Dobički:
- Sposobnost razločevanja, kje v aktuarskem delovnem toku (priprava podatkov, ustvarjanje kode, priprava poročila, interpretacija scenarijev) umetna inteligenca prihrani realni čas in zakaj so odločitve, kot so premija/rezervacije/kapital, prepuščene pristojnemu aktuarju, odvisno od stopnje tveganja naloge.
- Sposobnost uporabe discipline, ki preverja vsak izhod umetne inteligence s koraki njegovega povezovanja s proceduralnim virom, neodvisnega ponovnega izračuna in testiranja z aktuarskim sklepanjem.
- Anonimiziranje političnih, škodnih in zdravstvenih podatkov v okviru KVKK/zasebnosti ter pridobivanje navade izbire varnih vozil, ki ne uporabljajo podatkov pri usposabljanju modelov.
V zavarovalnici ali pokojninski družbi vsak mesec izdelajo na stotine prihodnjih številk: koliko premije bi morali plačati za to skupino polic? koliko pretekle škode še ni bilo prijavljeno; Kakšna je vrednost pokojnin, ki jih bomo danes izplačevali čez 30 let? Če pride slabo leto, bo podjetje preživelo? Poklic, ki odgovori na vsa ta vprašanja, je aktuar. Aktuar je specialist, ki meri, ceni in poroča o zavarovalnih in pokojninskih tveganjih z uporabo verjetnosti, statistike in finančne matematike; Vsaka številka, ki jo ustvari, neposredno vpliva na finančno bilanco podjetja, pravice zavarovanca in zaupanje revizorja. Tukaj nastopi umetna inteligenca.
Umetna inteligenca (AI ali na kratko AI – računalniški sistemi, ki lahko ustvarjajo besedilo, pišejo kodo, prepoznavajo vzorce in povzemajo podatke kot ljudje) zmanjša ponavljajoče se in zamudne dele aktuarskega dela na minute: pisanje kode za čiščenje podatkov, prevajanje računa v Python, priprava aktuarskega poročila, razlaga kompleksne distribucije v preprostem jeziku. Vendar pa lahko ista umetna inteligenca sestavi tudi zanesljivo številko, kot je "pogostnost vaše škode je 8 odstotkov", ne da bi kdaj videl vaše podatke. Prva enota tega modula ni uvod v programsko opremo; Njegov namen je razjasniti, kam umetno inteligenco umestiti v vaše aktuarsko poslovanje in kam je sploh ne.
Postavimo osnovno načelo od začetka: umetna inteligenca je pomočnik, ne aktuar. Odgovornost in končna odobritev finančno kritičnih odločitev, kot so premije, rezervacije (rezerve), kapital in obveznosti, pripada pristojnemu, imenovanemu in pooblaščenemu aktuarju podpisniku. Nepreverjen rezultat AI je enako tvegan kot nepodpisano aktuarsko poročilo.
Plasti aktuarstva in mesto AI
Ločevanje aktuarskega dela na tri plasti olajša pravilno umestitev AI. Tehnična/računalniška plast je tista, kjer se število ustvari: obdelava podatkov, izdelava modela, obračunavanje premij in rezerv. Plast sklepanja je tista, kjer se interpretira število: katero predpostavko izbrati, kateri faktor izboljšave ročno popraviti, kako prepričani smo v to oceno. Plast odgovornosti je tam, kjer se naredi podpis: poročilo gre regulatorju, odločitev je predstavljena vodstvu, aktuar je pravni lastnik rezultatov. AI je v prvi plasti zelo močan, v drugi samo pomožni, v tretji pa sploh ne.
Na začetku opredelimo nekaj osnovnih pojmov. Premija je cena, ki jo zavarovanec plača v zameno za tveganje. Škoda (odškodninski zahtevek) je škoda, ki jo utrpi zavarovanec in jo plača podjetje. Rezervacije so denar, ki je danes rezerviran za terjatve, ki bodo plačljive v prihodnosti. Obveznost je sedanja vrednost prihodnjega dolga podjetja do zavarovancev. Izpostavljenost je enota, ki meri obseg tveganja (npr. vozilo, zavarovano za eno leto = 1 vozilo-leto). Te koncepte bomo razložili enega za drugim v naslednjih enotah; Za zdaj vedite naslednje: umetna inteligenca vam daje načrt, kodo in analizo za vse te koncepte, vendar vi ustvarite končno izdajo in podpis.
Naslednja tabela povzema vlogo in stopnjo tveganja umetne inteligence po nalogah:
Iskanje
Vloga AI
Stopnja tveganja
Kdo odobri
Čiščenje/kodiranje podatkov
generator kode
nizka
Aktuar / podatkovni analitik
Osnutek poročila in povzetka
generator skic
nizka
aktuar
Opis porazdelitve/metode
vadnica, sum
nizka
aktuar
Model pogostosti in resnosti poškodb
Graditelj modela, osnutek
srednje
višji aktuar
IBNR / rezervni račun
osnutek računa
visoka
Odgovorni aktuar
Cene / tarife
Skica modela
visoka
Cenovni aktuar + skladnost
Kapital (SCR) / obveznost
pomožni vhod
zelo visoko
Imenovan aktuar + vodstvo
Upoštevajte eno vrstico v tej tabeli: ko tveganje narašča, se vloga umetne inteligence zmanjšuje in aktuarska odobritev raste.
