Kazanimlar:
- Yapay zekanın aktüeryal iş akışının (veri hazırlama, kod üretme, rapor taslağı, senaryo yorumu) neresinde gerçek zaman kazandırdığını, prim/karşılık/sermaye gibi kararların neden yetkin aktüere kaldığını görev risk düzeyine göre ayırt edebilme
- Her yapay zeka çıktısını yöntemsel kaynağa bağlama, bağımsız yeniden hesaplama ve aktüeryal muhakemeyle sınama adımlarıyla doğrulayan bir disiplin uygulayabilme
- Poliçe, hasar ve sağlık verisini KVKK/gizlilik kapsamında anonimleştirme ve model eğitiminde veri kullanmayan güvenli araç seçme alışkanlığını edinebilme
Bir sigorta ya da emeklilik şirketinde her ay geleceğe dair yüzlerce sayı üretilir: bu poliçe grubuna kaç lira prim biçelim; geçmiş hasarların ne kadarı henüz raporlanmadı; 30 yıl sonra ödeyeceğimiz emekli maaşları bugün ne değer taşıyor; kötü bir yıl gelirse şirket ayakta kalır mı. Bu soruların hepsini yanıtlayan meslek aktüerliktir. Aktüer, sigorta ve emeklilik risklerini olasılık, istatistik ve finans matematiğiyle ölçen, fiyatlayan ve raporlayan uzmandır; ürettiği her rakam bir şirketin mali dengesini, bir sigortalının hakkını ve bir denetçinin güvenini doğrudan etkiler. İşte tam bu noktada yapay zeka devreye girer.
Yapay zeka (kısaca YZ ya da İngilizcesiyle AI — insan gibi metin üretebilen, kod yazabilen, örüntü tanıyabilen ve veriyi özetleyebilen bilgisayar sistemleri) aktüeryal işin tekrarlı ve zaman alıcı kısımlarını dakikalara indirir: veri temizleme kodu yazar, bir hesabı Python'a çevirir, bir aktüer raporunun taslağını hazırlar, karmaşık bir dağılımı sade dille açıklar. Ancak aynı YZ, sizin verinizi hiç görmeden "hasar frekansınız yüzde 8" diye kendinden emin bir sayı da uydurabilir. Bu modülün ilk ünitesi bir yazılım tanıtımı değildir; amacı YZ'yi aktüeryal işinizin neresine koyacağınızı ve neresine asla koymayacağınızı netleştirmektir.
Temel ilkeyi baştan koyalım: Yapay zeka bir asistandır, aktüer değildir. Prim, karşılık (rezerv), sermaye ve yükümlülük gibi finans-kritik kararların sorumluluğu ve son onayı yetkin, atanmış ve imza yetkili aktüere aittir. Doğrulanmamış bir YZ çıktısı, imzalanmamış bir aktüer raporu kadar risklidir.
Aktüeryal işin katmanları ve YZ'nin yeri
Aktüeryal işi üç katmana ayırmak, YZ'yi doğru yerleştirmeyi kolaylaştırır. Teknik/hesaplama katmanı, sayının üretildiği yerdir: veri işleme, model kurma, prim ve karşılık hesabı. Muhakeme katmanı, sayının yorumlandığı yerdir: hangi varsayımı seçeceğiz, hangi gelişim faktörünü elle düzelteceğiz, bu tahmine ne kadar güveniyoruz. Sorumluluk katmanı, imzanın atıldığı yerdir: rapor regülatöre gider, karar yönetime sunulur, sonuçların hukuki sahibi aktüerdir. YZ birinci katmanda çok güçlüdür, ikincide yalnızca yardımcıdır, üçüncüde ise hiç yoktur.
