Faida:
- Uwezo wa kuelezea dhana za uhalisia kama vile frequency ya upotezaji, ukali wa uharibifu na utoshelevu wa malipo na akili ya bandia na kuandaa rasimu ya uchambuzi.
- Uwezo wa kujaribu pato la muundo wa bei, ubora wa data na mawazo dhidi ya uhasibu huru na kanuni za kisanii.
- Uwezo wa kuelewa kwamba ushuru wa mwisho na maamuzi ya utoaji wa kiufundi ni wajibu wa wataalamu wenye uwezo na kwamba akili ya bandia ni zana ya usaidizi tu.
Bei ya bima sio bahati mbaya; Inahesabiwa kwa hisabati. Actuary (uwanja wa utaalam katika bima ambayo hupima hatari kwa uwezekano na takwimu na kuanzisha usawa wa malipo, utoaji na chanjo) hujibu swali "hatari hii itatugharimu nini kwa wastani na tunawezaje kuifunika kwa malipo ya haki?" Mtaalamu (mtaalamu mwenye uwezo anayefanya hesabu hii na anawajibika kisheria) huleta pamoja data ya uharibifu, mwelekeo na mawazo na huamua ushuru (kiwango cha bei) na masharti ya kiufundi (fedha zilizowekwa kwa ajili ya madai ya baadaye). Akili Bandia (programu inayojifunza ruwaza kutoka kwa data na kutoa maandishi, maelezo, na muhtasari) ni msaidizi mwenye nguvu katika kazi hii nzito ya uchanganuzi: kufafanua dhana, kufupisha data, kuandika uchambuzi, kupendekeza kanuni na fomula. Lakini uamuzi wa kitaalamu hubeba saini na wajibu; Akili bandia haiwezi kuweka sahihi hii. Katika kitengo hiki, utajifunza jinsi ya kueleza na kuchanganua dhana za kimsingi za uhalisia kwa kutumia akili ya bandia na jinsi ya kupima matokeo dhidi ya hesabu huru na kanuni za uhalisi.
Dhana za kimsingi: Mzunguko, ukubwa na utoshelevu wa malipo
Dhana tatu huunda uti wa mgongo wa bei:
- Mara kwa mara dai: Idadi ya madai kwa kila sera (au kitengo) katika kipindi fulani. Kwa mfano, ikiwa kuna madai 45 kwa mwaka katika sera 1,000 za bima ya gari, mara kwa mara ni 0.045 (yaani 4.5%).
- Ukali wa uharibifu: Kiwango cha wastani kinacholipwa kwa kila dai. Ikiwa jumla ya TL 3,150,000 ililipwa kwa uharibifu 45 katika jalada sawa, ukali ni TL 70,000.
- Gharama ya uharibifu inayotarajiwa (malipo ya hatari): Frequency × ukali. Kwa mfano, 0.045 × 70,000 = 3,150 TL. Hii ndiyo gharama halisi ya hasara inayotarajiwa kwa kila sera; Malipo ya jumla huundwa wakati gharama, kamisheni na kiasi cha faida kinaongezwa.
- Utoshelevu wa premium: Kama malipo yanayokusanywa yanatosha kufidia uharibifu na gharama zinazotarajiwa. Bonasi haitoshi huiweka kampuni katika hasara; Malipo kupita kiasi husababisha bei isiyo na ushindani na isiyo ya haki.
AI ni muhimu sana katika kuelezea dhana hizi, kutoa muhtasari wa marudio/nguvu kutoka kwa seti ya data, na kuelezea hatua za uchanganuzi. Walakini, lazima uhesabu tena matokeo ya nambari.
Kidokezo: Kuwa na akili bandia kuelezea dhana ya kihalisi "kwa mfano wa nambari, kana kwamba kuielezea kwa mwanafunzi wa daraja la 10" ni muhimu sana katika mafunzo ya timu na katika kuielezea kwa mteja. Lakini angalia nambari: hata kuzidisha kwa mfano kunaweza kuifanya vibaya.
Atificial intelligence inasimama wapi kwenye actuarial
Mstari mwekundu katika actuary ni wazi: ushuru wa mwisho, utoaji wa kiufundi na uamuzi wa kutosha wa malipo ni wajibu wa mtaalam mwenye uwezo. AI husaidia kwa kazi zifuatazo: ufafanuzi wa dhana, muhtasari wa data, muhtasari wa uchambuzi wa uchunguzi, pendekezo la fomula/msimbo, kufanya maandishi yanayotokana kusomeka. Haiwezi kuwa na sauti ya mwisho katika masuala yafuatayo: kuidhinisha ushuru, kutangaza utoshelevu wa utoaji, kukubali mawazo kama ya mwisho. Kwa sababu maamuzi haya yanaathiri moja kwa moja afya ya kifedha ya kampuni na haki ya mteja ya bei inayolingana na yanategemea sheria (SEDDK - Kanuni za Udhibiti na Usimamizi wa Pensheni ya Binafsi).