Zakaj je "preverjanje" srce tega posla
Zdi se, da so jezikovni modeli umetne inteligence prepričani v svoj odgovor, vendar morda niso prepričani. V tehničnem jeziku se temu reče halucinacija: gre za izmišljotino neobstoječih informacij v tekočem stavku, kot da bi bile resnične. Za aktuarja je to smrtonosna past. Model vam lahko ustvari številko, kot je "razmerje izgube/premije tega portfelja je 72 odstotkov"; Vendar nikoli ni videl vaših podatkov in ta številka je popolnoma izmišljena. Lahko pa reče ime tabele umrljivosti kot "TRH-2020"; Vendar te tabele ni. Ker oboje pove enako tekoče, je edina stvar, ki loči dobro od napačnega, vaše aktuarsko znanje in navada preverjanja.
Disciplina preverjanja je sestavljena iz treh korakov:
- Povezava z metodo in virom: za številke se zanesite na lastne podatke in uradne vire, ne na pomnilnik AI. Vzemite kompendij AI kot izhodišče za formule, distribucije in regulativne članke; nato potrdite iz standardnih aktuarskih virov (učbenik, zakonodajno besedilo, postopek institucije). Uporabite AI za interpretacijo podatkov, ne za zapomnitev.
- Neodvisno preračunavanje: Neodvisno preverite vsak numerični rezultat, koeficient in razmerje, ki ga ustvari AI. Reproducirajte sedanjo vrednost, faktor rasti, vsoto sami ali s preverjeno preglednico.
- Preizkus z aktuarsko presojo: Preizkusite s strokovnim očesom, ali je rezultat v nasprotju z dejstvi na terenu (obnašanje portfelja, inflacija, zakonodaja, pretekle izkušnje). "Zakaj je ta faktor izšel kot 1,45 in ne 1,05?" Vedno postavite vprašanje.
Pozor: podpis zneska rezerve ali razporeda premij, ki ga pripravi AI, ne da bi ga preveril, je kot objava nepodpisanega aktuarskega poročila. Samo zato, ker je rezultat gladek in urejen, ni točen.
Zasebnost: podatki o politiki in škodi so zasebni podatki
Podatki o politiki in zahtevkih vključujejo podatke o identiteti, stikih, zdravju in financah. Nekatere od teh so posebne kategorije osebnih podatkov v okviru KVKK (Zakon o varstvu osebnih podatkov) v Turčiji in GDPR v Evropi; Predvsem diagnostični podatki pri zdravstvenih in življenjskih zavarovanjih so predmet najvišje zaščite. Prilepitev zavarovančevega imena, številke TR ID, številke police in diagnoze na javno vozilo z umetno inteligenco je resna kršitev. Enaka občutljivost velja za podatke o portfelju, ki so poslovna skrivnost (tabele premij, razdelitve izgub, pozavarovalni pogoji).
Pravilo je preprosto: anonimiziraj podatke in ne deli nepotrebnega. "54-letni moški, zgodovina bolezni srca" namesto "Ahmet Yılmaz, 54, polica 2024-88213, miokardni infarkt"; Skupna raba združenih/povzetih tabel namesto posameznih zapisov. Večina aktuarskih analiz se opravi z že agregiranimi podatki (starostna skupina, vrsta kritja, leto razvoja); To ščiti zaupnost in poenostavlja analizo. Če je mogoče, izberite poslovna orodja, ki imajo pogodbo o obdelavi podatkov in ne uporabljajo vaših podatkov pri usposabljanju modelov.
Namig: pri aktuarskem delu AI pogosto prejme povzetek/zbirno tabelo namesto neobdelanega zapisa. Tabela tipa "tabela 3: starostna skupina × pokritost × povprečna škoda" nima osebnih podatkov, ampak vse, kar je potrebno za analizo.
trije mini kovčki
Primer 1 – Varna in učinkovita uporaba. Pomočnik aktuarja bi porabil 2 dni za ročno čiščenje 40.000 vrstic podatkov o terjatvah. Umetni inteligenci je razložil strukturo podatkov (imena stolpcev, primer 5 anonimnih vrstic) in prosil za kodo za čiščenje Python. AI je izdelal osnutek kode v 15 minutah; Aktuar je prebral kodo vrstico za vrstico, popravil dve logični napaki (negativne škode je bilo treba pregledati ločeno in ne izbrisati) in jo zagnal na svojih podatkih. Trajanje: pol dneva namesto 2 dni. AI je napisal kodo, aktuar jo je preveril in zagnal.
