ලාභ:
- කෘත්රිම බුද්ධියේ සහය ඇතිව හානි සංඛ්යාතය සහ හානි ප්රමාණය (තීව්රතාවය), සුදුසු බෙදාහැරීම් (විෂ, සෘණ ද්විපද, ගැමා) සහ සංයුක්ත ආකෘති තර්කනය අතර වෙනස තහවුරු කිරීමට සහ අර්ථකථනය කිරීමට හැකි වීම.
- නිවැරදි ප්රශ්න සහ දත්ත සමඟින් කෘත්රිම බුද්ධියට අතිශය විශාල පාඩු (පිටතට/විශාල පාඩු), දත්ත සීමා කිරීම් සහ ප්රවණතා/සංවර්ධන නිවැරදි කිරීම් වර්ග කිරීම.
- කෘත්රිම බුද්ධිය මගින් නිපදවන බෙදාහැරීමේ තේරීම සහ පරාමිතීන් යෝග්යතාවයේ හොඳ පරීක්ෂණ සහ ක්රියාකාරී තර්කනය මගින් තහවුරු කළ යුතු බව තේරුම් ගැනීමේ හැකියාව.
රක්ෂණ සමාගමක් සඳහා වඩාත්ම මූලික ප්රශ්නය වන්නේ: "ඊළඟ වසරේ මෙම ප්රතිපත්ති සමූහය සඳහා අපි කොපමණ හානියක් ගෙවමුද?" මෙම ප්රශ්නයට නිවැරදිව පිළිතුරු සැපයීම වාරිකය නිවැරදිව සැකසීම සහ ප්රමාණවත් සංචිත වෙන් කිරීම යන දෙකටම පූර්ව අවශ්යතාවයකි. ක්රියාකරුවන් මෙම ප්රශ්නයට පිළිතුරු දෙන්නේ එය දෙකකට බෙදීමෙනි; මක්නිසාද යත්, එක් කැබැල්ලකින් සම්පූර්ණ හානිය තක්සේරු කිරීම වෙනුවට වෙන වෙනම හැසිරීම් දෙකක් වෙන වෙනම ආදර්ශනය කිරීම වඩාත් නිවැරදි බැවිනි. මෙම කොටස් දෙක සංඛ්යාතය සහ තීව්රතාවය වේ.
සංඛ්යාතය (හානියේ සංඛ්යාතය) යනු එක් එක් නිරාවරණයකදී සිදුවන හානිය කොපමණද; උදාහරණයක් ලෙස, වාහන 100 ක් - වසරකට අනතුරු 8 ක්. බරපතලකම යනු එක් එක් හානියේ සාමාන්ය ප්රමාණයයි; උදාහරණයක් ලෙස, එක් අනතුරකට TL 30,000. දෙක ගුණ කිරීම අවදානම් වාරිකය ලබා දෙයි: එක් නිරාවරණයක් සඳහා අපේක්ෂිත හානිය පිරිවැය (0.08 × 30,000 = $2,400). මෙම ඒකකය තුළ අපි මෙම වෙනස තහවුරු කිරීමට, නිවැරදි සම්භාවිතා ව්යාප්තිය තෝරා ගැනීමට සහ පිටස්තරයන් කළමනාකරණය කිරීමට AI භාවිතා කරන්නේ කෙසේද යන්න පියවරෙන් පියවර බලමු. අපි මුල සිටම මතක් කරමු: AI බෙදාහැරීම් යෝජනා කරයි සහ කේතය ලියයි, නමුත් හොඳ යෝග්යතා පරීක්ෂණ සහ විනිශ්චය හරහා බෙදා හැරීමේ තේරීම තහවුරු කිරීම ක්රියාකරුට භාරයි.
සංඛ්යාතය සහ තීව්රතාවය වෙන වෙනම ආකෘතිගත කරන්නේ ඇයි?
