Faida:
- Kuwa na uwezo wa kutofautisha ni wapi katika utendakazi wa kitaalamu (utayarishaji wa data, utengenezaji wa msimbo, utayarishaji wa ripoti, ukalimani wa mazingira) akili ya bandia huokoa wakati halisi na kwa nini maamuzi kama vile malipo ya juu/mtaji/mtaji yanaachiwa mtaalamu anayefaa, kulingana na kiwango cha hatari ya kazi.
- Uwezo wa kutumia taaluma inayothibitisha kila pato la AI kupitia hatua za kuiunganisha na chanzo cha kiutaratibu, kukokotoa upya huru, na kuipima kwa hoja za kiuhalisia.
- Kuficha utambulisho wa data ya sera, uharibifu na afya ndani ya wigo wa KVKK/faragha na kupata mazoea ya kuchagua magari salama ambayo hayatumii data katika mafunzo ya mfano.
Katika kampuni ya bima au pensheni, mamia ya nambari za siku zijazo hutolewa kila mwezi: ni kiasi gani cha malipo tunapaswa kulipa kwa kundi hili la sera? ni kiasi gani cha uharibifu uliopita bado haujaripotiwa; Je, ni thamani gani ya pensheni tutakayolipa katika miaka 30 leo? Ikiwa mwaka mbaya unakuja, kampuni itaishi? Taaluma inayojibu maswali haya yote ni ya kitaalam. Mtaalamu ni mtaalamu ambaye hupima, bei na kuripoti hatari za bima na kustaafu kwa kutumia uwezekano, takwimu na hisabati ya fedha; Kila takwimu inazotoa huathiri moja kwa moja salio la kifedha la kampuni, haki za mtu aliyepewa bima na uaminifu wa mkaguzi. Hapa ndipo akili ya bandia inapotumika.
Akili Bandia (AI, au AI kwa mifumo fupi ya kompyuta inayoweza kutoa maandishi, kuandika misimbo, kutambua ruwaza, na kufupisha data kama binadamu) hupunguza sehemu zinazorudiwa na zinazochukua muda za kazi ya kitaalamu hadi dakika: kuandika msimbo wa kusafisha data, kutafsiri akaunti katika Python, kuandaa ripoti ya kitaalamu, kuelezea usambazaji changamano kwa lugha rahisi. Walakini, AI hiyo hiyo inaweza pia kutengeneza nambari ya kujiamini kama vile "masafa yako ya uharibifu ni asilimia 8" bila kuona data yako. Kitengo cha kwanza cha moduli hii sio utangulizi wa programu; Madhumuni yake ni kufafanua wapi kuweka AI katika biashara yako ya actuarial na wapi usiiweke kabisa.
Wacha tuweke kanuni ya msingi tangu mwanzo: Akili ya bandia ni msaidizi, sio mtaalam. Wajibu na uidhinishaji wa mwisho wa maamuzi muhimu ya kifedha kama vile malipo, masharti (hifadhi), mtaji na madeni ni mali ya msajili aliye na uwezo, aliyeteuliwa na aliyeidhinishwa. Utoaji wa AI ambao haujathibitishwa ni hatari kama ripoti ya kitaalamu ambayo haijasainiwa.
Tabaka za biashara ya actuarial na mahali pa AI
Kutenganisha kazi ya actuarial katika tabaka tatu hurahisisha kuweka AI kwa usahihi. Safu ya kiufundi/ya hesabu ndipo nambari inatolewa: usindikaji wa data, muundo wa muundo, uhasibu wa malipo na hifadhi. Safu ya hoja ni pale nambari inapofasiriwa: ni dhana gani ya kuchagua, kipengele kipi cha uboreshaji cha kusahihisha mwenyewe, tuna uhakika gani katika makadirio hayo. Safu ya uwajibikaji ni pale ambapo saini inafanywa: ripoti inakwenda kwa mdhibiti, uamuzi unawasilishwa kwa usimamizi, mtaalamu ni mmiliki wa kisheria wa matokeo. AI ina nguvu sana katika safu ya kwanza, msaidizi tu katika pili, na sio kabisa katika tatu.
