Faida:
- Uwezo wa kuanzisha modeli ya laini ya jumla (GLM), sababu ya hatari, ushuru na dhana za malipo ya hatari kwa usaidizi wa akili ya bandia na kutafsiri coefficients katika lugha ya biashara.
- Uwezo wa kujadili usawa wa uteuzi tofauti, mwingiliano, uboreshaji wa kupita kiasi, na tafsiri ya mifano ya kujifunza mashine (GBM) na akili ya bandia.
- Kuwa na uwezo wa kuelewa kuwa muundo wa bei hauna vigezo vilivyokatazwa/kibaguzi na uzingatiaji wa ushuru wa mwisho na sheria na ushindani huachwa kwa mtaalamu.
Bei ya sera ya bima haijaamuliwa kwa nasibu. Hatari ya ajali ya trafiki kwa dereva mwenye umri wa miaka 22, aliye na leseni mpya anayeishi katika jiji kubwa ni kubwa zaidi kwa takwimu kuliko ile ya dereva mwenye umri wa miaka 45 na uzoefu wa miaka 20; Katika mfumo wa haki, malipo yanapaswa pia kuwa tofauti. Kazi ya mtaalamu wa kupima tofauti hii na kuionyesha kwenye bei inaitwa uainishaji wa bei na hatari. Katika kitengo hiki, tutajadili muundo wa mstari wa jumla (GLM), uti wa mgongo wa uwekaji bei, na njia mbadala za kujifunza mashine, na kuona jinsi ya kutumia AI kwa usalama katika mchakato huu.
Masharti machache ya msingi. Sababu ya hatari ni tofauti inayoathiri hatari na hutumiwa katika bei (umri, umri wa gari, eneo, matumizi yaliyokusudiwa). Ushuru ni seti ya sheria zinazoamua jinsi malipo yatahesabiwa kulingana na sababu za hatari. Malipo ya hatari ni gharama halisi ya hasara inayotarajiwa; Wakati gharama, tume, kiasi cha faida na gharama za mtaji zinaongezwa, malipo ya kibiashara (bei ya mauzo) huundwa. Hebu tukumbushe tangu mwanzo: AI inapendekeza vigezo, hujenga mifano, inaelezea coefficients; Lakini ni kigeu gani ambacho ni cha kisheria na kimaadili na kama ushuru wa mwisho unatii sheria na ushindani ni wa mtaalam na kitengo cha kufuata.
Kwa nini GLM ni kiwango katika actuarial
Njia inayotumika zaidi katika kupanga bei ni GLM. GLM inawakilisha "muundo wa mstari wa jumla": huongeza urejeshaji wa mstari wa kawaida ili kutoshea malengo yasiyosambazwa kwa kawaida, kama vile data ya uharibifu. Ina vipengele viwili vya msingi. Familia ya usambazaji: Poisson huchaguliwa kwa marudio, gamma huchaguliwa kwa ukubwa (mantiki katika kitengo cha 2). Kitendaji cha kiungo (kiungo): kawaida logarithmic, ambayo inaruhusu mambo kuwa na athari ya kuzidisha. Muundo wa kuzidisha ni wa thamani sana katika actuarial kwa sababu hivyo ndivyo ushuru unavyowekwa: malipo ya msingi × kipengele cha umri × kipengele cha eneo × kipengele cha gari.
Faida kubwa ya GLM ni kutafsiri. Mgawo unakuambia moja kwa moja: "kikundi cha dereva cha vijana huongeza mzunguko kwa mara 1.6 ikilinganishwa na kikundi cha kumbukumbu." Uwazi huu ni muhimu kwa njia tatu: (1) mdhibiti na ukaguzi wa ndani wanaweza kuelewa na kuidhinisha modeli; (2) athari iliyopigwa marufuku/kibaguzi inaonekana; (3) mantiki ya bei inaweza kuelezewa kwa timu ya mauzo na usimamizi. Aina ngumu zaidi za kujifunza mashine (chini) wakati mwingine hutoa usahihi wa juu, lakini kwa gharama ya uwazi.