Angalizo: Ushuru au kiwango kinachopendekezwa na akili bandia hakitawahi kuchapishwa bila majaribio huru ya ubora wa data na mawazo. Dhana mbaya (k.m. kupuuza athari za mfumuko wa bei) inaweza kuweka kwingineko yote katika njia ya madhara.
Hatua kwa hatua: Rasimu ya uchanganuzi wa takwimu unaoungwa mkono na AI
- Usitambulishe na utambue data. Hakuna data ya kibinafsi; nambari zilizojumlishwa pekee. Taja kipindi, kwingineko na aina ya dhamana.
- Fafanua dhana na mbinu. Uliza AI kuelezea hatua za uchanganuzi wa marudio/nguvu.
- Swali ubora wa data. Je, kuna madhara yoyote ya kukosa data, viambajengo, vipindi visivyolingana, IBNR (madai bado hayajaripotiwa)?
- Andika mawazo waziwazi. Juu ya nini dhana ni mfumuko wa bei, mwenendo, mambo ya maendeleo ya msingi?
- Kuhesabu matokeo kwa kujitegemea. Pata tena malipo ya mara kwa mara, ukubwa na hatari ukitumia lahajedwali yako mwenyewe.
- Jaribu na uthibitishe kwa kanuni ya uhalisia. Mtaalamu mahiri hutathmini na kuashiria kulingana na utoshelevu wa malipo, haki na sheria.
kesi tatu ndogo
Kesi ya 1 - Kukamata dhana mbaya. Mtaalamu msaidizi alipokea rasimu ya uchanganuzi kutoka kwa akili bandia kwa ushuru wa bima ya gari. Upelelezi wa Bandia ulichukua wastani wa ukubwa wa uharibifu wa miaka 3 iliyopita kama TL 62,000 na kukokotoa malipo ya hatari. Mtaalamu aligundua kuwa vurugu hazijarekebishwa kwa mfumuko wa bei ili kuwasilisha thamani: kwa gharama za sasa za ukarabati wa gari, vurugu kwa kweli ilikuwa ~ $89,000. Marekebisho haya yaliongeza malipo ya hatari kwa 43%. Bila udhibiti wa kujitegemea, ushuru hautakuwa wa kutosha.
Kesi ya 2 - Upotoshaji wa bidhaa za nje. Jumla ya uharibifu 500 katika kwingineko moja ilionekana kuwa TL 40,000,000; lakini TL 22,000,000 ya hii ilitokana na uharibifu mkubwa wa moto. Upelelezi wa Bandia ulifanya muhtasari wa wastani wa vurugu kama TL 80,000. Mtaalamu alitathmini uharibifu huu mkubwa kando (kwa sababu haujirudii kila mwaka); Wastani wa uharibifu "wa kawaida" ulikuwa ~ 36,000 TL. Kutenganisha muuzaji nje kulifanya ushuru kuwa wa kweli.
Kesi ya 3 - Cheki cha haki. Katika mradi wa bei ya bima ya afya, akili bandia ilitoa ongezeko la juu sana kwa kikundi fulani cha umri. Mtaalamu aligundua kuwa pendekezo lilitoka kwa sampuli ndogo na yenye kelele tu (idadi ndogo ya madai); Haikuwa ya kutegemewa kitakwimu. Zaidi ya hayo, ilikuwa kinyume na kanuni ya bei ya haki inayohitajika na sheria. Mtaalamu kwanza alifanya hesabu ya kutegemewa na data nyingi zaidi na kisha akafanya uamuzi.
Vidokezo vinne vinavyoweza kunakiliwa
1) Maelezo ya dhana (ya mafunzo/mteja):
Fanya kama mkufunzi wa taaluma. Eleza dhana za "masafa ya hasara", "ukali wa uharibifu" na "malipo ya hatari" hatua kwa hatua kwa mfano mmoja wa nambari mfululizo (k.m. sera 1,000, madai 45, malipo ya jumla ya TL 3,150,000). Onyesha fomula na matokeo ya kati katika kila hatua. Tumia lugha rahisi na inayoeleweka.
2) Rasimu ya mifupa ya uchambuzi:
Ifuatayo inaangazia hatua za uchanganuzi wa mara kwa mara wa ukali wa data iliyojumlishwa ya madai (bila data ya kibinafsi): [muda, idadi ya sera, idadi ya madai, malipo yote]Katika kila hatua: bainisha kinachokokotolewa, ni mawazo gani yanayohitajika, ni hatari gani ya ubora wa data iliyopo (data inayokosekana, bidhaa za nje, IBNR, mfumuko wa bei). Nitahesabu tena matokeo ya nambari; unaweka mbinu.
3) Ubora wa data na muulizaji wa dhana:
Kagua uchanganuzi wa rasimu ifuatayo kutoka kwa mtazamo wa mtaalamu mkuu:[bandika rasimu]Uliza: Je, vurugu imerekebishwa kwa mfumuko wa bei? Je, bidhaa za nje ziliondolewa? Sampuli ni ya kuaminika? Je, IBNR ilizingatiwa? Je, dhana ya mwelekeo ni ipi?Orodhesha kila udhaifu chini ya "HATARI" na pendekezo la kusahihisha.
