CEO Corner

چرا این یک تصمیم عملیاتی برای امروز است

کار اکچوئری سالهاست که از یادگیری آماری و تقریب محاسباتی استفاده کرده است. فرصت جدید اتصال آن روش ها با سیستم هایی است که می توانند مطالب فنی را جستجو کنند، به کد کمک کنند و کارهای تحلیلی کنترل شده را هماهنگ کنند. این قابلیت‌ها طراحی مجدد کار پیرامون یک ارزش‌گذاری را در عین بهبود انتخابی مدل‌های درون آن ممکن می‌سازد. پذیرش نباید منتظر یک سیستم مستقل باشد که قادر به قضاوت اکچوئری باشد.

همچنین یک جدول زمانی مشخص برای حکومت وجود دارد. دستورالعمل نهایی E-23 OSFI که در سپتامبر 2025 منتشر شد، در 1 مه 2027 اجرا می‌شود. این مدل انتظارات مدیریت ریسک را در سراسر مؤسسات مالی تحت نظارت فدرال، از جمله بیمه‌گران، گسترش می‌دهد و به صراحت به هوش مصنوعی و یادگیری ماشینی می‌پردازد. از این نسخه، آن تاریخ اجرایی هنوز در پیش است. من از دوره آماده سازی برای ایجاد موجودی های مدل، مالکیت و شواهد اعتبار سنجی استفاده می کنم که هم مدل های اکچوئری تثبیت شده و هم اجزای جدید هوش مصنوعی را پوشش می دهد.

انجمن بین المللی اکچوئری نیز مقالات آموزشی در مورد حکمرانی، آزمایش و مستندسازی هوش مصنوعی منتشر کرده است. اینها منابعی برای تمرین حرفه ای هستند، نه تاییدیه نظارتی جهانی. فرصت فناورانه و چارچوب حاکمیتی در حال توسعه با هم از یک برنامه سنجیده پذیرش حمایت می کنند. تأخیر هزینه فرصت دارد: تیم‌ها یادگیری اینکه هوش مصنوعی کجا کار می‌کند، کجا شکست می‌خورد و چقدر نیاز به بررسی دارد را به تعویق می‌اندازند. این یادگیری مختص محصولات، داده ها و تصمیمات بیمه گر است. نمی توان آن را بعداً با مجوز نرم افزار خریداری کرد.

به هر جزء هوش مصنوعی یک نقش اکچوئری دقیق بدهید

قبل از تایید یک سرمایه گذاری، سه نقش را متمایز می کنم. یادگیری آماری روابط را تخمین می زند: تفاوت های مرگ و میر، رفتار تسلیم، شدت ادعا یا الگوهای هزینه. تقریب عددی یک محاسبه گران قیمت را تسریع می کند، برای مثال با تخمین سطح بدهی از مجموعه کنترل شده ای از مدل های کامل. هوش مصنوعی مولد از کار با زبان و کد پشتیبانی می کند: بازیابی یک بند محصول، پیشنهاد آزمایش یا تهیه پیش نویس توضیح از خروجی های تایید شده. این نقش ها به شواهد مختلفی از قابلیت اطمینان نیاز دارند.

توضیح روان مدل زبانی نشان نمی‌دهد که تخمین مرگ‌ومیر کالیبره شده است. توافق نزدیک یک پروکسی با موتور مرجع ثابت نمی کند که موتور مرجع قرارداد را به درستی نشان می دهد. عملکرد تاریخی قوی یک مدل پیش بینی کننده نشان نمی دهد که یک اقدام مدیریتی پیشنهادی باعث نتیجه پیش بینی شده می شود. اولین مسئولیت اکچوئری ارشد در یک برنامه هوش مصنوعی این است که این تمایزات را به صراحت بیان کند.

معماری برگزیده من مسئولیت محاسبات مشخص شده را به موتور اکچوئری می‌دهد، وظایف تحلیلی یا هماهنگی با تعریف محدودی را به هوش مصنوعی می‌دهد و به متخصصان مجاز مسئولیت مفروضات و تصمیم‌گیری‌ها را می‌دهد. در جایی که هوش مصنوعی خود روش عددی را تغییر می دهد، آن جزء وارد موجودی مدل و فرآیند اعتبار سنجی می شود. در داخل برنامه ای که به عنوان دستیار توصیف می شود ناپدید نمی شود.