Hebu tufafanue maneno machache ya msingi tangu mwanzo. Malipo ni bei inayolipwa na aliyewekewa bima badala ya hatari. Uharibifu (dai) ni uharibifu unaopatikana kwa aliyewekewa bima na kulipwa na kampuni. Malipo/hifadhi ni pesa zilizowekwa kando leo kwa madai yatakayolipwa katika siku zijazo. Dhima ni thamani ya sasa ya deni la baadaye la kampuni kwa wamiliki wa sera. Mfiduo ni kitengo kinachopima ukubwa wa hatari (k.m. gari lililowekewa bima kwa mwaka mmoja = mwaka 1 wa gari). Tutazieleza dhana hizi moja baada ya nyingine katika vitengo vifuatavyo; Kwa sasa, jua hili: AI inakupa mwongozo, msimbo, na uchanganuzi wa dhana hizi zote, lakini unatoa toleo la mwisho na sahihi.
Jedwali lifuatalo linatoa muhtasari wa jukumu na kiwango cha hatari cha AI kwa misheni:
Jitihada
Jukumu la AI
Kiwango cha hatari
Nani anaidhinisha
Kusafisha data / kuweka msimbo
jenereta ya kanuni
chini
Mchambuzi / mchambuzi wa data
Ripoti na rasimu ya muhtasari
jenereta ya mchoro
chini
mtaalamu
Maelezo ya usambazaji/mbinu
mafunzo, muhtasari
chini
mtaalamu
Mfano wa ukali wa uharibifu
Mjenzi wa mfano, rasimu
kati
mtaalam mkuu
IBNR / akaunti ya hifadhi
rasimu ya akaunti
juu
Mtaalamu anayewajibika
Bei / ushuru
Mchoro wa mfano
juu
Mtaalamu wa bei + kufuata
Mtaji (SCR) / dhima
pembejeo msaidizi
juu sana
Mtaalamu aliyeteuliwa + usimamizi
Kumbuka mstari mmoja katika jedwali hili: hatari inapoongezeka, jukumu la AI hupungua na uidhinishaji wa kitaalamu hukua.
Kwa nini "uthibitishaji" ndio kiini cha biashara hii
Miundo ya lugha ya akili bandia inaonekana kujiamini katika jibu lao, lakini huenda haina uhakika. Katika lugha ya kitaalamu, hii inaitwa hallucination: ni uzushi wa mfano wa habari zisizopo katika sentensi fasaha, kana kwamba ni kweli. Kwa mwanasayansi, huu ni mtego mbaya. Muundo unaweza kukuletea nambari kama vile "uwiano wa hasara / malipo ya kwingineko hii ni asilimia 72"; Walakini, hajawahi kuona data yako na nambari hii imeundwa kabisa. Au anaweza kusema jina la jedwali la vifo kama "TRH-2020"; Walakini, hakuna meza kama hiyo. Kwa kuwa anasema yote mawili kwa ufasaha sawa, kitu pekee kinachotenganisha mema na mabaya ni ujuzi wako wa kihalisi na tabia ya uthibitishaji.
Nidhamu ya uthibitishaji ina hatua tatu:
- Unganisha kwa mbinu na chanzo: Tegemea data yako mwenyewe na vyanzo rasmi vya nambari, sio kumbukumbu ya AI. Chukua mkusanyiko wa AI kama kianzio cha fomula, usambazaji na vifungu vya udhibiti; kisha uthibitishe kutoka kwa vyanzo vya kawaida vya actuarial (kitabu, maandishi ya sheria, utaratibu wa taasisi). Tumia AI kutafsiri data, sio kuikumbuka.
- Kukokotoa upya kwa kujitegemea: Angalia kwa kujitegemea kila matokeo ya nambari, mgawo, na uwiano wa AI huzalisha. Toa tena thamani ya sasa, kipengele cha ukuaji, jumla wewe mwenyewe au kwa lahajedwali iliyothibitishwa.
- Jaribio kwa uamuzi wa hali halisi: Jaribu kwa jicho la kitaalam ikiwa matokeo yanapingana na ukweli wa msingi (tabia ya kwingineko, mfumuko wa bei, sheria, uzoefu wa zamani). "Kwa nini sababu hii ilitoka kama 1.45 na sio 1.05?" Uliza swali kila wakati.
Angalizo: Kutia saini nambari ya akiba au ratiba ya malipo inayotolewa na AI bila kuithibitisha ni kama kuchapisha ripoti ya kitaalamu ambayo haijatiwa saini. Kwa sababu tu pato ni laini na kwa utaratibu sio sahihi.