Kidokezo: Mgawo wa GLM uko kwenye kipimo cha kumbukumbu. Uliza AI ibadilishe mgawo kuwa "kipengele cha kuzidisha" na exp(mgawo); Itakuwa rahisi zaidi kutafsiri katika lugha ya biashara (k.m. mgawo 0.47 → kipengele ≈ 1.60 → "60% hatari zaidi").
Uteuzi unaobadilika, uwekaji kupita kiasi na ujifunzaji wa mashine
Uamuzi muhimu zaidi katika bei ni vigezo vipi vitabaki kwenye mfano. Kuna mitego miwili. Vigezo vichache hupofusha mfano: ikiwa dereva muhimu wa hatari amekosa, bei itakuwa mbaya. Kubadilika sana / kutoshea kupita kiasi hufanya kielelezo kukariri data ya zamani: modeli hukosea kelele kwa mawimbi na kushindwa na sera mpya. Salio huwekwa kupitia uthibitishaji mtambuka - kugawanya data katika vipande vya mafunzo na majaribio na kuifanyia majaribio kwenye data ambayo modeli haioni, usahili na hoja za kiuhalisia.
Mwingiliano pia ni muhimu: wakati mwingine athari ya pamoja ya mambo mawili hutofautiana na jumla ya athari zao tofauti (gari changa + la michezo linaweza kuwa hatari kuliko jumla ya athari zao za kibinafsi). Katika GLM, mwingiliano huongezwa kwa uwazi.
Katika miaka ya hivi majuzi, miundo kama vile GBM (mashine ya kuongeza gradient - mbinu ya mashine ya kujifunza ambayo inachanganya miti mingi ya maamuzi) imekuwa ya kawaida katika uwekaji bei. Hizi hunasa kiotomatiki ruwaza na mwingiliano changamano, mara nyingi hutoa utabiri sahihi zaidi kuliko GLM. Lakini inakuja kwa bei: tabia ya kuwa "sanduku nyeusi". Mazoezi ya kawaida leo ni kutumia GBM kwa uvumbuzi na utengenezaji wa wazo na GLM kwa ushuru wa mwisho wa uwazi; au kutafsiri matokeo ya GBM kwa zana za kueleweka kama vile SHAP.
Jedwali lifuatalo linalinganisha njia hizi mbili:
kigezo
GLM
GBM (kujifunza kwa mashine)
Kufasirika
Juu (kiwasha mgawo)
Chini (inahitaji zana ya ufafanuzi)
Ukamataji wa mwingiliano
Imeongezwa kwa mikono
moja kwa moja
Hatari ya kupita kiasi
chini-kati
Juu (marekebisho makini yanahitajika)
Idhini ya mdhibiti/ukaguzi
rahisi
Ngumu, inahitaji nyaraka za ziada
Matumizi ya kawaida
ushuru wa mwisho
ugunduzi, kulinganisha
Jinsi ya kutumia AI katika kupanga bei
1) Kutafsiri mgawo wa GLM katika lugha ya biashara:
Nilianzisha mzunguko wa GLM (Poisson, kiungo cha logi). Baadhi ya vigawo (kipimo cha kumbukumbu): age_group_18_25: 0.47 ; kanda_wengi: 0.22; arac_yasi_10plus: -0.15. Geuza kila moja kuwa kigezo cha kuzidisha na exp() na uieleze kwa sentensi moja ambayo msimamizi anaweza kuelewa. Pia kumbusha kikundi cha kumbukumbu ni nini.
2) Majadiliano ya kubadilishana / mwingiliano:
Jukumu lako: msaidizi wa bei. Vigezo vya mgombeaji wa muundo wa marudio ya trafiki ni: umri, jinsia, eneo, umri wa gari, nguvu ya injini, km ya kila mwaka, taaluma. - Ni vigeu gani vinaweza kuwa hatari kutoka kwa mtazamo wa udhibiti/kimaadili (k.m. ubaguzi usio wa moja kwa moja)? - Ni mwingiliano gani wa nchi mbili ungekuwa na maana kujaribu? - Je, ni hatua gani za uthibitishaji ninazopaswa kufuata ili kuepuka kujaza kupita kiasi? Kufanya maamuzi; Nipe mfumo wa udhibiti na majadiliano.