فرآیند فرض را قبل از افزایش پیچیدگی آن بهبود دهید

برای یک سبد زندگی، تجزیه و تحلیل مرگ و میر با ساخت قرار گرفتن در معرض، سن به دست آمده، مدت زمان، کلاس پذیره نویسی، مقدار سود و زمان مرگ گزارش شده آغاز می شود. مدل‌های پواسون با افست نوردهی، مدل‌های افزایشی تعمیم‌یافته و مدل‌های بقا، نقاط شروع مفید و قابل تفسیری را ارائه می‌کنند. یادگیری ماشینی می‌تواند فعل و انفعالاتی را بررسی کند که نسبت واقعی به مورد انتظار پنهان است، اما تجربه کم هنوز به اعتبار و ادغام منظم نیاز دارد. یک تخمین بسیار ریز لزوماً فرض قابل اعتماد تری نیست.

من به اعتبار سنجی دوره‌های تجربه بعدی و گروه‌های محصول مرتبط، با محافظت در برابر نشت اطلاعات در همان بیمه‌گذار نیاز دارم. من کالیبراسیون را بر اساس بخش، اثر تغییر ترکیب کسب و کار و حساسیت به داده های از دست رفته بررسی می کنم. تناسب سطوح مرگ و میر گذشته و انتخاب بهبود مرگ و میر در آینده وظایف جداگانه ای هستند. یک مدل می‌تواند با تجربیات اخیر مطابقت داشته باشد در حالی که شواهد کمی در مورد یک فرض بهبود بلندمدت ارائه می‌کند.

مدلینگ لپس سزاوار همین نظم است. مدل‌های بقا یا ریسک رقابتی می‌توانند مرگ، تسلیم شدن و خروجی‌های دیگر را نشان دهند. مدل‌های غنی‌تر می‌توانند تعامل نرخ‌های اعتباری، جایگزین‌های بازار، هزینه‌های تسلیم و توزیع را بررسی کنند. با این حال، رفتار تاریخی بیمه‌گذار ممکن است شرایط نرخ را پوشش ندهد یا مشوق‌هایی را که تحت استرس مهم هستند تضمین نکند. من قضاوت های سناریویی صریح را برای آن شکاف ها حفظ می کنم. یک ارتباط پیش‌بینی‌کننده بین مداخله و حفظ نیز قبل از پشتیبانی از یک استراتژی مداخله، به تحلیل علی نیاز دارد.

ارزش گذاری عمر و مستمری باید قرارداد را حفظ کند

برای یک قرارداد ساده مدت، یک محاسبه جریان نقدی آینده نگر، حق بیمه، مزایای فوت و هزینه‌ها را با استفاده از مفروضات کاهش و تخفیف ثابت پروژه‌ها می‌کند. کل زندگی و زندگی جهانی وابستگی های اضافی را ایجاد می کند: ارزش حساب، انعطاف پذیری حق بیمه، نرخ های اعتباری، ارزش تسلیم و تضمین. سالیانه پرداخت های مشروط بقا، تضمین های احتمالی و گزینه های بیمه گذار را معرفی می کند. هوش مصنوعی می‌تواند به جمع‌آوری مشخصات و شناسایی ناسازگاری‌ها کمک کند، اما هر ویژگی قراردادی مادی باید ترجمه به منطق اجرایی را حفظ کند.

تغییر جمعیتی یکسان می‌تواند پیامدهای مالی متفاوتی در محصولات داشته باشد. مرگ و میر کمتر معمولاً پرداخت ها را تحت یک سالیانه مشروط مادام العمر افزایش می دهد، در حالی که ادعاهای مرگ مورد انتظار در دفترچه تضمین مدت را کاهش می دهد. حتی در این صورت، حق بیمه، هزینه ها، فسخ و ضمانت ها بر نتیجه کل تأثیر می گذارد. توضیحی که می گوید فقط «مرگ و میر بهبود یافته» کافی نیست. من انتظار دارم که گروه‌های متاثر، جریان‌های نقدی تغییر یافته و پیامدهای آن بر مبنای ارزش‌گذاری خاص را شناسایی کند.