Birkaç temel terimi baştan tanımlayalım. Prim, sigortalının risk karşılığında ödediği bedeldir. Hasar (claim), sigortalının uğradığı ve şirketin ödediği zarardır. Karşılık / rezerv, gelecekte ödenecek hasarlar için bugünden ayrılan paradır. Yükümlülük (liability), şirketin sigortalılara olan gelecekteki borcunun bugünkü değeridir. Maruz kalım (exposure), riskin büyüklüğünü ölçen birimdir (örneğin bir yıl boyunca sigortalı bir araç = 1 araç-yıl). Bu kavramları sonraki ünitelerde tek tek açacağız; şimdilik şunu bilin: YZ bu kavramların hepsinde size taslak, kod ve analiz verir, ama nihai sayıyı ve imzayı siz üretirsiniz.
Şu tablo, YZ'nin görev bazında rolünü ve risk düzeyini özetler:
Görev
YZ'nin rolü
Risk düzeyi
Kim onaylar
Veri temizleme / kod yazma
Kod üreteci
Düşük
Aktüer / veri analisti
Rapor ve özet taslağı
Taslak üreteci
Düşük
Aktüer
Dağılım/yöntem açıklaması
Öğretici, özetleyici
Düşük
Aktüer
Hasar frekans-şiddet modeli
Model kurucu, taslak
Orta
Kıdemli aktüer
IBNR / karşılık hesabı
Hesap taslağı
Yüksek
Sorumlu aktüer
Fiyatlama / tarife
Model taslağı
Yüksek
Fiyatlama aktüeri + uyum
Sermaye (SCR) / yükümlülük
Yardımcı girdi
Çok yüksek
Atanmış aktüer + yönetim
Bu tablodaki tek satırı akılda tutun: risk yükseldikçe YZ'nin rolü küçülür, aktüer onayı büyür.
Neden "doğrulama" bu işin kalbidir
Yapay zeka dil modelleri verdiği cevaptan emin görünür ama emin olmayabilir. Buna teknik dilde halüsinasyon denir: modelin gerçekte var olmayan bir bilgiyi, tıpkı doğruymuş gibi akıcı bir cümleyle uydurmasıdır. Bir aktüer için bu ölümcül bir tuzaktır. Model size "bu portföyün hasar/prim oranı yüzde 72" diye bir sayı üretebilir; oysa verinizi hiç görmemiştir ve bu sayı tamamen uydurmadır. Ya da bir mortalite tablosunun adını "TRH-2020" diye söyleyebilir; oysa böyle bir tablo yoktur. İkisini de aynı akıcılıkla söylediği için, doğruyu yanlıştan ayıran tek şey sizin aktüeryal bilginiz ve doğrulama alışkanlığınızdır.
Doğrulama disiplini üç adımdan oluşur:
- Yönteme ve kaynağa bağla: Sayılar için YZ'nin belleğine değil, kendi verinize ve resmi kaynaklara güvenin. Formüller, dağılımlar ve mevzuat maddeleri için YZ'nin özetini bir başlangıç noktası olarak alın; sonra standart aktüeryal kaynaklardan (ders kitabı, mevzuat metni, kurum prosedürü) teyit edin. YZ'yi verinin üzerinde yorum yapması için kullanın, veriyi hatırlaması için değil.
- Bağımsız yeniden hesapla: YZ'nin ürettiği her sayısal sonucu, katsayıyı ve oranı bağımsız olarak kontrol edin. Bir bugünkü değeri, bir gelişim faktörünü, bir toplamı kendiniz ya da doğrulanmış bir hesap tablosuyla yeniden üretin.
- Aktüeryal muhakemeyle sına: Çıktının sahadaki gerçeklerle (portföy davranışı, enflasyon, mevzuat, geçmiş deneyim) çelişip çelişmediğini uzman gözüyle sınayın. "Bu faktör neden 1,05 değil de 1,45 çıktı?" sorusunu her zaman sorun.
Dikkat: YZ'nin ürettiği bir karşılık rakamını veya prim tarifesini doğrulamadan imzalamak, imzalanmamış bir aktüer raporunu yayımlamak gibidir. Çıktı akıcı ve düzenli diye doğru değildir.