3) Nambari ya kudhibiti kupita kiasi:
Andika msimbo uliotolewa maoni ambao hutathmini GLM kwa uthibitishaji mtambuka wa k-fold kwa kutumia Python + scikit-learn / statsmodels. Tumia kupotoka kwa Poisson kama kipimo. Linganisha mafunzo na alama za mtihani na ueleze katika mstari wa maoni jinsi ya kusoma ishara ya kufidia kupita kiasi. Maktaba ni bandia.
4) Uchunguzi wa kutofautisha wa ubaguzi / mbadala:
'Postcode' iligeuka kuwa tofauti kubwa katika muundo wangu wa bei. Eleza hatari ya hii kuwakilisha kwa njia isiyo ya moja kwa moja sifa iliyokatazwa (k.m. kabila, mapato) kama kigezo cha wakala. - Ni uchambuzi gani nifanye ili kupima hatari hii? - Je, kuna njia mbadala za kupunguza hatari? Kutoa ushauri wa kisheria; chora mfumo wa kiufundi na kimaadili.
Mwongozo dhaifu / Mwongozo thabiti
Agizo dhaifu:
Anzisha muundo bora wa bei kwa bima ya trafiki.
"Bora" haijafafanuliwa; Hakuna data, hakuna vikwazo, hakuna sheria. AI inatoa jibu la jumla, lisilotumika.
Agizo lenye nguvu:
Jukumu lako: msaidizi wa mtaalamu wa bei. Muktadha: Ninaunda muundo wa mzunguko wa tawi la trafiki, GLM (Poisson, kiunga cha kumbukumbu). Vigezo ninavyo: kikundi cha umri, umri wa gari, eneo (mkoa), km ya kila mwaka, matumizi yaliyokusudiwa. Kizuizi: jinsia haiwezi kutumiwa na sheria; Ninahitaji kuepuka ubaguzi usio wa moja kwa moja.Kazi:1) Pendekeza ubainishaji wa kielelezo wa awali na viambajengo hivi (pamoja na vikundi vya marejeleo).2) Toa sababu za mwingiliano 2 ninaopaswa kujaribu.3) Toa orodha ya hatua za kuangalia kuzidisha kupita kiasi.4) Ongeza dokezo maalum la tahadhari kwa 'eneo' kwa suala la ubaguzi usio wa moja kwa moja.Nitafanya uamuzi; Unatoa mfumo na uhalalishaji.
kesi tatu ndogo
Kesi 1 - Thamani ya uwazi. Kampuni iliwasilisha muundo sahihi wa bei ilioujenga kwa GBM kwa kidhibiti, lakini haikuweza kueleza hesabu; idhini imechelewa. Mtaalamu aliunda GLM ambayo ilinasa mawimbi sawa; Usahihi ulipungua kwa asilimia 2, lakini kwa sababu kila sababu inaweza kuhesabiwa, mfano huo uliidhinishwa ndani ya mwezi mmoja. GBM ilihifadhiwa kwa uchunguzi, GLM ikawa ushuru. YZ ilitoa haraka msimbo na maelezo ya kidhibiti kulinganisha utendaji wa mifano hiyo miwili.
Kesi ya 2 - Mtego wa kupita kiasi. Msaidizi alipata alama kamili kwenye data ya mafunzo alipoongeza zaidi ya vigeu 40 na mwingiliano mwingi kwa modeli. Lakini baada ya kuthibitishwa, alama ya mtihani ilianguka: mwanamitindo alikuwa amekariri kelele. Utendaji wa ulimwengu halisi uliongezeka wakati idadi ya vigeuzi ilipunguzwa hadi 12 na kurahisishwa. Somo: angalia alama ya data isiyokuwa ya kawaida, sio alama ya mafunzo.
Kesi 3 - Ubaguzi usio wa moja kwa moja. Katika mfano mmoja, tofauti ya "kitongoji" ilielezea malipo kwa nguvu. Uchanganuzi ulionyesha kuwa tofauti hii kwa kiasi kikubwa iliingiliana na mkusanyiko wa kikabila, yaani, ilikuwa ni wakala wa sifa iliyokatazwa. Mtaalam alibadilisha mabadiliko haya na viashiria vya hatari zaidi (aina ya barabara, hali ya maegesho); hatari za kimaadili na kisheria zimepungua. AI ilitoa uchambuzi wa uunganisho wa kupima mwingiliano na mapendekezo mbadala ya kutofautisha; Kitengo cha uhakiki na kufuata kilifanya uamuzi.