IFRS 17 تمایز مهم دیگری را اضافه می کند. جریان های نقدی تحقق و حاشیه خدمات قراردادی نقش های متفاوتی دارند. تغییر در یک ذخیره ناخالص حق بیمه ساده به طور خودکار تغییر در سود گزارش شده نیست. درمان بستگی به مدل اندازه گیری، منبع حرکت و ارتباط آن با خدمات آینده یا فعلی و گذشته دارد. من از هوش مصنوعی برای کمک به ردیابی رفتار حسابداری تا خط مشی تایید شده و شواهد اجرا، با طبقه بندی و نتیجه گیری که توسط تیم های اکچوئری و مالی مسئول بررسی می شود، استفاده می کنم.

ارزش‌گذاری تصادفی سریع‌تر باید چالش بیشتری را بخرد

برای محصولات با گزینه‌ها و ضمانت‌های مواد، محاسبات می‌تواند بسیار سخت‌تر شود. اعمال ریسک ممکن است مستلزم مجموعه ای بیرونی از سناریوهای اقتصادی و ارزش گذاری درونی در هر وضعیت آتی باشد. رگرسیون، حداقل مربعات مونت کارلو و پراکسی های یادگیری ماشینی می توانند هزینه محاسبات انتخابی را کاهش دهند. انجمن آکچوئری ها مطالعات موردی زندگی عملی و سالیانه را در مورد این استفاده از تجزیه و تحلیل پیش بینی و یادگیری ماشین منتشر کرده است. این یک منطقه معتبر برای بررسی ایجاد می کند، نه تضمین عملکرد برای یک کتاب خاص.

من دامنه ورودی مجاز پروکسی را قبل از آموزش تعریف می‌کنم. اعتبار باید شامل حالات تحت فشار، ترکیبی از عوامل خطر و قراردادهای نزدیک به آستانه تضمین باشد. این باید سوگیری سیستماتیک، خطای دنباله و برآورد حساسیت را بررسی کند، نه فقط برازش متوسط. در یک پرتفوی کاملاً گویا با بدهی 10 میلیارد CU، یک خطای ارزیابی سیستماتیک 0.1٪ نشان دهنده 10 میلیون یورو است. قبل از در نظر گرفتن تأثیر خطا روی پوشش‌های ریسک یا سرمایه، درصد ظاهراً کمی می‌تواند مهم باشد.

موتور مرجع ضروری است. یک مورد خارج از دامنه باید یک محاسبه کامل یا یک استثنا صریح را ایجاد کند و تغییرات مدل باید باعث ارزیابی مجدد پروکسی شود. سناریوهای دنیای واقعی که برای مطالعه نتایج آتی مورد استفاده قرار می‌گیرند و سناریوهای خنثی ریسک که برای ارزش‌گذاری سازگار با بازار استفاده می‌شوند، اهداف مختلفی را دنبال می‌کنند. طراحی باید این تمایز را حفظ کند. مورد سرمایه گذاری من این سوال را مطرح می کند که محاسبات ذخیره شده چقدر تست استرس اضافی را ممکن می کند. تكرار سريعتر مجموعه محدودي از سناريوها دستاوردي كوچكتر از درك يك مواجهه كه قبلاً بررسي نشده است.

نتیجه بدهی را به دارایی ها، نقدینگی و سرمایه متصل کنید

برآورد بدهی زمانی مفید می شود که تصمیم را تغییر دهد. در مدیریت دارایی-بدهی، من می‌پرسم که آیا تحلیل بهبودیافته، تفسیر شکاف‌های مدت زمان، مواجهه با نرخ کلیدی، تحدب یا کمبود جریان نقدی را تغییر می‌دهد یا خیر. تطابق مدت زمان می‌تواند با ریسک پایه، ریسک اسپرد، دارایی‌های غیر نقدشونده و گزینه‌های بیمه‌گذار همزیستی داشته باشد. زمانی که انگیزه‌های تسلیم و هزینه‌های تحقق دارایی در تعامل هستند، یک مدل آموزش‌دیده بر اساس شرایط عادی ممکن است کمترین اعتماد را داشته باشد.