Gizlilik: poliçe ve hasar verisi özel nitelikli veridir
Poliçe ve hasar verileri kimlik, iletişim, sağlık ve mali bilgi içerir. Türkiye'de KVKK (Kişisel Verilerin Korunması Kanunu), Avrupa'da GDPR kapsamında bunların bir kısmı özel nitelikli kişisel veridir; özellikle sağlık ve hayat sigortasındaki tanı bilgileri en yüksek korumaya tabidir. Herkese açık bir YZ aracına sigortalının adını, TC kimlik numarasını, poliçe numarasını, tanısını olduğu gibi yapıştırmak ciddi bir ihlaldir. Aynı hassasiyet, ticari sır niteliğindeki portföy verileri (prim tabloları, hasar dağılımları, reasürans şartları) için de geçerlidir.
Kural basittir: veriyi anonimleştir ve gereksizini paylaşma. "Ahmet Yılmaz, 54, poliçe 2024-88213, miyokard enfarktüsü" yerine "54 yaşında erkek, kalp hastalığı öyküsü"; tekil kayıtlar yerine gruplanmış/özetlenmiş tablolar paylaşın. Aktüeryal analizin çoğu zaten toplulaştırılmış veriyle (yaş grubu, teminat türü, gelişim yılı) yapılır; bu, hem gizliliği korur hem de analizi kolaylaştırır. Mümkünse kurumsal, veri işleme sözleşmesi olan ve verinizi model eğitiminde kullanmayan araçları tercih edin.
İpucu: Aktüeryal işte YZ'ye çoğu zaman ham kayıt yerine özet/agrega tablo verilir. "3.tablo: yaş grubu × teminat × ortalama hasar" gibi bir tabloda kişisel veri yoktur ama analiz için gereken her şey vardır.
Üç mini vaka
Vaka 1 — Güvenli ve verimli kullanım. Bir aktüer yardımcısı, 40.000 satırlık hasar verisini temizlemek için elle 2 gün harcayacaktı. Verinin yapısını (sütun adları, örnek 5 anonim satır) YZ'ye anlatıp Python temizleme kodu istedi. YZ 15 dakikada bir kod taslağı üretti; aktüer kodu satır satır okudu, iki mantık hatasını düzeltti (negatif hasarların silinmesi yerine ayrı incelenmesi gerekiyordu) ve kendi verisinde çalıştırdı. Süre: 2 gün yerine yarım gün. YZ kodu yazdı, aktüer denetledi ve çalıştırdı.
Vaka 2 — Doğrulanmayan sayı tuzağı. Bir çalışan, YZ'ye "kasko branşımızın kombine rasyosu kaçtı" diye sordu. YZ, hiçbir veriye erişimi olmadığı halde "yaklaşık yüzde 104" diye kendinden emin bir sayı verdi. Çalışan bunu yönetim sunumuna koydu; gerçek oran yüzde 97'ydi. Fark, kârlı bir branşın zararlı gösterilmesine ve yanlış bir fiyat artışı kararına yol açtı. Hata: YZ'ye veri vermeden ondan gösterge beklemek.
Vaka 3 — Gizlilik ihlali. Bir aktüer, hayat sigortası başvurularının tam adını, TC'sini ve sağlık beyanını içeren bir Excel'i herkese açık bir YZ aracına yükleyip "riskli olanları işaretle" dedi. Veri kurum dışı bir sunucuya gitti; bir KVKK incelemesi ve itibar riski doğdu. Doğru yol: isim ve TC'yi çıkarıp yalnızca yaş, cinsiyet, teminat tutarı ve anonim risk faktörlerini paylaşmaktı.
Zayıf prompt / Güçlü prompt
Zayıf prompt:
Portföyümüzün bu yılki hasar frekansını ve uygun primi söyle.
