Daromadlar:
- Sun'iy intellekt yordamida umumlashtirilgan chiziqli model (GLM), xavf omili, tarif va risk premium tushunchalarini yaratish va koeffitsientlarni biznes tiliga tarjima qilish qobiliyati
- Mashinani o'rganish modellarining (GBM) sun'iy intellekt bilan o'zgaruvchan tanlovi, o'zaro ta'siri, haddan tashqari mosligi va talqin qilinishi muvozanatini muhokama qilish qobiliyati
- Narxlar modeli taqiqlangan/kamsituvchi o'zgaruvchilardan xoli ekanligini va yakuniy tarifning qonunchilik va raqobatga muvofiqligi aktuariy zimmasiga yuklanganligini tushunish imkoniyatiga ega bo'lish.
Sug'urta polisining narxi tasodifiy belgilanmaydi. Katta shaharda yashovchi 22 yoshli, yangi litsenziyaga ega haydovchining yo'l-transport hodisasi xavfi 20 yillik tajribaga ega 45 yoshli haydovchiga qaraganda statistik jihatdan yuqori; Adolatli tizimda mukofotlar ham boshqacha bo'lishi kerak. Ushbu farqni o'lchash va uni narxda aks ettirish bo'yicha aktuariyning ishi narxlash va risklarni tasniflash deb ataladi. Ushbu bo'limda biz umumlashtirilgan chiziqli modelni (GLM), narxlashning aktuar asosini va uning mashina o'rganish muqobillarini muhokama qilamiz va bu jarayonda AIdan qanday qilib xavfsiz foydalanishni ko'rib chiqamiz.
Bir nechta asosiy atamalar. Risk omili - bu xavfga ta'sir qiluvchi o'zgaruvchidir va narx belgilashda qo'llaniladi (yoshi, transport vositasining yoshi, mintaqa, mo'ljallangan foydalanish). Tarif - bu xavf omillari bo'yicha mukofot qanday hisoblanishini belgilaydigan qoidalar to'plami. Risk mukofoti - kutilgan yo'qotishning sof qiymati; Xarajatlar, komissiyalar, foyda marjalari va kapital xarajatlar qo'shilganda, tijorat mukofoti (sotish narxi) shakllanadi. Boshidan eslatib o'tamiz: AI o'zgaruvchilarni taklif qiladi, modellar yaratadi, koeffitsientlarni tushuntiradi; Lekin qaysi o'zgaruvchi qonuniy va axloqiy va yakuniy tarif qonunchilik va raqobatga mos keladimi, aktuariy va muvofiqlik bo'limiga tegishli.
Nima uchun GLM aktuariyada standart hisoblanadi
Narxlarni belgilashda eng ko'p qo'llaniladigan usul bu GLM. GLM "umumlashtirilgan chiziqli model" degan ma'noni anglatadi: zarar ma'lumotlari kabi normal taqsimlanmagan maqsadlarga moslashish uchun klassik chiziqli regressiyani kengaytiradi. U ikkita asosiy komponentdan iborat. Tarqatish oilasi: chastota uchun Puasson, intensivlik uchun gamma tanlanadi (2-birlikdagi mantiq). Bog'lanish funktsiyasi (bog'lanish): odatda logarifmik, bu omillarga multiplikativ ta'sir ko'rsatishga imkon beradi. Multiplikativ tuzilma aktuarda juda qimmatlidir, chunki tarif aynan shunday tuzilgan: asosiy mukofot × yosh omili × mintaqa omili × avtomobil omili.
GLM ning eng katta afzalligi - bu izohlash. Koeffitsient sizga to'g'ridan-to'g'ri aytadi: "yosh haydovchilar guruhi mos yozuvlar guruhiga nisbatan chastotani 1,6 barobar oshiradi". Ushbu shaffoflik uchta jihatdan muhim: (1) tartibga soluvchi va ichki audit modelni tushunishi va tasdiqlashi mumkin; (2) taqiqlangan/kamsituvchi ta'sir ko'rinadi; (3) narx mantig'i savdo va boshqaruv jamoasiga tushuntirilishi mumkin. Mashinani o'rganishning yanada murakkab modellari (quyida) ba'zan yuqori aniqlikni beradi, ammo shaffoflik hisobiga.