Faragha: data ya sera na uharibifu ni data ya kibinafsi
Data ya sera na madai inajumuisha utambulisho, mawasiliano, taarifa za afya na fedha. Baadhi ya hizi ni kategoria maalum za data ya kibinafsi ndani ya mawanda ya KVKK (Sheria ya Ulinzi wa Data ya Kibinafsi) nchini Türkiye na GDPR barani Ulaya; Hasa, taarifa za uchunguzi katika bima ya afya na maisha ni chini ya ulinzi wa juu zaidi. Ni ukiukaji mkubwa kubandika jina la mwenye bima, nambari ya kitambulisho cha TR, nambari ya sera na utambuzi kwenye gari la umma la AI. Usikivu huo unatumika kwa data ya kwingineko ambayo ni siri za biashara (meza za malipo, mgawanyiko wa hasara, masharti ya reinsurance).
Sheria ni rahisi: ficha data na usishiriki bila lazima. "Mwanaume mwenye umri wa miaka 54, historia ya ugonjwa wa moyo" badala ya "Ahmet Yılmaz, 54, sera 2024-88213, infarction ya myocardial"; Shiriki majedwali yaliyowekwa katika vikundi/ya muhtasari badala ya rekodi za kibinafsi. Uchambuzi mwingi wa uhalisia unafanywa kwa data iliyojumlishwa tayari (kikundi cha umri, aina ya chanjo, mwaka wa maendeleo); Hii yote inalinda usiri na kurahisisha uchanganuzi. Ikiwezekana, chagua zana za shirika zilizo na makubaliano ya kuchakata data na usitumie data yako katika mafunzo ya mfano.
Kidokezo: Katika kazi ya takwimu AI mara nyingi hupewa jedwali la muhtasari/jumla badala ya rekodi mbichi. Jedwali kama "Jedwali la 3: kikundi cha umri × chanjo × uharibifu wa wastani" hauna data ya kibinafsi, lakini kila kitu kinachohitajika kwa uchambuzi.
kesi tatu ndogo
Kesi ya 1 - Matumizi salama na bora. Mtaalamu msaidizi angetumia siku 2 kusafisha mwenyewe mistari 40,000 ya data ya madai. Alielezea muundo wa data (majina ya safu, mfano safu 5 zisizojulikana) kwa AI na akauliza nambari ya kusafisha ya Python. AI ilitoa rasimu ya kanuni katika dakika 15; Mtaalamu alisoma msimbo kwa mstari, akarekebisha makosa mawili ya kimantiki (uharibifu hasi ulipaswa kuchunguzwa kando badala ya kufutwa), na akaiendesha kwa data yake mwenyewe. Muda: nusu siku badala ya siku 2. AI iliandika msimbo, mtaalamu aliikagua na kuiendesha.
Kesi ya 2 - Mtego wa nambari ambao haujathibitishwa. Mfanyakazi aliuliza YZ, "Je, ni uwiano gani wa pamoja wa tawi letu la bima?" AI kwa ujasiri ilitoa idadi ya "kama asilimia 104" ingawa haikuwa na ufikiaji wa data yoyote. Mfanyakazi aliweka hili katika uwasilishaji wake wa usimamizi; kiwango halisi kilikuwa asilimia 97. Tofauti hiyo ilisababisha tawi lenye faida kuonyeshwa kama hasara na uamuzi usio sahihi wa kuongeza bei. Hitilafu: Kusubiri kiashiria kutoka kwa AI bila kutoa data kwake.
Kesi ya 3 - Uvunjaji wa usiri. Mtaalamu alipakia Excel iliyo na jina kamili la waombaji bima ya maisha, kitambulisho na tamko la afya kwenye zana ya umma ya AI na kusema "tia alama kwenye hatari." Data ilienda kwa seva ya nje; Mapitio ya KVKK na hatari ya sifa iliibuka. Njia sahihi ilikuwa kuondoa jina na kitambulisho na kushiriki umri, jinsia, kiasi cha huduma na vipengele vya hatari ambavyo havikujulikana pekee.
Mwongozo dhaifu / Mwongozo thabiti
Agizo dhaifu:
Tuambie masafa ya upotezaji wa kwingineko yetu mwaka huu na malipo yanayofaa.