සංඛ්යාතය සහ තීව්රතාවය විවිධ සංඛ්යානමය හැසිරීම් පෙන්වයි. හිමිකම් සංඛ්යාව ගණන් කිරීමේ විචල්යයක් (0, 1, 2, 3...) වන අතර සාමාන්යයෙන් අධි විසුරුම (විචලනය > මධ්යන්යය) තිබේ නම් එය Poisson ව්යාප්තියකින් හෝ ඍණ ද්විපද ව්යාප්තියකින් ආදර්ශනය කෙරේ. Poisson යනු දුර්ලභ හා ස්වාධීන සිදුවීම් ගණන ආදර්ශනය කරන සම්භාව්ය ව්යාප්තියයි. හානි ප්රමාණය අඛණ්ඩ සහ දකුණට නැඹුරු වූ විචල්යයකි: බොහෝ හිමිකම් කුඩා වේ, හිමිකම් කිහිපයක් ඉතා විශාල වේ. එමනිසා, බරපතලකම බොහෝ විට ගැමා හෝ ලොග්නෝමල් ව්යාප්තිය සමඟ ආදර්ශණය වේ; මේවා ධනාත්මක සහ දකුණට ඇලවූ බෙදාහැරීම් වේ.
මේ දෙක වෙන වෙනම ආදර්ශනය කිරීමෙන් ප්රතිලාභ තුනක් ඇත. පළමුව, සෑම කෙනෙකුටම තමන්ගේම රියදුරන් (අවදානම් සාධක) ඇති බව ඔබට පෙනෙනු ඇත: තරුණ රියදුරු වාර ගණන වැඩි කරයි, මිල අධික වාහනය ප්රචණ්ඩත්වය වැඩි කරයි. දෙවනුව, දත්ත වෙනස් වන විට, ඔබට හඳුනාගත හැක්කේ ඇයි: හානිය පිරිවැය හෝ හිමිකම් සංඛ්යාව වැඩි වී තිබේද? තෙවනුව, ඔබට ප්රචණ්ඩත්වය පැත්තෙන් වෙන වෙනම සලකා බැලිය හැක්කේ අතිශය විශාල පාඩු පමණි. මේ දෙකේ එකතුව සංයෝග ආකෘතියක් ලෙස හැඳින්වේ; අපේක්ෂිත සම්පූර්ණ හානිය = අපේක්ෂිත සංඛ්යාතය × අපේක්ෂිත බරපතලකම.
ඉඟිය: "අපගේ පාඩුව/වාරික අනුපාතය වැඩි වී ඇත" යන වාක්ය ඛණ්ඩය තනිවම කිසිවක් නොකියයි. සංඛ්යාතය හෝ තීව්රතාවය වැඩි වේද යන ප්රශ්නය වෙන් කරන්න; මැදිහත්වීම (මිල, ආවරණය, හානි කළමනාකරණය) සම්පූර්ණයෙන්ම වෙනස් වනු ඇත.
පිටත, කප්පාදුව සහ ප්රවණතා නිවැරදි කිරීම්
එහි අමු ආකාරයේ හානි දත්ත ආකෘති ගොඩනැගීම සඳහා සූදානම් නැත. සෑම විටම පාහේ නිවැරදි කිරීම් තුනක් අවශ්ය වේ. පළමුවැන්න අන්ත/ප්රධාන හානි වර්ගීකරණයයි: යෝධ හානි කිහිපයක් (උදා: කර්මාන්තශාලා ගින්නක්) සාමාන්යය විකෘති කරයි; මේවා වෙනම "ප්රධාන හානි බරක්" ලෙස ආකෘතිගත කර ඇත. දෙවැන්න ආවරණ වේ: යම් සිවිලිමකට (උදාහරණයක් ලෙස 1,000,000 TL) ඉතා විශාල හානියක් සවි කිරීම සහ ඉහළ කොටස වෙන වෙනම ගණනය කිරීම ආකෘතිය ස්ථාවර කරයි. තෙවනුව, ප්රවණතාවය සහ සංවර්ධන නිවැරදි කිරීම: අතීත හිමිකම් උද්ධමනය සමඟ අද මිල මට්ටමට (ප්රවණතාව) යාවත්කාලීන කළ යුතු අතර, තවමත් සම්පූර්ණයෙන් ගෙවා නොමැති හිමිකම් ඔවුන්ගේ අවසාන මට්ටමට ගෙන ආ යුතුය (සංවර්ධනය - අපි මෙම මාතෘකාව ඒකක 3 හි ආවරණය කරන්නෙමු).
