Mga nadagdag:
- Kakayahang suriin ang kalidad ng ebidensya at limitasyon ng output habang nagbubuod sa aplikasyon, deklarasyon at data ng kadalubhasaan gamit ang artipisyal na katalinuhan at pagmamarka ng mga kadahilanan ng panganib
- Kakayahang i-cross-validate ang output ng artificial intelligence na may mga tuntunin sa patakaran at gabay sa underwriting sa pagtanggap, pagtanggi, karagdagang mga desisyon sa premium at exception
- Ang kakayahang maunawaan na ang panghuling responsibilidad para sa desisyon sa underwriting ay nakasalalay sa karampatang underwriter at na ang pagbabawal ng diskriminasyon ay dapat sundin.
Ang underwriting ay ang puso ng insurance: ito ay ang trabaho ng pagtatasa ng panganib ng isang aplikasyon at pagpapasya na tanggapin (o tanggihan) ang patakaran sa kung anong mga termino, kung anong coverage at sa anong premium. Kapag ang Underwriter (ang karampatang eksperto na gumagawa ng desisyong ito) ay tumitingin sa isang aplikasyon, talagang naghahanap siya ng sagot sa isang tanong: "Patas ba at napapanatiling gawin ng kumpanya ang panganib na ito, sa presyong ito, na may ganitong garantiya?" Upang masagot ang tanong na ito, kinakailangang basahin ang form ng aplikasyon, deklarasyon ng nakaseguro, ulat ng eksperto, mga rekord ng nakaraang pinsala at data ng industriya nang magkasama. Ang artificial intelligence (software na natututo ng mga pattern mula sa data at gumagawa ng teksto at mga buod) ay nagpapagaan sa pasanin na ito ng "pagbasa at pagbubuod ng maraming dokumento nang magkasama". Ngunit mag-ingat: ang artificial intelligence ay nagbubuod sa panganib, hindi nito inaako ang panganib. Ang mga desisyon sa pagtanggap, pagtanggi, karagdagang bonus at pagbubukod ay palaging may pirma ng karampatang underwriter. Sa unit na ito, matututunan mo kung paano ligtas na gumamit ng artificial intelligence sa underwriting desk, kung paano sukatin ang evidentiary value ng output, at kung paano mapanatili ang walang diskriminasyon.
Saan nagagamit ang artificial intelligence sa underwriting?
Ang underwriting file ay kadalasang magulo: mga form sa iba't ibang format, hand-filled na mga deklarasyon, mahabang ulat sa pagtatasa, mga talahanayan. Ito ay kung saan ang artificial intelligence ay nasa pinakamalakas. Ligtas nitong pinapabilis ang mga sumusunod na gawain:
- Buod ng dokumento: Pagbawas ng sampung pahinang ulat sa kadalubhasaan sa lugar ng trabaho sa kalahating pahina, item-by-item na buod ng panganib.
- Pagmarka ng kadahilanan ng peligro: Paglista ng mga kapansin-pansing punto tulad ng "Ang gusali ay 45 taong gulang, ang bubong ay gawa sa kahoy, mayroong isang fuel depot sa malapit."
- Pagtuklas ng nawawala/hindi pare-parehong impormasyon: Upang makita ang kontradiksyon sa pagitan ng taon ng konstruksiyon na idineklara sa aplikasyon at taon sa ulat ng eksperto.
- Pagbuo ng mga tanong sa pagkontrol: Paggawa ng listahan ng nawawalang impormasyon na itatanong ng Underwriter sa customer o ahensya.
Ang hindi ginagawa ng artificial intelligence ay presyo ang panganib at gumawa ng desisyon sa pagtanggap. Ang pangungusap na "Ang panganib na ito ay katanggap-tanggap" o "ang premium ay dapat tumaas ng 20%" ay isang desisyon sa underwriting; Ito ay dapat na nakabatay sa gabay sa underwriting (ang panloob na dokumento ng kumpanya na tumutukoy sa mga tuntunin sa pagtanggap), ang tala ng taripa at ang mga pangkalahatang kondisyon ng patakaran. Maaaring i-draft ng artificial intelligence ang desisyong ito, ngunit ang karampatang underwriter ang gumagawa ng desisyon at pumipirma sa katwiran.