برای سرمایه، نگرانی بیشتر به سمت دم مشترک حرکت می کند. پروکسی که مقادیر متوسط ​​بدهی را بازتولید می کند ممکن است رتبه بندی سناریوهای نامطلوب، صدک دنباله یا تخصیص سرمایه بین ریسک ها را مخدوش کند. فرضیات همبستگی و وابستگی شایسته چالش خاص خود هستند. من خطای تقریب را جدا از خطای نمونه گیری سناریو و عدم قطعیت در مفروضات اساسی گزارش خواهم کرد. ترکیب هر سه در یک امتیاز اطمینان غیرقابل توضیح، کنترل نتیجه را دشوارتر می کند.

همین اصل فراتر از بیمه عمر نیز صادق است. در رزرو P&C، یک روش هوش مصنوعی باید با توجه به تورم ادعاها، تغییرات تسویه حساب و ترکیب پرتفوی، جایگاه خود را در برابر نردبان زنجیره‌ای مرتبط، Bornhuetter–Ferguson یا سایر معیارها به دست آورد. پیچیدگی پیش بینی بیشتر نیاز به توضیح اینکه چرا ذخیره انتخاب شده برای کسب و کار مناسب است را برطرف نمی کند.

یک ارزیابی بسته که می تواند به سوال بعدی پاسخ دهد

یک پایان سالیانه مصور را در نظر بگیرید که در آن بدهی ها به طور غیرمنتظره افزایش می یابد. من می‌خواهم گردش کار حرکت‌های جدید کسب‌وکار و پورتفولیو، دور انتظاری، تغییرات اقتصادی، انحرافات تجربه، به‌روزرسانی‌ها و اصلاحات مدل را از هم جدا کند. تکرارهای کنترل شده باید این مشارکت ها را ایجاد کند. انتساب متوالی می تواند به ترتیب اعمال تغییرات بستگی داشته باشد، بنابراین گزارش باید قرارداد خود را بیان کند و اثرات متقابل مادی را شناسایی کند.

یک دستیار هوش مصنوعی می‌تواند مبنای تایید شده قبلی را بازیابی کند، سوابق فرضی تغییر یافته را پیدا کند، تکرارهای مورد نیاز را پیشنهاد کند و شواهد حاصل را جمع‌آوری کند. تنها پس از در دسترس بودن خروجی‌های عددی مربوطه می‌تواند تفسیر را پیش‌نویس کند. اگر مدل نتواند حرکت را تطبیق دهد، دستیار باید باقیمانده حل نشده را آشکار کند. نباید یک داستان اقتصادی متقاعدکننده ارائه کند تا جدول کامل به نظر برسد.

بسته بازبینی شامل نمودار جریان نقدینگی، پل حرکتی، تجزیه و تحلیل تجربه گروهی و مقایسه حساسیت است. هر شکل ماده، اجرای منبع، نسخه مدل و مبنای فرضی خود را مشخص می کند. این روایت یک مشارکت حساب شده را از یک تفسیر و یک اقدام پیشنهادی متمایز می کند. اینجاست که من یک فرصت کوتاه مدت قابل توجه می بینم: دادن نقطه شروع بهتر به آکچوئر برای تحقیق و زمان کافی برای پیگیری سوال دوم.

عدم اطمینان و مسئولیت را قابل مشاهده کنید

استاندارد حرفه ای باید با سرعت تولید بالا رود. ASOP شماره 56 یک مرجع مفید ایالات متحده برای هدف مورد نظر، درک مدل، آزمایش، اعتبار سنجی و مستندسازی است. این یک جایگزین جهانی برای استانداردهای محلی نیست. چارچوب حرفه ای و نظارتی قابل اجرا باید برای نهاد و کار مربوطه مشخص شود. در سراسر این تنظیمات، سوال اصلی این است که آیا داور واجد شرایط دیگری می‌تواند قضاوت‌ها و محدودیت‌های مادی را درک کند یا خیر.

برای هوش مصنوعی مولد، ادعاهای عددی پشتیبانی نشده، بازیابی منبع نادرست، شرایط حذف شده و پاسخ به شواهد متناقض را آزمایش می‌کنم. همچنین می‌توانم آزمایش کنم که آیا مطالب غیرقابل اعتماد می‌تواند باعث شود یک نماینده دستورالعمل‌هایش را تغییر دهد یا اقدامی غیرمجاز انجام دهد. دسترسی به یک مخزن مدل نباید متضمن مجوز برای انتشار یک ارزش گذاری باشد. تغییرات در مدل زبان، منابع بازیابی، درخواست‌ها یا ابزارهای متصل می‌تواند رفتار را تغییر دهد و نیاز به ارزیابی مجدد متناسب دارد.