2. primer — past nepreverjenih številk. Zaposleni je vprašal YZ: "Kakšno je kombinirano razmerje naše zavarovalniške podružnice?" AI je samozavestno dal številko "okoli 104 odstotkov", čeprav ni imel dostopa do nobenih podatkov. Zaposleni je to predstavil v svoji predstavitvi vodstva; dejanska stopnja je bila 97 odstotkov. Razlika je pripeljala do tega, da je bila dobičkonosna podružnica prikazana kot izguba, in napačna odločitev o zvišanju cene. Napaka: Čakanje na indikator iz umetne inteligence, ne da bi mu posredovali podatke.
Primer 3 – Kršitev zaupnosti. Aktuar je v javno orodje umetne inteligence naložil Excel, ki vsebuje polno ime, osebno izkaznico in zdravstveno izjavo vlagateljev življenjskega zavarovanja, in rekel "označite tvegane." Podatki so šli na zunanji strežnik; Pojavil se je pregled KVKK in tveganje za ugled. Pravilen način je bil odstraniti ime in ID ter deliti le starost, spol, znesek kritja in anonimne dejavnike tveganja.
Šibek poziv/močan poziv
Šibek poziv:
Povejte nam pogostost izgub našega portfelja v letošnjem letu in ustrezno premijo.
Ta trditev je napačna: AI ne dobi nobenih podatkov, zato lahko na vprašanje o "pogostosti" in "premiji" odgovori le z izmišljenimi številkami. Kakšna veja, kakšno obdobje, kakšna izpostavljenost je jasno.
Močan poziv:
Vaša vloga: pomočnik pri analizi, ki pomaga aktuarju. Naloga: Pomagajte mi razložiti spodnjo tabelo ANONIMNIH agregatov. Podatki (zavarovanje, 2024, brez province/ime): - Izpostavljenost: 12.400 vozil-let - Število zahtevkov: 1.612 - Skupni plačani zahtevki: 48.900.000 TLI želim: 1) Poiščite pogostost škode (število/izpostavljenost) in povprečje izračunajte resnost škode, pokažite formulo.2) Izračunajte premijo za tveganje (pogostost × resnost).3) Napišite vmesne korake, da lahko vsako številko preverim ročno. Ne izmišljujte si stvari; Samo uporabi številke, ki sem ti jih dal. Če kaj manjka, vprašajte.
Ta zahteva je močna, ker zagotavlja podatke anonimno, zahteva formule, zahteva vmesne korake in prepoveduje izdelavo.
Pogoste napake
- Zahteva številke brez podajanja podatkov. AI nima vašega portfelja v svojem pomnilniku; Vsaka številka, ki jo navede, je lažna. Najprej navedite anonimne podatke, nato pa zahtevajte račun.
- Podpis izhoda brez preverjanja. Tekoč in urejen grafikon še ne pomeni, da je točen. Pomnožite vsako številko neodvisno.
- Lepljenje osebnih podatkov v neobdelani obliki. Ime, identifikacijska številka, številka police in diagnoza se nikoli ne delijo. Anonimiziraj in uporabljaj agregate.
- Pustiti AI, da izbere metodo in ne dvomi o njej. "Katero metodo naj uporabim?" Odgovor na vprašanje je predlog; končna izbira je odvisna od aktuarske presoje in zakonodaje.
- Zamenjajte AI z virom zakonodaje. Model lahko sestavlja zakonodajne člene in imena tabel. Potrdite iz uradnega besedila.
Če povzamem
Umetna inteligenca je močan pomočnik, ki pospeši tehnične in ponavljajoče se dele aktuarskega dela; piše kodo, izdeluje osnutke, razlaga. Toda za odločitve o premijah, rezervacijah, kapitalu in obveznostih je odgovoren pristojni aktuar. Vsak rezultat je potrjen v treh korakih: vezava na metodo/vir, neodvisen ponovni izračun, preizkus z aktuarskim sklepanjem. Podatki so vedno anonimizirani in nepotrebni se ne delijo. Nepreverjen rezultat AI je enako tvegan kot nepodpisano poročilo.
Aplikacijska naloga
Izberite podružnico, v kateri delate (ali domnevate). Za to poslovalnico pripravite popolnoma anonimno in agregirano mini tabelo (izpostavljenost, število škod, skupna škoda). Zgornji »Zmogljiv poziv« prilagodite svoji tabeli in ga dajte orodju AI. Ponovno ročno (s kalkulatorjem) izračunajte pogostost vračanja, resnost in premijo za tveganje ter primerjajte z rezultatom AI. Če najdete razliko, zapišite zakaj.
kontrolni seznam
- [ ] Ali so podatki, ki jih posredujem AI, anonimni in združeni? Ali obstajajo osebni/zasebni podatki?
- [ ] Ali sem preračunal vsak številski rezultat neodvisno?
- [ ] Ali sem izbiro metode/predpostavke vzel kot predlog in se sam odločil?
- [ ] Ali sem potrdil zakonodajo in reference tabel iz uradnega vira?
- [ ] Ali vem, ali orodje, ki ga uporabljam, uporablja podatke pri usposabljanju modela?
- [ ] Je ta rezultat osnutek ali sem ga pomotoma obravnaval kot končnega?