Pansin: Ang desisyon sa premium, saklaw o pagtanggap na iminungkahi ng artificial intelligence ay isang hula, hindi isang hatol. Walang isasamang rekomendasyon sa patakaran nang walang cross-verification sa gabay sa underwriting at mga tuntunin ng patakaran.
Pagsusuri sa katibayan ng kalidad ng output
Kapag nag-flag ang AI ng risk factor, isa itong claim; hindi patunay. Sinasala ng isang mahusay na underwriter ang bawat claim na may tatlong tanong:
- Sa anong dokumento nakabatay ang claim na ito? Kung sinabi ng artificial intelligence na "mataas ang panganib sa sunog", sa aling obserbasyon ng eksperto ito nakuha? Kung walang source, baka gawa-gawa lang.
- Nabibilang ba ang claim sa file na ito o ito ba ay isang pangkalahatang pagpapalagay? Minsan nagdaragdag ang AI ng pangkalahatang impormasyon gaya ng "sa mga ganitong uri ng mga lugar ng trabaho, kadalasan..."; Maaaring hindi wasto ang pangkalahatang katotohanan sa file na ito.
- Maaari bang ma-verify ang claim? Maaaring kumpirmahin ang edad ng gusali mula sa titulo ng titulo, at ang kasaysayan ng pinsala ay maaaring kumpirmahin mula sa query ng SBM (Insurance Information and Monitoring Center). Huwag gumamit ng claim na hindi maaaring gawin bilang batayan para sa isang desisyon.
Tip: Palaging isama ang sumusunod na pangungusap sa prompt: "sabihin ang dokumento/pahina kung saan nakabatay ang bawat claim." Ang isang claim na hindi nagbabanggit ng mga pinagmulan ay napupunta sa itaas ng iyong listahan ng pag-verify.
Hakbang-hakbang: Daloy ng underwriting na sinusuportahan ng artificial intelligence
- Anonymize ang konteksto. Alisin ang pangalan ng aplikante, numero ng ID, numero ng patakaran at impormasyon sa pakikipag-ugnayan; pamalit sa makatotohanang katumbas.
- Mag-upload ng mga dokumento at humiling ng buod. I-extract ang isyu sa panganib, mga kilalang salik at mga kakulangan gamit ang sanggunian sa dokumento.
- Gawing checklist ang iyong mga kadahilanan sa panganib. Gawing tanong ang bawat item na minarkahan ng artificial intelligence upang makumpirma.
- Cross-verify sa gabay sa underwriting. Suriin ang manual para sa pamantayan sa pagtanggap, mga limitasyon sa kapasidad at mga mandatoryong pagbubukod.
- Kalkulahin ang premium nang nakapag-iisa. Gawin ang iyong sariling mga kalkulasyon gamit ang tala ng taripa at teknikal na talahanayan ng premium; Huwag kailanman direktang kunin ang numero na ibinigay ng artificial intelligence.
- Isulat ang desisyon at ang pangangatwiran nito. Itala ang iyong pagtanggap/pagtanggi/karagdagang premium/pagbubukod na desisyon, na nagsasaad ng panuntunan kung saan ito nakabatay.
tatlong mini case
Kaso 1 - Nahuli ang hindi pagkakapare-pareho. Ang halaga ng gusali na idineklara sa aplikasyon ng patakaran sa pakete ng pabahay ay 2,400,000 TL, at sa ulat ng pagtatasa ito ay 3,900,000 TL. Sa buod nito, inilagay ng AI ang dalawang numerong ito nang magkatabi at nagbabala na "ang value statement ay hindi pare-pareho." Salamat sa babalang ito, napagtanto ng Underwriter ang panganib ng underinsurance (proporsyonal na pagbabayad sa kaso ng pinsala kung ang gusali ay nakaseguro na mas mababa sa tunay na halaga nito) at naghanda ng isang alok batay sa tamang halaga. Ang AI ay hindi gumawa ng desisyon; ginawang nakikita ang hindi pagkakapare-pareho.
Kaso 2 - Pagtanggi na gumawa ng up. Sa isang shipping insurance file, ang AI ay sumulat ng eksaktong rate na nagsasabing "ang karaniwang 0.15% na rate ng seguro sa kargamento ay nalalapat sa kalakal." Binuksan ng underwriter ang tala sa taripa: walang ganoong nakapirming rate para sa klase at ruta ng kalakal na ito; Ang artificial intelligence ang bumubuo sa rate. Ginawa ng underwriter ang kanyang sariling pagkalkula ng rate; Ang resulta ay 0.28%. Kung wala ang independiyenteng account, ang premium ay hindi gaanong magagamit.