Makosa ya kawaida
- Kufanya mfano usioweza kueleweka kuwa kichocheo cha mwisho. Bei ambayo haiwezi kuelezewa kwa mdhibiti, ukaguzi na mteja haiwezi kudumu; Uwazi ni muhimu.
- Kutegemea alama za elimu. Uwekaji kupita kiasi hugunduliwa tu katika data isiyoonekana (uthibitisho mtambuka).
- Kutumia vigeu vilivyokatazwa/vya mbadala bila kuangalia. Vigezo kama vile msimbo wa eneo na kazi vinaweza kubeba ubaguzi usio wa moja kwa moja; Hakikisha kuijaribu.
- Inachanganya malipo ya hatari na malipo ya kibiashara. Gharama ya uharibifu pekee sio bei ya kuuza; gharama, faida na gharama ya mtaji huongezwa.
- Kuacha mgawo kwa kiwango cha logi na kutafsiri vibaya. Kutoa maoni bila kuibadilisha kuwa sababu ya kuzidisha na exp() kutasababisha hitilafu.
Tahadhari: Mapendekezo ya AI ya mfano "hutoa usahihi bora" sio kiotomatiki kielelezo "kinachopaswa kutumika". Uwazi, haki na uzingatiaji wa sheria ni vigezo vya lazima pamoja na usahihi katika uwekaji bei wa takwimu.
Kwa muhtasari
Kuweka bei ni mchakato wa kupima hatari kwa kutumia vipengele vya hatari na kuibadilisha kuwa malipo ya haki. GLM ni kiwango cha bei ya uhalisia na muundo wake wa kuzidisha na unaoweza kufasiriwa; Coefficients hubadilishwa kuwa vipengele vilivyo na exp(). Miundo ya kujifunza kwa mashine kama vile GBM inaweza kuwa sahihi zaidi, lakini hupunguza uwazi na kwa kawaida hutumiwa kugundua. Uteuzi unaobadilika unapaswa kulindwa dhidi ya kufifishwa kupita kiasi kwa uthibitishaji mtambuka, na ubaguzi usio wa moja kwa moja (utofauti wa mbadala) unapaswa kudhibitiwa kwa uangalifu. AI huunda mfano, huandika msimbo na kuelezea mgawo; Lakini kufuata sheria-maadili na ushuru wa mwisho ni mali ya kitengo cha uhakiki na kufuata.
Jukumu la maombi
Orodhesha sababu 5-6 za hatari kwa kuu. Uliza AI (a) maelezo ya awali ya GLM yenye vipengele hivi, (b) mwingiliano 2 ili kujaribu na mantiki yake, (c) uchunguzi wa vigeuzo ambavyo vinaweza kuwa katika hatari ya ubaguzi usio wa moja kwa moja. Kisha, toa mfano wa vijigawo 3 vya kumbukumbu, iombe AI ibadilishe kuwa kizidishio kwa exp() na kuihamisha hadi lugha ya biashara, na ithibitishe vipengele wewe mwenyewe.
orodha ya ukaguzi
- [ ] mfano wangu unaweza kufasiriwa; Je, ninaweza kutafsiri athari za kila kipengele katika lugha ya biashara?
- [ ] Je, nimekagua kuzidisha kwa uthibitisho mtambuka?
- [ ] Je, nimechanganua kwa ubaguzi usio wa moja kwa moja kwa vigeu vilivyokatazwa na vya wakala?
- [ ] Je, kwa uangalifu nimetenganisha malipo ya hatari kutoka kwa malipo ya kibiashara?
- [ ] Je, nilibadilisha coefficients kuwa vizidishi na exp() na kutafsiri kwa usahihi?
- [ ] Je, nilifanya uamuzi wa mwisho wa ushuru pamoja na kitengo cha sheria na uzingatiaji?