Maslahat: GLM koeffitsienti log shkalasida. AIdan koeffitsientni exp (koeffitsient) bilan "ko'paytiruvchi omil" ga aylantirishni so'rang; Ish tiliga tarjima qilish ancha oson bo'lardi (masalan, koeffitsient 0,47 → omil ≈ 1,60 → "60% xavfli").
O'zgaruvchan tanlov, ortiqcha moslama va mashinani o'rganish
Narxlarni belgilashda eng muhim qaror, qaysi o'zgaruvchilar modelda qolishidir. Ikkita tuzoq bor. Bir nechta o'zgaruvchilar modelni ko'r qiladi: agar muhim xavf drayverini o'tkazib yuborsa, narx noto'g'ri bo'ladi. Haddan tashqari o'zgaruvchan / haddan tashqari moslashish modelni o'tgan ma'lumotlarni eslab qolishga majbur qiladi: model shovqinni signal uchun xato qiladi va yangi siyosatlar bilan muvaffaqiyatsizlikka uchraydi. Balans o'zaro tekshirish orqali o'rnatiladi - ma'lumotlarni o'quv va test qismlariga bo'lish va uni model ko'rmaydigan ma'lumotlar, soddalik va aktuar asosda sinab ko'rish.
O'zaro ta'sir ham muhimdir: ba'zida ikkita omilning birgalikdagi ta'siri ularning alohida ta'sirlari yig'indisidan farq qiladi (yosh + sport avtomobili ularning individual ta'siri yig'indisidan ko'ra xavfliroq bo'lishi mumkin). GLMda o'zaro ta'sirlar aniq qo'shiladi.
So'nggi yillarda narxlarni belgilashda GBM (gradient kuchaytiruvchi mashina - ko'plab kichik qarorlar daraxtlarini birlashtirgan kuchli mashinani o'rganish usuli) kabi modellar keng tarqalgan. Ular avtomatik ravishda murakkab naqshlar va o'zaro ta'sirlarni ushlaydi va ko'pincha GLMga qaraganda aniqroq bashoratlarni beradi. Ammo buning narxi bor: "qora quti" bo'lish tendentsiyasi. Bugungi kunda keng tarqalgan amaliyot - kashfiyot va g'oyalarni yaratish uchun GBM va yakuniy shaffof tarif uchun GLM dan foydalanish; yoki GBM chiqishini SHAP kabi tushuntirish vositalari bilan izohlash.
Quyidagi jadval ikkita yondashuvni taqqoslaydi:
mezon
GLM
GBM (mashinalarni o'rganish)
Talqin qilish qobiliyati
Yuqori (koeffitsient yoqilgan)
Past (annotatsiya vositasi kerak)
O'zaro ta'sirni suratga olish
Qo'lda qo'shilgan
avtomatik
Haddan tashqari moslashish xavfi
past-o'rta
Yuqori (ehtiyotkorlik bilan sozlash kerak)
Regulyator/auditni tasdiqlash
oson
Qiyin, qo'shimcha hujjatlarni talab qiladi
Oddiy foydalanish
yakuniy tarif
kashfiyot, taqqoslash
Narx belgilashda AIdan qanday foydalanish kerak
1) GLM koeffitsientini biznes tiliga tarjima qilish:
Men chastotali GLM (Poisson, log link) ni o'rnatdim. Ba'zi koeffitsientlar (log shkalasi): age_group_18_25: 0,47 ; mintaqaviy_ko'pchilik: 0,22 ; arac_yasi_10plus: -0,15. Exp() yordamida har birini ko‘paytiruvchi omilga aylantiring va menejer tushunadigan bir jumla bilan tushuntiring. Shuningdek, mos yozuvlar guruhi nima ekanligini eslatib o'ting.
2) O'zgaruvchan/o'zaro ta'sir muhokamasi:
Sizning rolingiz: narx bo'yicha yordamchi. Yo'l harakati chastotasi modeliga nomzod o'zgaruvchilarim quyidagilardir: yosh, jins, mintaqa, avtomobil yoshi, dvigatel kuchi, yillik km, kasb. - Qaysi o'zgaruvchilar tartibga solish/axloqiy nuqtai nazardan xavfli bo'lishi mumkin (masalan, bilvosita kamsitish)? - Qaysi ikki tomonlama hamkorlikni sinab ko'rish mantiqiy bo'lardi? - Haddan tashqari mos kelmaslik uchun qanday tekshirish bosqichlarini bajarishim kerak? Qaror qabul qilish; Menga nazorat va muhokama qilish uchun asos bering.