برای هوش مصنوعی پیش‌بینی‌کننده، نظارت باید جمعیت داده در حال تغییر را از بدتر شدن کالیبراسیون یا کیفیت تصمیم متمایز کند. تغییر ترکیب پورتفولیو می تواند نتایج مشاهده شده را بدون اشتباه کردن مدل تغییر دهد. خطای کل پایدار می تواند عملکرد بدتر را در یک گروه کوچک اما مادی پنهان کند. در جایی که نتایج بر مشتریان تأثیر می گذارد، استفاده قانونی، انصاف و عواقب خطاها نیاز به بررسی خاصی دارد. یک بازبین نام‌گذاری شده تنها زمانی معنادار است که آن شخص شواهد، زمان و اختیار لازم برای به چالش کشیدن نتیجه را داشته باشد.

آنچه در 90 روز اول قرار می دهم

من با یک تصمیم تکراری و دنباله شواهد آن شروع می کنم. بررسی حرکت ارزش گذاری عمر یا بررسی فرضیات سالیانه نقطه شروع قوی تری نسبت به یک دستورالعمل کلی برای «استفاده از هوش مصنوعی» است. زمان سپری شده فعلی، تلاش آماده سازی اکچوئری، تلاش بازبینی، استثناهای حل نشده و دوباره کاری را تعیین کنید. قبل از انتخاب فناوری با معیارهای پذیرش موافقت کنید، از جمله نحوه شناسایی خطاهای مادی.

در طول ماه اول، داده‌های انتخابی را با هم تطبیق دهید، مدل و مبنای را مستند کنید، یک معیار تاریخی ایجاد کنید و حقوق تصمیم‌گیری را اختصاص دهید. در مرحله دوم، گردش کار پیشنهادی را به موازات موارد تاریخی اجرا کنید، عمداً شامل گروه‌های دشوار، سناریوهای نامطلوب و اسناد متضاد. در طول سوم، آن را در یک چرخه گزارش کنترل شده ارزیابی کنید و تصمیم بگیرید که آیا تمدید، تجدید نظر یا متوقف شود. نود روز یک دوره آموزشی پیشنهادی است، نه وعده ای مبنی بر اینکه مدل ارزش گذاری مادی را می توان در آن جدول زمانی تایید کرد.

ارزیابی اقتصادی باید شامل یکپارچه سازی، محاسبه، اعتبارسنجی، نظارت مداوم و بررسی انسانی باشد. دقیقه‌های ذخیره‌شده در تهیه پیش‌نویس را می‌توان با ساعت‌هایی که صرف بررسی خطاهای محتمل می‌شود جبران کرد. من سوالات اضافی پاسخ داده شده را قبل از مهلت تصمیم گیری، کیفیت توضیحات حرکت و ثبات نتایج پس از تغییرات اندازه گیری می کنم. من همچنین از توسعه اکچوئری محافظت می کنم: همکاران جوان باید محاسبات را بازتولید کنند و خرابی ها را توضیح دهند، به جای اینکه فقط یاد بگیرند که یک رابط را کار کنند.

تصمیمی که الان می‌گرفتم

من اکنون مجوز یک برنامه هوش مصنوعی اکچوئری محدود را با مالک اکچوئری نام‌گذاری شده، چالش مستقل و معیارهای پذیرش قابل اندازه‌گیری می‌دهم. من هزینه کار داده ها و اعتبار سنجی را در کنار برنامه تامین می کنم. من انتظار دارم که اولین نتیجه تحقیقات بهتر یا فرآیند تصمیم گیری قابل اعتمادتری را با محدودیت های قابل مشاهده نشان دهد.

جایزه بلندمدت یک تابع اکچوئری است که می‌تواند بیشتر ظرفیت خود را صرف بررسی مفروضات، آزمایش سناریوهای دشوار و مشاوره به کسب‌وکار قبل از بسته شدن گزینه‌ها کند. این قابلیت از طریق استفاده مکرر، اصلاح و چالش حرفه ای توسعه می یابد. زمان شروع اکنون است زیرا ساخت آن بیشتر از نصب فناوری طول می کشد.