පහත වගුව සංරචක දෙකෙහි ගුණාංග සංසන්දනය කරයි:
ලක්ෂණය
සංඛ්යාතය (සංඛ්යාත)
ප්රචණ්ඩත්වය (ප්රමාණය)
විචල්ය වර්ගය
ගණන් කිරීම (0,1,2...)
නියත, ධනාත්මක
සාමාන්ය බෙදාහැරීම
විෂ, සෘණ ද්විපද
ගැමා, lognormal
ප්රධාන රියදුරු උදාහරණ
වයස, පළපුරුද්ද, කලාපය, භාවිතය
වාහන වටිනාකම, ආවරණ සීමාව, අලුත්වැඩියා පිරිවැය
බාහිර ගැටලුව
අඩු
ඉහළ (ප්රධාන හානි)
උද්ධමන බලපෑම
දුර්වලයි
ශක්තිමත්
හානි ආකෘති නිර්මාණයේදී AI භාවිතා කරන්නේ කෙසේද
AI වඩාත් ප්රබල වන්නේ බෙදාහැරීමේ තේරීම සාකච්ඡා කිරීම, කේතය ලිවීම සහ ප්රතිඵලය අර්ථ නිරූපණය කිරීමයි. පහත දැක්වෙන්නේ පිටපත් කළ හැකි සැකිලි හතරකි.
1) බෙදාහැරීමේ තේරීම සාකච්ඡා කරන්න:
ඔබේ භූමිකාව: ක්රියාකාරී ආකෘති නිර්මාණ සහකාර. මට රක්ෂණ හිමිකම් AMOUNT දත්ත ඇත (නිර්නාමික, හිමිකම් 1,600). සාරාංශය: මධ්යන්ය 30,300 TL, මධ්යස්ථ 12,500 TL, උපරිම 940,000 TL, skewness ඉහළයි. ප්රශ්නය: බරපතල මාදිලිය සඳහා ගැමා හෝ ලොග්නෝමල් වඩාත් සුදුසු වේද? එක් එක් උපකල්පනය කුමක්ද, ප්ලස්/අඩු කිරීම සහ කුමන හොඳ යෝග්යතා පරීක්ෂණය සමඟද (උදා. මම තීරණයක් ගන්නා බව පැහැදිලි කරන්න (Q-Q ප්රස්ථාරය, K-S පරීක්ෂණය, AIC). නිශ්චිත තීරණයක් ගැනීම; මට සංසන්දනාත්මක රාමුවක් දෙන්න.
2) සංඛ්යාත-තීව්රතා ගණනය කිරීමේ කේතය:
පහත පියවරයන් සිදු කරන Python + pandas සමඟ අදහස් දැක්වූ කේතයක් ලියන්න: 1) df හි 'නිරාවරණය', 'claim_count', 'claim_amount' තීරු ඇත. 2) සාමාන්ය සංඛ්යාතය = සම්පූර්ණ හිමිකම්_ගණනය / සම්පූර්ණ නිරාවරණය. 3) සාමාන්ය බරපතලකම = මුළු හිමිකම්_ප්රමාණය / මුළු හිමිකම්_ගණන. 4) අවදානම් වාරිකය = සංඛ්යාතය × බරපතලකම. 5) සෑම අතරමැදි ප්රතිඵලයක්ම තිරයට මුද්රණය කරන්න එවිට මට එය අතින් සත්යාපනය කළ හැක. පුස්තකාල සවි කිරීම; පැන්ඩා භාවිතා කරන්න.