Bu istem hatalıdır: YZ'ye hiç veri verilmemiştir, dolayısıyla "frekans" ve "prim" sorusuna ancak uydurma sayılarla cevap verebilir. Ne branş, ne dönem, ne maruz kalım bellidir.
Güçlü prompt:
Rolün: bir aktüere yardımcı olan analiz asistanı.Görev: Aşağıdaki ANONİM agrega tabloyu yorumlamama yardım et.Veri (kasko, 2024, il/isim yok):- Maruz kalım: 12.400 araç-yıl- Hasar adedi: 1.612- Toplam ödenen hasar: 48.900.000 TLİstediğim:1) Hasar frekansını (adet/maruz kalım) ve ortalama hasar şiddetini hesapla, formülü göster.2) Risk primini (frekans × şiddet) hesapla.3) Her sayıyı elle doğrulayabilmem için ara adımları yaz.Uydurma yapma; sadece verdiğim sayıları kullan. Eksik varsa sor.
Bu istem güçlüdür çünkü veriyi anonim olarak sağlar, formül ister, ara adım ister ve uydurmayı yasaklar.
Sık yapılan hatalar
- Veriyi vermeden sayı istemek. YZ'nin belleğinde sizin portföyünüz yoktur; verdiği her sayı uydurmadır. Önce anonim veriyi verin, sonra hesap isteyin.
- Çıktıyı doğrulamadan imzalamak. Akıcı ve düzenli bir tablo, doğru olduğu anlamına gelmez. Her sayıyı bağımsız yeniden üretin.
- Kişisel veriyi ham haliyle yapıştırmak. İsim, TC, poliçe no, tanı asla ham paylaşılmaz. Anonimleştirin ve agrega kullanın.
- Yöntemi YZ'ye seçtirip sorgulamamak. "Hangi yöntemi kullanayım?" sorusunun cevabı bir öneridir; nihai seçim aktüeryal muhakemeye ve mevzuata aittir.
- YZ'yi mevzuat kaynağı sanmak. Model, mevzuat maddesi ve tablo adı uydurabilir. Resmi metinden teyit edin.
Özetle
Yapay zeka aktüeryal işin teknik ve tekrarlı kısımlarını hızlandıran güçlü bir asistandır; kod yazar, taslak üretir, açıklar. Ama prim, karşılık, sermaye ve yükümlülük kararlarının sorumluluğu yetkin aktüerdedir. Her çıktı üç adımla doğrulanır: yönteme/kaynağa bağla, bağımsız yeniden hesapla, aktüeryal muhakemeyle sına. Veri daima anonimleştirilir ve gereksizi paylaşılmaz. Doğrulanmamış bir YZ çıktısı, imzalanmamış bir rapor kadar risklidir.
Uygulama görevi
Kendi çalıştığınız (veya varsaydığınız) bir branş seçin. Bu branşa ait tamamen anonim ve agrega bir mini tablo hazırlayın (maruz kalım, hasar adedi, toplam hasar). Yukarıdaki "Güçlü prompt"u kendi tablonuza uyarlayıp bir YZ aracına verin. Dönen frekans, şiddet ve risk primini elle (hesap makinesiyle) yeniden hesaplayıp YZ'nin sonucuyla karşılaştırın. Bir farklılık bulursanız nedenini not edin.
Kontrol listesi
- [ ] YZ'ye verdiğim veri anonim ve agrega mı; kişisel/özel nitelikli bilgi var mı?
- [ ] Sayısal her çıktıyı bağımsız olarak yeniden hesapladım mı?
- [ ] Yöntem/varsayım seçimini bir öneri olarak alıp kendim mi karara bağladım?
- [ ] Mevzuat ve tablo atıflarını resmi kaynaktan teyit ettim mi?
- [ ] Kullandığım aracın veriyi model eğitiminde kullanıp kullanmadığını biliyor muyum?
- [ ] Bu çıktı bir taslak mı, yoksa yanlışlıkla nihai gibi mi davrandım?