3) Haddan tashqari moslamani boshqarish kodi:
Python + scikit-learn / statsmodels yordamida k-katta o'zaro tekshirish bilan GLMni baholovchi sharhlangan kodni yozing. Metrik sifatida Puasson og'ishidan foydalaning. Trening va test ballarini solishtiring va sharhlar qatorida ortiqcha belgini qanday o'qishni tushuntiring. Kutubxona soxta.
4) Diskriminatsiya/surrogat o'zgaruvchan skrining:
"Pochta indeksi" mening narxlash modelimda kuchli o'zgaruvchi bo'lib chiqdi. Taqiqlangan xususiyatni (masalan, etnik kelib chiqishi, daromadi) proksi o'zgaruvchi sifatida bilvosita ifodalash xavfini tushuntiring. - Ushbu xavfni tekshirish uchun qanday tahlil qilishim kerak? - Xavfni kamaytirish uchun qanday alternativalar mavjud? Yuridik maslahatlar berish; texnik va axloqiy asosni chizish.
Zaif taklif / Kuchli taklif
Zaif taklif:
Yo'l harakati sug'urtasi uchun eng yaxshi narx modelini yarating.
"Eng yaxshi" aniqlanmagan; Hech qanday ma'lumot, cheklovlar yo'q, qonunchilik yo'q. AI umumiy, qo'llanilmaydigan javob beradi.
Kuchli so'rov:
Sizning rolingiz: narxlash aktuarining yordamchisi. Kontekst: Men GLM (Poisson, log link) yo'l harakati tarmog'ining chastota modelini qurmoqdaman. Menda bor o'zgaruvchilar: yosh guruhi, avtomobil yoshi, mintaqa (viloyat), yillik km, mo'ljallangan foydalanish. Cheklov: qonun hujjatlarida jinsdan foydalanish mumkin emas; Men bilvosita diskriminatsiyadan qochishim kerak. Vazifa: 1) Ushbu o'zgaruvchilar bilan (shu jumladan mos yozuvlar guruhlari) dastlabki model spetsifikatsiyasini taklif qiling.2) Men sinab ko'rishim kerak bo'lgan 2 ta o'zaro ta'sirning sabablarini keltiring.3) Haddan tashqari moslashishni tekshirish uchun qadamlar ro'yxatini keltiring.4) Bilvosita diskriminatsiya nuqtai nazaridan "mintaqa" uchun alohida e'tiborni qo'shing. Men qaror qabul qilaman; Siz asos va asosni taqdim etasiz.
uchta mini holat
1-holat - Shaffoflik qiymati. Kompaniya regulyatorga GBM bilan qurilgan juda aniq narxlash modelini taqdim etdi, ammo koeffitsientlarni tushuntira olmadi; tasdiqlash kechiktirildi. Aktuariy bir xil signallarni ushlaydigan GLM qurdi; Aniqlik 2 foizga kamaydi, lekin har bir omil hisobga olinishi mumkinligi sababli, model bir oy ichida tasdiqlandi. GBM razvedka uchun saqlandi, GLM tarifga aylandi. YZ tezda ikkita modelning ishlashini taqqoslaydigan kod va regulyator tavsifini ishlab chiqdi.
2-holat - haddan tashqari mos keladigan tuzoq. Yordamchi modelga 40 dan ortiq o'zgaruvchilar va ko'plab o'zaro ta'sirlarni qo'shganda o'quv ma'lumotlari bo'yicha mukammal ball oldi. Ammo o'zaro tekshirishda test ballari qulab tushdi: model shovqinni yodlab oldi. O'zgaruvchilar soni 12 tagacha kamaytirilganda va soddalashtirilganda haqiqiy hayot samaradorligi oshdi. Dars: mashg'ulot balliga emas, misli ko'rilmagan ma'lumotlarga qarang.
3-holat – bilvosita kamsitish. Bir modelda "mahalla" o'zgaruvchisi mukofotni kuchli tushuntirdi. Tahlil shuni ko'rsatdiki, bu o'zgaruvchi asosan etnik kontsentratsiya bilan mos keladi, ya'ni u taqiqlangan xususiyatning proksi edi. Aktuariy bu o'zgaruvchini ko'proq neytral xavf ko'rsatkichlari bilan almashtirdi (yo'l turi, mashinalar holati); axloqiy va huquqiy xavflar kamaydi. AI korrelyatsiya tahlilini o'lchaydigan o'xshashlikni va muqobil o'zgaruvchan takliflarni ishlab chiqdi; Aktuariy va muvofiqlik bo'limi qaror qabul qildi.