3) අතිශය අගය / කඩඉම් විශ්ලේෂණය:
මට නිර්නාමික හිමිකම් ප්රමාණය බෙදා හැරීමක් ඇත. 950,000, 720,000, 610,000 TL වැනි හිමිකම් මුළු මුදලින් 22% කි. ඔබේ ආවරණ ප්රවේශය ගැන මට කියන්න: - කුමන කැප් විකල්ප සාධාරණද (උදා. 500K, 750K, 1M)? - වෙනම "ප්රධාන හානියක්" ලෙස කැපූ කොටස නැවත එකතු කරන්නේ කෙසේද? - මෙම තීරණය අවදානම් වාරිකයට බලපාන ආකාරය පියවරෙන් පියවර මට පෙන්වන්න.
4) ප්රතිඵලය ව්යාපාරික භාෂාවට පරිවර්තනය කිරීම:
මගේ සංඛ්යාතය 0.13 සිට 0.15 දක්වා වැඩි විය; සාමාන්ය ප්රචණ්ඩත්වය TL 28,000 සිට 34,000 දක්වා වැඩි විය. කළමනාකරුවෙකුට තේරුම් ගත හැකි වාක්ය 4 කින් මෙය සාරාංශ කරන්න: - සිදු වූයේ කුමක්ද, කුමන සංරචකය කොපමණ ප්රමාණයකින් වැඩි වීද? - අවදානම් වාරිකය මත සම්පූර්ණ බලපෑම කුමක්ද? - මට සත්යාපනය කිරීමට අවශ්ය විය හැකි හේතු සහ උපකල්පන 2 ලියන්න.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
මගේ පාඩු ආකෘතිය සකසා වාරිකය ගණනය කරන්න.
අපැහැදිලි: කුමන දත්ත, කුමන සංරචකය, කුමන බෙදා හැරීම, කුමන කාල පරිච්ඡේදයද? AI මෙම හිඩැස පුරවන්නේ ප්රබන්ධ කිරීමෙනි.
බලවත් විමසුම:
ඔබේ භූමිකාව: ක්රියාකාරී ආකෘති නිර්මාණ සහකාර. දත්ත (නිර්නාමික, රථවාහන අංශය, 2024): නිරාවරණය 20,000 ප්රතිපත්ති-වසර, හිමිකම් ගණන 2,600, සම්පූර්ණ හානිය 91,000,000 TL, 5 විශාලතම හානිය මුළු TL 12,000,000. කාර්යය: 1) සංඛ්යාතය සහ අමු සාමාන්ය බරපතලකම ගණනය කරන්න, සූත්රය පෙන්වන්න. 2) විශාලතම හානි 5 එය TL 1,000,000 දක්වා සීමා කර නැවත සකස් කළ බරපතලකම ගණනය කරන්න. 3) අවදානම් වාරිකය සීමාව සමඟ සහ රහිතව සසඳන්න, වෙනස ගැන අදහස් දක්වන්න. 4) සෑම පියවරක්ම අතරමැදි අංක සමඟ ලියන්න, එවිට මට එය අතින් සත්යාපනය කළ හැක. මම ලබා දුන් අංක භාවිතා කරන්න; නැති නම් අහන්න.