4) Kurahisisha maandishi ya matokeo:
Badilisha matokeo yafuatayo ya uchanganuzi yaliyothibitishwa kuwa muhtasari rahisi wa utendaji kwa msimamizi ambaye si mtaalamu: [bandika matokeo]Usibadilishe nambari, ongeza nambari mpya. Eleza wazi kutokuwa na uhakika na mawazo. Ongeza kumbuka: "Uamuzi wa mwisho wa ushuru unategemea idhini ya mtaalamu mwenye uwezo."
Mwongozo dhaifu / Mwongozo thabiti
Dhaifu: "Hesabu malipo ya bima ya gari na data hii na uandike ushuru."
Tatizo: Ushuru wa moja kwa moja (eneo nyekundu) uliombwa; hakuna mawazo, hakuna ubora wa data na hakuna uthibitisho. Muundo huo unalingana na kiwango kisichotegemewa kutoka kwa data ya kelele.
Imara: "Rasimu ya hatua za uchanganuzi wa kasi ya mzunguko; bainisha dhana na hatari ya ubora wa data katika kila hatua. Nitahesabu matokeo ya nambari. Usifanye uamuzi wa ushuru."
Kwa nini ni nzuri: AI huanzisha njia, mtaalamu huweka hesabu na uamuzi; mawazo yanaonekana.
chati ya kulinganisha
hatua
Jukumu la AI
Jukumu la uhalisi
Hatari
Ufafanuzi wa dhana
Inafafanua, mifano
Inathibitisha usahihi
mfano mbaya
Muhtasari wa data
aggregates
Hukagua chanzo
Upotoshaji wa nje
Uorodheshaji wa mawazo
Inapendekeza
kukubali/kataa
Dhana inayokosekana/isiyo sahihi
Uhesabuji wa malipo ya hatari
rasimu ya formula
Akaunti za kujitegemea
Hitilafu ya akaunti
Uamuzi wa ushuru / utoaji
-
Huamua na ishara
Malipo ya kutosha
Makosa ya kawaida
- Kupata idadi ya akili bandia moja kwa moja. Mfano huo unaweza hata kufanya kuzidisha / kuongeza kuwa sahihi; hesabu upya kila matokeo.
- Kuruka mfumuko wa bei na marekebisho ya mwenendo. Kuanzisha ushuru bila kuleta vurugu za zamani katika sasa kutaharibu kwingineko.
- Kuchanganya nje na wastani. Uharibifu mmoja mkubwa hupotosha ushuru mzima; Tathmini tofauti.
- Kutegemea sampuli ndogo. Uwiano kutoka kwa idadi ndogo ya uharibifu hauaminiki; Hesabu ya kustahili mikopo inahitajika.
- Kupuuza haki. Ni kinyume cha sheria kutoa nyongeza isiyo ya haki kwa kikundi kulingana na kelele za takwimu.
Kwa muhtasari
Katika kazi ya uhalisia, akili ya bandia inaeleza dhana, muhtasari wa data, inaelezea uchambuzi na kupendekeza fomula; lakini haiamui juu ya ushuru, utoaji na utoshelevu wa malipo. Tumia dhana ya mzunguko, ukubwa na malipo ya hatari kwa usahihi; swali ubora wa data (nje, IBNR, mfumuko wa bei, uaminifu wa sampuli); kuhesabu kila nambari kwa kujitegemea; Andika mawazo waziwazi. Uamuzi wa mwisho ni wajibu wa mtaalam mwenye uwezo na unategemea kanuni za SEDDK.
Jukumu la maombi
Tengeneza muhtasari wa marudio na ukali kwa kutumia akili bandia kutoka kwa seti ya data ya uharibifu ulio nayo (kwa madhumuni ya majaribio, iliyojumlishwa). Kisha fanya hesabu sawa na wewe mwenyewe kwenye lahajedwali. Zingatia tofauti kati ya matokeo hayo mawili; Ikiwa kuna tofauti, pata sababu (mfumko wa bei, nje, kuzidisha vibaya). Kagua mawazo yako kwa kidokezo #3 na utambue angalau hatari mbili za ubora wa data.
orodha ya ukaguzi
- [ ] Nilitumia data iliyojumlishwa pekee, isiyo ya kibinafsi.
- [ ] Nilihesabu upya marudio, ukubwa na malipo ya hatari mimi mwenyewe.
- [ ] Nilituma marekebisho ya mfumuko wa bei/mwelekeo.
- [ ] Nilitathmini wauzaji kando.
- [ ] Nilihoji kutegemewa kwa sampuli.
- [ ] Niliandika mawazo kwa uwazi.
- [ ] Niliacha uamuzi wa mwisho wa ushuru/utoaji kwa idhini ya mtaalamu anayestahili.