමාණවත් වේ
- C) දත්ත සංකේතනය කර ඇත්නම්, එය ඕනෑම වාහනයකට උඩුගත කළ හැක
- D) පුද්ගලික/පුද්ගලික දත්ත නිර්නාමික කිරීම, අනවශ්ය දත්ත බෙදා නොගැනීම සහ ආරක්ෂිත/ආයතනික මෙවලමක් තෝරා ගැනීම ✔
පැහැදිලි කිරීම: පුද්ගලික සහ විශේෂ දත්ත (TR ID, නම, රෝග විනිශ්චය, ප්රොටෝකෝලය) බෙදා ගැනීමට පෙර නිර්නාමික කළ යුතුය; හැකි නම්, ආකෘති පුහුණුවේදී දත්ත භාවිතා නොකරන දත්ත සැකසුම් ගිවිසුම් සහිත ආයතනික මෙවලම් වඩාත් කැමති විය යුතුය. KVKK හට මෙය අවශ්ය වේ.
13. Bornhuetter-Ferguson (BF) ක්රමය සමඟ දාම ඉණිමඟ සංසන්දනය කරන ක්රියාකාරිකයක් බොහෝ විට නොමේරූ (නව) හානි කාලයන් සඳහා BF කැමති වන්නේ ඇයි?
- A) නීතියෙන් BF අනිවාර්ය නිසා
- B) BF සඳහා දත්ත අවශ්ය නොවන නිසා
- C) නව කාලපරිච්ඡේදවලදී, දාම ඉණිමඟ සාධක ඉතා වාෂ්පශීලී වේ; BF අපේක්ෂිත හානි අනුපාතය ✔ භාවිතයෙන් වඩාත් ස්ථාවර පුරෝකථනයක් ලබා දෙයි
- D) චේන් ඉණිමඟ ක්රියාත්මක වන්නේ ජීවිත රක්ෂණයේ පමණක් වන බැවිනි
පැහැදිලි කිරීම: නව කාලපරිච්ඡේදවලදී ඉතා සුළු හානියක් සිදු වන බැවින්, දාම ඉණිමඟ සංවර්ධන සාධක කුඩා උච්චාවචනයන්ට අතිශයින් සංවේදී සහ වාෂ්පශීලී වේ. BF අපේක්ෂිත අලාභ අනුපාතය (ප්රථම) තොරතුරු භාවිතයෙන් මෙම අස්ථාවරත්වය සුමට කරන අතර වඩාත් ස්ථායී පුරෝකථනයක් ලබා දෙයි.
14. AI-උත්පාදනය කළ සංචිත ගිණුමට ක්රියාකාරිකයෙකු සෘජුවම අත්සන් කර එය නියාමකයා වෙත යවන්නේ නම් ඇති ප්රධාන ගැටලුව කුමක්ද?
- A) වගකීම සහ අවසාන අනුමැතිය ක්රියාකාරී ආයතනය සතු වේ; සත්යාපනය නොකළ මුද්රණ පිටපතක් අත්සන් කිරීමෙන් වෘත්තීය සහ නීතිමය අවදානම ඉවත් නොවේ ✔
- B) කෘත්රිම බුද්ධි ප්රතිදානය සෑම විටම සාවද්ය වන අතර භාවිතා නොකළ යුතුය
- C) නියාමකයා කෘතිම බුද්ධිය භාවිතය සම්පූර්ණයෙන්ම තහනම් කර ඇත
- D) කෘතිම බුද්ධි ප්රතිදානය සඳහා අත්සන අවශ්ය නොවේ
විස්තරය: AI ප්රතිදානය කෙටුම්පතකි; ක්රම තෝරා ගැනීම, උපකල්පන සහ අවසාන රූපය සඳහා වගකීම අත්සන් කිරීමේ ක්රියාකරු වෙත පැවරේ. සත්යාපනය නොකළ ප්රතිදානය අත්සන් කිරීම අත්සන් නොකළ වාර්තාවක් ප්රකාශ කිරීම තරම් අවදානම් සහගත වන අතර වෘත්තීය/නීතිමය වගකීම් ඉවත් නොකරයි.