Kaso 3 — Bitag sa diskriminasyon. Sa isang komersyal na aplikasyon ng fleet ng sasakyan, iminungkahi ng artificial intelligence ang mga driver ng "karagdagang bonus dahil ang kapitbahayan na kanilang tinitirhan ay mapanganib." Tinanggihan ito ng underwriter: ang rehiyon ng paninirahan ay maaaring isang proxy variable na nauugnay sa mga protektadong katangian tulad ng etnisidad, na lumilikha ng hindi direktang diskriminasyon. Ang bonus ay batay sa lehitimong, makatwirang pamantayan tulad ng aktwal na kasaysayan ng pag-claim ng mga driver at profile sa pagmamaneho.
Apat na makokopya na prompt
1) Buod ng panganib sa aplikasyon:
Isa kang commercial insurance underwriting assistant. Ibuod ang sumusunod na hindi nakikilalang aplikasyon at teksto ng pagtatasa:[paste text]Output:1. Isyu sa panganib (maikli)2. Mga kilalang kadahilanan ng panganib (artikulo sa pamamagitan ng artikulo, sanggunian ng dokumento/pahina sa bawat isa)3. Hindi kumpleto o hindi pare-parehong impormasyon4. Mga tanong na itatanong ng underwriter sa kliyente/ahensya na GUMAWA ng desisyon sa pagtanggap/pagtanggi o bonus. Huwag gawin ang rate na hindi ka sigurado; Isulat ang "wala sa dokumento".
2) Cross-check gamit ang gabay sa Underwriting:
Nasa ibaba ang isang buod ng panganib at ang mga nauugnay na artikulo ng aming gabay sa underwriting. Buod ng panganib: [i-paste]Mga Alituntunin: [i-paste]Gawain: Itugma ang bawat risk factor sa buod sa nauugnay na item ng alituntunin. Markahan sa ilalim ng hiwalay na heading ang mga puntong nangangailangan ng mandatoryong pagbubukod, karagdagang kundisyon o limitasyon sa kapasidad ayon sa guideline. Ako ang magpapasya; magkaparehas lang kayo.
3) Nawawalang dokumento at hindi pagkakapare-pareho ng browser:
I-scan ang mga kontradiksyon o pagtanggal sa mga dokumento sa sumusunod na file ng aplikasyon: [i-paste ang mga dokumento]Hanapin ang pagkakapare-pareho, lalo na sa mga sumusunod na lugar: deklarasyon ng halaga, taon ng pagtatayo/produksyon, nilalayong paggamit, address, kasaysayan ng pinsala. Ipakita ang magkasalungat na numero nang magkatabi at isulat kung saang dokumento sila nanggaling.
4) Draft na katwiran ng desisyon (pagkatapos ng pag-verify):
DRAFT ang katwiran ng desisyon sa underwriting batay sa sumusunod na na-verify na impormasyon: [na-verify na mga kadahilanan ng panganib, inilapat na panuntunan, nakalkulang premium]Tono: pormal, malinaw, walang diskriminasyon. Ibase ang desisyon sa lehitimong pamantayan sa panganib; huwag gumamit ng mga protektadong katangian (kasarian, pinagmulan, kapitbahayan, atbp.). Ito ay isang draft; Ang pinal na desisyon at lagda ay pag-aari ng underwriter.
Mahinang prompt / Malakas na prompt
Mahina: "Kalkulahin ang naaangkop na premium para sa application na ito at sabihin sa amin kung dapat namin itong tanggapin."
Problema: Isang direktang red-zone na desisyon (bonus + pagtanggap) ay hinihiling. Dahil ang artificial intelligence ay hindi alam ang mga taripa, ito ay bumubuo ng mga rate; walang source, walang limitasyon at walang verification.
Strong: "Kumilos bilang isang underwriting assistant. Ibuod ang hindi nakikilalang aplikasyon na may mga sanggunian sa dokumento, i-highlight ang mga kadahilanan sa panganib at mga kakulangan. Huwag gumawa ng bonus o desisyon sa pagtanggap; ilista lamang ang mga tanong na susuriin."