Umumiy xatolar
- Talqin qilib bo'lmaydigan modelni yakuniy retseptga aylantirish. Regulyator, audit va mijozga tushuntirib bo'lmaydigan narx barqaror emas; Shaffoflik muhim ahamiyatga ega.
- Ta'lim balliga tayanish. Haddan tashqari moslashish faqat ko'rinmaydigan ma'lumotlarda aniqlanadi (o'zaro tekshirish).
- Tekshirilmasdan taqiqlangan/surrogat o'zgaruvchilardan foydalanish. Pochta indeksi va kasb-hunar kabi o'zgaruvchilar bilvosita diskriminatsiyaga olib kelishi mumkin; Uni sinab ko'ring.
- Risk mukofotini tijorat mukofoti bilan chalkashtirib yuborish. Faqat sof zarar narxi sotish narxi emas; xarajat, foyda va kapital qiymati qo'shiladi.
- Koeffitsientni log shkalasida qoldirish va uni noto'g'ri talqin qilish. Exp() bilan multiplikator omiliga aylantirmasdan izoh berish xatolikka olib keladi.
Diqqat: AIning "eng yaxshi aniqlikni beradigan" modelni tavsiya etishi avtomatik ravishda "ishlatilishi kerak bo'lgan" model emas. Shaffoflik, adolatlilik va qonunchilikka rioya qilish aktuar narxlarni belgilashda majburiy mezon hamda aniqlik hisoblanadi.
qisqa bayoni; yakunida
Narxlar - bu xavf omillari bilan xavfni o'lchash va uni adolatli mukofotga aylantirish jarayoni. GLM - bu ko'paytiriladigan va izohlanadigan tuzilmasi bilan aktuar narxlash standarti; Koeffitsientlar exp() bilan omillarga aylantiriladi. GBM kabi mashinani o'rganish modellari aniqroq bo'lishi mumkin, ammo ular shaffoflikni kamaytiradi va odatda kashfiyot uchun ishlatiladi. O'zgaruvchilarni tanlash o'zaro tekshirish orqali ortiqcha moslashishdan himoyalangan bo'lishi kerak va bilvosita kamsitish (surrogat o'zgaruvchi) ehtiyotkorlik bilan nazorat qilinishi kerak. AI modelni yaratadi, kod yozadi va koeffitsientni tushuntiradi; Ammo huquqiy-axloqiy muvofiqlik va yakuniy tarif aktuariy va muvofiqlik bo'limiga tegishli.
Ilova vazifasi
Mutaxassislik uchun 5-6 xavf omillarini sanab o'ting. AIdan (a) ushbu omillar bilan GLMning dastlabki spetsifikatsiyasini, (b) sinab ko'rish uchun 2 ta o'zaro ta'sir va ularning mantiqiy asoslarini, (c) bilvosita kamsitish xavfi ostida bo'lishi mumkin bo'lgan o'zgaruvchilarni tekshirishni so'rang. Keyin, 3 ta log-koeffitsientga misol keltiring, AIdan uni exp() bilan ko'paytiruvchi omilga aylantirishni va uni biznes tiliga o'tkazishni so'rang va omillarni qo'lda tekshiring.
nazorat ro'yxati
- [ ] Mening modelimni talqin qilish mumkinmi; Har bir omil ta'sirini biznes tiliga tarjima qila olamanmi?
- [ ] O'zaro tekshirish orqali ortiqcha moslikni tekshirdimmi?
- [ ] Taqiqlangan va proksi oʻzgaruvchilar uchun bilvosita diskriminatsiyani tekshirdimmi?
- [ ] Men ongli ravishda risk mukofotini tijorat mukofotidan ajratdimmi?
- [ ] Exp() yordamida koeffitsientlarni ko'paytiruvchilarga aylantirdimmi va ularni to'g'ri talqin qildimmi?
- [ ] Yakuniy tarif qarorini qonunchilik va muvofiqlik birligi bilan birgalikda qabul qildimmi?