CEO Corner

Dlaczego jest to decyzja operacyjna na dzisiaj

W pracach aktuarialnych od lat wykorzystuje się uczenie statystyczne i przybliżenia obliczeniowe. Nową możliwością jest połączenie tych metod z systemami, które mogą przeszukiwać materiał techniczny, wspomagać kod i koordynować kontrolowane prace analityczne. Możliwości te umożliwiają przeprojektowanie prac związanych z wyceną przy jednoczesnym selektywnym ulepszaniu zawartych w niej modeli. Przyjęcie nie musi czekać na autonomiczny system zdolny do dokonywania osądów aktuarialnych.

Istnieje również konkretny harmonogram zarządzania. Ostateczna wytyczna OSFI E-23, opublikowana we wrześniu 2025 r., wchodzi w życie 1 maja 2027 r. Rozszerza oczekiwania w zakresie zarządzania ryzykiem modeli na instytucje finansowe podlegające regulacjom federalnym, w tym ubezpieczycieli, i wyraźnie odnosi się do sztucznej inteligencji i uczenia maszynowego. W tym wydaniu ta data wejścia w życie jest jeszcze przed nami. Okres przygotowawczy wykorzystałbym do ustalenia inwentaryzacji modeli, dowodów własności i walidacji, które obejmują zarówno ustalone modele aktuarialne, jak i nowe komponenty sztucznej inteligencji.

Międzynarodowe Stowarzyszenie Aktuarialne opublikowało także artykuły edukacyjne na temat zarządzania sztuczną inteligencją, jej testowania i dokumentacji. Są to zasoby przeznaczone do praktyki zawodowej, a nie uniwersalna zgoda organów regulacyjnych. Łącznie możliwości technologiczne i rozwijające się ramy zarządzania wspierają przemyślany program przyjęcia. Opóźnienie niesie ze sobą koszt alternatywny: zespoły odkładają naukę, gdzie AI działa, a gdzie zawodzi i ile wymaga przeglądu. Uczenie się to jest specyficzne dla produktów, danych i decyzji ubezpieczyciela; nie można go później po prostu kupić z licencją na oprogramowanie.

Nadaj każdemu komponentowi AI dokładną rolę aktuarialną

Przed zatwierdzeniem inwestycji wyróżniłbym trzy role. Uczenie się statystyczne pozwala oszacować zależności: różnice w śmiertelności, zachowania dotyczące rezygnacji, wagę roszczeń lub wzorce wydatków. Przybliżenie numeryczne przyspiesza kosztowne obliczenia, na przykład poprzez oszacowanie powierzchni zobowiązań na podstawie kontrolowanego zestawu pełnych przebiegów modelu. Generatywna sztuczna inteligencja wspiera pracę z językiem i kodem: pobieranie klauzuli produktu, proponowanie testu lub sporządzanie wyjaśnień z zatwierdzonych wyników. Role te wymagają różnych dowodów wiarygodności.

Płynne wyjaśnienie modelu językowego nie pozwala na ustalenie, czy szacunkowa śmiertelność jest skalibrowana. Ścisła umowa pełnomocnika z silnikiem referencyjnym nie oznacza, że ​​silnik referencyjny prawidłowo reprezentuje umowę. Dobre wyniki historyczne modelu predykcyjnego nie potwierdzają, że proponowane działania zarządcze spowodują przewidywany wynik. Pierwszym obowiązkiem głównego aktuariusza w programie sztucznej inteligencji jest wyraźne uwidocznienie tych rozróżnień.

Moja preferowana architektura daje silnikowi aktuarialnemu odpowiedzialność za określone obliczenia, daje AI wąsko zdefiniowane zadania analityczne lub koordynacyjne oraz daje autoryzowanym profesjonalistom odpowiedzialność za założenia i decyzje. Tam, gdzie sztuczna inteligencja zmienia samą metodę numeryczną, komponent ten wchodzi w proces inwentaryzacji i walidacji modelu. Nie znika w aplikacji opisanej jako asystent.

Ulepsz proces założeń przed zwiększeniem jego złożoności

W przypadku portfela na życie analiza śmiertelności rozpoczyna się od konstrukcji ekspozycji, osiągniętego wieku, czasu trwania, klasy ubezpieczenia, kwot świadczeń i czasu zgłoszonych zgonów. Modele Poissona z przesunięciami ekspozycji, uogólnione modele addytywne i modele przeżycia zapewniają przydatne i możliwe do interpretacji punkty wyjścia. Uczenie maszynowe może badać interakcje, które ukrywa szeroki stosunek wartości rzeczywistych do oczekiwanych, ale skąpe doświadczenie nadal wymaga wiarygodności i zdyscyplinowanego łączenia danych. Wysoce szczegółowe oszacowanie niekoniecznie jest bardziej wiarygodnym założeniem.