Bakit ito mabuti: Ang gawain ay pinananatili sa dilaw na sona, ang output ay naa-audit, ang desisyon ay nananatili sa underwriter.
tsart ng paghahambing
Paghanap
Ginagawa ba ito ng artificial intelligence?
Sino ang nagdedesisyon?
pagpapatunay
Buod ng dokumento
Oo (draft)
Nagbabasa ang underwriter
Sanggunian ng dokumento
Pagmamarka ng kadahilanan ng peligro
Oo (rekomendasyon)
Kinukumpirma ng underwriter
Pinagmulan ng dokumento
Nawawala/hindi pagkakapare-pareho ang pagtuklas
Oo
Nagsusuri ang underwriter
interdocumentary
premium na account
hindi
Actuary/underwriter
Tala ng taripa, independiyenteng account
Desisyon sa pagtanggap/pagtanggi
hindi
karampatang underwriter
Gabay + mga tuntunin ng patakaran
Mga karaniwang pagkakamali
- Direktang gamit ang bonus na ibinigay ng artificial intelligence. Ang isang modelo na hindi alam ang taripa ay bumubuo sa mga rate; Palaging kalkulahin ang premium nang nakapag-iisa.
- Pagtanggap ng panganib na kadahilanan nang walang pinagmulan. Hindi nagtatanong kung saang obserbasyon ng eksperto ang sinasabing "mataas na panganib sa sunog" ay batay sa.
- Ang diskriminasyon sa isang kahalili na variable. Paglalapat ng mga karagdagang suhestiyon sa bonus batay sa kapitbahayan, pangalan o pinagmulan nang walang pagtatanong.
- Nagkakamali sa pangkalahatang impormasyon para sa fact file. Iniisip na ang pariralang "Sa ganitong mga lugar ng trabaho ay karaniwang..." ay kabilang sa file na ito.
- Pagtatala ng desisyon nang walang katwiran. Hindi masagot ang tanong na "anong panuntunan ang iyong pinagtitibay?" sa panahon ng pag-audit.
Sa buod
Sa underwriting, ang artificial intelligence ay nagbubuod sa dokumento, nagba-flag ng risk factor, nakakakuha ng mga pagkukulang at hindi pagkakapare-pareho, at bumubuo ng control question; ngunit hindi nito pinapahalagahan ang panganib at gumawa ng desisyon sa pagtanggap. I-filter ang bawat output para sa pinagmulan, konteksto ng file, at pagpapatunay; malayang kalkulahin ang premium; Gawin ang desisyon sa pagtanggap/pagtanggi batay sa gabay sa underwriting at mga tuntunin ng patakaran. Panatilihin ang pagbabawal ng diskriminasyon: ang desisyon ay dapat na nakabatay sa lehitimong, maipaliwanag na pamantayan sa panganib. Ang pangwakas na responsibilidad ay nakasalalay sa karampatang underwriter.
Gawain ng aplikasyon
Kumuha ng tunay (ngunit para sa mga layunin ng pagsubok, hindi nagpapakilala) na reference na file. Gumawa ng buod ng panganib na may prompt na numero 1 sa itaas. Pagkatapos ay subukang hanapin ang pinagmulan ng bawat kadahilanan ng panganib na na-flag ng AI sa dokumento: ilan ang may tunay na batayan ng dokumento, ilan ang mga pagpapalagay? Tandaan ang mga resulta sa isang talahanayan at isulat kung ano ang ginawa mo para sa "mga hindi pinagkunan na claim."
checklist
- [ ] Hindi ko pinakilala ang konteksto ng aplikasyon.
- [ ] Hiniling ko ang buod ng panganib na may sanggunian sa dokumento; I instructed "don't decide".
- [ ] Kinumpirma ko ang pinagmulan ng bawat risk factor sa dokumento.
- [ ] Kinakalkula ko ang premium nang nakapag-iisa gamit ang tala ng taripa.
- [ ] Ginawa ko ang desisyon sa pagtanggap/pagtanggi batay sa gabay sa underwriting at mga tuntunin ng patakaran.
- [ ] Inalis ko na ang mga suhestiyon sa discriminatory/surrogate variable at ibinatay ang mga ito sa mga lehitimong pamantayan.
- [ ] Itinala ko ang desisyon at ang katwiran nito.