කුඩා නඩු තුනක්
නඩුව 1 - වෙන්වීමේ බලය. එක් ක්ෂේත්රයක නිවාස ශාඛාවේ අලාභ/වාරික අනුපාතය වසරක් තුළ සියයට 68 සිට සියයට 81 දක්වා ඉහළ ගියේය. සන්ත්රාසය මිල වැඩි කිරීම යෝජනා කිරීමට පෙර, සංඛ්යාත-තීව්රතා වෙනසක් සිදු කරන ලදී: සංඛ්යාතය පාහේ නියත විය (0.041 → 0.043), නමුත් සාමාන්ය බරපතලකම 14,200 TL සිට 19,800 TL දක්වා ඉහළ ගොස් ඇත. හේතුව ඉදිකිරීම් පිරිවැය උද්ධමනය මිස ප්රතිපත්ති සංඛ්යාව හෝ අවදානම් පාරිභෝගිකයන් නොවේ. නිවැරදි මැදිහත්වීම වූයේ ආවරණ ප්රමාණය යාවත්කාලීන කිරීම මිස අන්ධ වාරික වැඩිවීමක් නොවේ.
නඩුව 2 - පිටත උගුල. ව්යාපාර රක්ෂණ කළඹක හිමිකම් 1,800ක සාමාන්යය TL 42,000 කි. කෙසේ වෙතත්, TL මිලියන 6.4ක එක් ගිනි හානියකින් පමණක් මෙම සාමාන්යය TL 3,500කින් පමණ වැඩි විය. මෙම ප්රධාන හානිය වෙනම "ප්රධාන හානි බරක්" ලෙස ආකෘතිගත කර සීමා කළ විට, මූලික බරපතලකම TL 38,500 දක්වා අඩු වූ අතර වාරිකය වඩාත් සාධාරණ විය. AI ඉක්මනින් ආවරණ කේතය සහ විකල්ප කැප් ජනනය කළේය; ක්රියාන්විතය තීරණය කළේය.
නඩුව 3 - Maldistribution. ප්රශ්නයකින් තොරව, සහයකයෙක් බරපතලකම සඳහා සාමාන්ය (Gaussian) බෙදාහැරීමක් තෝරාගත් AI කේතයක් ධාවනය කළේය. සාමාන්ය ව්යාප්තිය සෘණ අගයන් සහ සමමිතිය සඳහා ඉඩ දී ඇති බැවින්, එය දකුණු-ඇලවූ හානි දත්තවලට නොගැලපේ; ආකෘතිය කුඩා හානි අධිතක්සේරු කළ අතර විශාල ඒවා අවතක්සේරු කළේය. Q-Q ප්ලොට් සහ AIC සංසන්දනය කළ විට, ගැමා වඩාත් හොඳින් ගැලපේ. පාඩම: AI විසින් යෝජනා කරන ලද බෙදාහැරීම සෑම විටම යෝග්යතා පරීක්ෂාව මගින් පරීක්ෂා කරනු ලැබේ.
පොදු වැරදි
- සංඛ්යාතය සහ තීව්රතාවය ඒකාබද්ධ කිරීම සහ තනි ආකෘතියක් සමඟ අනාවැකි පළ කිරීම. එය වෙනස් හැසිරීම් දෙකක් සඟවයි; ඔබට රියදුරු අහිමි වන්නේ ඇයි?
- ආන්තික/ප්රධාන හානිය ඉවත් නොකර සාමාන්යකරණය. යෝධ හානි කිහිපයක් මුළු පින්තූරයම විකෘති කරයි; වාරිකය කෘතිමව පුම්බා ඇත.
- උද්ධමන ප්රවණතාවය යෙදීමෙන් තොරව පැරණි හානිය භාවිතා කිරීම. 2019 හානිය අද මිලට සමාන නොවේ; ප්රවණතා නිවැරදි කිරීම අවශ්ය වේ.
- දකුණට ඇලවූ දත්ත වලට සාමාන්ය ව්යාප්තියක් සවි කිරීම. සෘණ අගය සහ සමමිතිය උපකල්පනය හානි දත්ත වලට පටහැනි ය; ගැමා/ලොග් සාමාන්ය යැයි සිතන්න.
- යෝග්යතා පරීක්ෂණය සමඟ බෙදා හැරීමේ තේරීම සත්යාපනය නොකරයි. AI හි යෝජනාව ආරම්භයකි; Q-Q, K-S, AIC සමඟ තහවුරු කරන්න.