Dai hili ni potofu: AI haipewi data, kwa hivyo inaweza tu kujibu swali la "frequency" na "premium" na nambari zilizoundwa. Ni tawi gani, kipindi gani, ni mfiduo gani ni wazi.
Agizo lenye nguvu:
Jukumu lako: msaidizi wa uchanganuzi akisaidia mtaalamu. Jukumu: Nisaidie kutafsiri jedwali la jumla lisilojulikana hapa chini.Data (bima, 2024, hakuna mkoa/jina):- Ufichuzi: miaka 12,400 ya gari- Idadi ya madai: 1,612- Jumla ya madai yanayolipwa: 48,900,000) Tafuta mara kwa mara TLI /exposure) wastani wa kuhesabu ukali wa uharibifu, onyesha fomula.2) Piga hesabu ya malipo ya hatari (frequency × ukali).3) Andika hatua za kati ili niweze kuthibitisha kila nambari kwa mikono.Usifanye mambo; Tumia tu nambari nilizokupa. Ikiwa kuna kitu kinakosekana, uliza.
Ombi hili ni thabiti kwa sababu linatoa data bila kujulikana, linahitaji fomula, linahitaji hatua za kati na linapiga marufuku uundaji.
Makosa ya kawaida
- Kuuliza nambari bila kutoa data. AI haina kwingineko yako katika kumbukumbu yake; Kila namba anayotoa ni fake. Kwanza toa data isiyojulikana, kisha uulize akaunti.
- Kusaini matokeo bila kuthibitishwa. Chati ya maji na ya utaratibu haimaanishi kuwa ni sahihi. Zalisha kila nambari kwa kujitegemea.
- Kubandika data ya kibinafsi katika umbo lake mbichi. Jina, nambari ya kitambulisho, nambari ya sera na utambuzi hazishirikiwi kamwe. Usitambulishe na utumie mijumuisho.
- Kuruhusu AI kuchagua njia na sio kuihoji. "Nitumie njia gani?" Jibu la swali ni pendekezo; chaguo la mwisho linatokana na uamuzi wa kiuhalisia na sheria.
- Kukosea AI kwa chanzo cha sheria. Mfano huo unaweza kuunda vifungu vya sheria na majina ya jedwali. Thibitisha kutoka kwa maandishi rasmi.
Kwa muhtasari
Akili ya Bandia ni msaidizi mwenye nguvu anayeharakisha sehemu za kiufundi na za kurudia za kazi ya actuarial; anaandika kanuni, hutoa rasimu, anaelezea. Lakini jukumu la maamuzi ya malipo ya kwanza, utoaji, mtaji na dhima liko kwa mtaalamu mwenye uwezo. Kila matokeo yanathibitishwa kupitia hatua tatu: funga kwa mbinu/chanzo, ukokotoaji huru unaojitegemea, jaribu kwa hoja za kiuhalisia. Data daima haitambuliki na haishirikiwi sio lazima. Utoaji wa AI ambao haujathibitishwa ni hatari kama ripoti ambayo haijasainiwa.
Jukumu la maombi
Chagua tawi ambalo unafanya kazi (au kudhani). Tayarisha jedwali ndogo lisilojulikana na lililojumlishwa kwa tawi hili (mfiduo, idadi ya madai, uharibifu kamili). Badili "uhakika wa Nguvu" hapo juu kwa jedwali lako na uipe zana ya AI. Kokotoa upya marudio ya kurudi, ukali, na malipo ya hatari kwa mikono (ukitumia kikokotoo) na ulinganishe na matokeo ya AI. Ikiwa utapata tofauti, kumbuka kwa nini.
orodha ya ukaguzi
- [ ] Je, data ninayotoa kwa AI haijulikani na imejumlishwa? Je, kuna taarifa zozote za kibinafsi/za kibinafsi?
- [ ] Je, nimehesabu upya kila matokeo ya nambari kwa kujitegemea?
- [ ] Je, nilichukua mbinu/chaguo la kudhaniwa kama pendekezo na kuamua mwenyewe?
- [ ] Je, nimethibitisha sheria na marejeleo ya jedwali kutoka kwa chanzo rasmi?
- [ ] Je, ninajua ikiwa zana ninayotumia hutumia data katika mafunzo ya kielelezo?
- [ ] Je, matokeo haya ni rasimu, au niliichukulia kama ya mwisho kimakosa?