අවධානය: කැප් (කැපීම) මට්ටම අත්තනෝමතික ලෙස තෝරාගෙන නොමැත. ඉතා අඩු සිවිලිමක් විශාල හානියක් වීමේ අවදානම සඟවයි; ඉතා ඉහළ සිවිලිමක් කැපීම නිෂ්ඵල කරයි. කළඹෙහි අතීත ප්රධාන අලාභ අත්දැකීම් සහ ප්රතිරක්ෂණ නියමයන් දෙස බැලීමෙන් තෝරන්න.
සාරාංශයක් ලෙස
සම්පූර්ණ හානිය නිවැරදිව තක්සේරු කිරීමේ ක්රමය නම් එය සංඛ්යාතය (සංඛ්යාතය) සහ බරපතලකම (ප්රමාණය) ලෙස බෙදීමයි. සංඛ්යාතය Poisson/ඍණ ද්විපදයෙන්, තීව්රතාවය gamma/lognormal මගින් ආකෘතිගත කර ඇත; අවදානම් වාරිකය සොයා ගන්නේ දෙක ගුණ කිරීමෙන්. අමු දත්ත සඳහා පිටතින් ඉවත් කිරීම, කප්පාදු කිරීම සහ ප්රවණතා නිවැරදි කිරීම අවශ්ය වේ. AI බෙදාහැරීමේ සාකච්ඡාව කේතය සහ අදහස් දැක්වීම සඳහා විශිෂ්ට සහායකයෙකි; නමුත් බෙදා හැරීමේ තේරීම සහ සීමාව තීරණය සුදුසු පරීක්ෂණ සහ ක්රියාකාරී විනිශ්චය මගින් තහවුරු වේ.
යෙදුම් කාර්යය
නිර්නාමික හානි සාරාංශයක් සකස් කරන්න (නිරාවරණය, හිමිකම් ගණන, සම්පූර්ණ හානිය, ඉහළම හිමිකම් 3-5). (අ) අමු සංඛ්යාත-තීව්රතා-අවදානම් වාරිකය, (ආ) විශාල පාඩු සීමා කිරීමට සහ සකස් කළ අවදානම් වාරිකය ගණනය කිරීමට AI ට අසන්න. ප්රතිඵල දෙක අතින් සත්යාපනය කර අවදානම් වාරිකය වෙනස් කරන්නේ කුමන ප්රතිශතයකින්ද යන්න සටහන් කරන්න. ඉන්පසු AI වෙතින් "ප්රචණ්ඩත්වය සඳහා ගැමා හෝ ලොග්නෝමල්" යන ප්රශ්නය අසන්න සහ එය ලබා දෙන සංසන්දන රාමුව ඔබේම වචනවලින් සාරාංශ කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම සංඛ්යාතය සහ තීව්රතාවය වෙන වෙනම ගණනය කළාද, නැතිනම් මම ඒවා එක කෑල්ලක් ලෙස බැලුවාද?
- [ ] මම ප්රධාන/ආන්තික හානිය හඳුනාගෙන ඒ සම්බන්ධයෙන් වෙන වෙනම කටයුතු කර තිබේද?
- [ ] මම පැරණි හිමිකම් සඳහා උද්ධමනය/ප්රවණතා ගැලපීම යොදවා තිබේද?
- [ ] මම තීව්රතා ව්යාප්තිය හොඳ යෝග්යතා පරීක්ෂණයකින් සත්යාපනය කර තිබේද?
- [ ] මම ස්වාධීනව අවදානම් වාරිකය (සංඛ්යාත × බරපතලකම) නැවත ගණනය කර තිබේද?
- [ ] මම AI විසින් යෝජනා කරන ලද බෙදා හැරීම සහ සීමා මට්ටම ප්රශ්න කර එය විනිශ්චය සමඟ තහවුරු කළාද?