Wymagałbym zatwierdzenia późniejszych okresów doświadczenia i odpowiednich kohort produktów, z zabezpieczeniem przed wyciekiem informacji do tego samego ubezpieczającego. Zbadałbym kalibrację według segmentów, wpływ zmiany miksu biznesowego i wrażliwość na brakujące dane. Dopasowanie przeszłych poziomów śmiertelności i wybór przyszłej poprawy śmiertelności to odrębne zadania. Model może ściśle odpowiadać najnowszym doświadczeniom, dostarczając jednocześnie niewielu dowodów na założenie długoterminowej poprawy.

Modelowanie poklatkowe zasługuje na tę samą dyscyplinę. Modele przetrwania lub konkurencyjnego ryzyka mogą przedstawiać śmierć, poddanie się i inne wyjścia; bogatsze modele mogą badać interakcję uznawanych stawek, alternatyw rynkowych, opłat za wykup i dystrybucji. Jednak historyczne zachowanie ubezpieczających może nie uwzględniać warunków stawek lub gwarantować zachęt, które mają znaczenie w warunkach skrajnych. Zachowałbym wyraźne oceny scenariuszy dla tych luk. Predykcyjne powiązanie między interwencją a utrzymaniem również wymaga analizy przyczynowej, zanim będzie wspierać strategię interwencyjną.

Wycena ubezpieczenia na życie i renty musi zachować umowę

W przypadku prostej umowy terminowej kalkulacja prospektywnego przepływu środków pieniężnych uwzględnia składki, świadczenia na wypadek śmierci i wydatki przy użyciu spójnych założeń dotyczących odliczeń i dyskont. Całe życie i życie uniwersalne wprowadzają dodatkowe zależności: wartości konta, elastyczność składki, stawki kredytowane, wartości wykupu i gwarancje. Renty wprowadzają płatności uzależnione od przeżycia, możliwe gwarancje i opcje ubezpieczających. Sztuczna inteligencja może pomóc w tworzeniu specyfikacji i identyfikowaniu niespójności, ale każda istotna cecha umowna musi przetrwać tłumaczenie na logikę wykonywalną.

Ta sama zmiana demograficzna może mieć różne konsekwencje finansowe w przypadku różnych produktów. Niższa śmiertelność zasadniczo wydłuża wypłatę renty dożywotniej, jednocześnie zmniejszając oczekiwane roszczenia z tytułu śmierci w ramach terminowej księgi ubezpieczeń. Nawet wtedy składki, wydatki, przerwy i gwarancje wpływają na całkowity wynik. Wyjaśnienie, które mówi jedynie o „zwiększeniu śmiertelności”, jest niewystarczające. Oczekiwałbym, że zidentyfikuje kohorty, których to dotyczy, zmienione przepływy pieniężne i konsekwencje dla konkretnej podstawy wyceny.

IFRS 17 dodaje kolejne ważne rozróżnienie. Przepływy pieniężne związane z realizacją zamówienia i umowna marża za usługę odgrywają odmienną rolę; zmiana zwykłej rezerwy składek brutto nie jest automatycznie zmianą raportowanego zysku. Leczenie zależy od modelu pomiaru, źródła ruchu oraz tego, czy dotyczy ono przyszłej, czy obecnej i przeszłej służby. Wykorzystałbym sztuczną inteligencję, aby pomóc w prześledzeniu sposobu księgowania zgodnie z zatwierdzoną polityką i przeprowadzić dowody, a klasyfikacja i wnioski zostaną sprawdzone przez odpowiedzialne zespoły aktuarialne i finansowe.

Szybsza wycena stochastyczna powinna stanowić większe wyzwanie

W przypadku produktów z opcjami materiałowymi i gwarancjami obliczenia mogą stać się znacznie bardziej wymagające. Analiza ryzyka może wymagać zewnętrznego zestawu scenariuszy ekonomicznych i wewnętrznej wyceny każdego przyszłego stanu. Regresja, metoda najmniejszych kwadratów Monte Carlo i proxy uczenia maszynowego mogą obniżyć koszt wybranych obliczeń. Towarzystwo Aktuariuszy opublikowało praktyczne studia przypadków dotyczące ubezpieczeń na życie i rent dożywotnich dotyczące wykorzystania analityki predykcyjnej i uczenia maszynowego. To ustanawia wiarygodny obszar do zbadania, a nie gwarancję wydajności dla konkretnej książki.

Zdefiniowałbym dozwoloną domenę wejściową serwera proxy przed jej szkoleniem. Walidacja powinna uwzględniać stany skrajne, kombinacje czynników ryzyka i umowy bliskie progom gwarancji. Należy zbadać systematyczne odchylenie, błąd ogona i szacunki czułości, a nie tylko średnie dopasowanie. W czysto ilustracyjnym portfelu ze zobowiązaniami w wysokości 10 miliardów CU błąd systematyczny wyceny wynoszący 0,1% oznacza 10 milionów CU. Pozornie niewielki procent może mieć znaczenie przed rozważeniem wpływu błędu na zabezpieczenia lub kapitał.

Silnik referencyjny pozostaje niezbędny. Przypadek spoza domeny powinien wywołać pełne obliczenie lub jawny wyjątek, a zmiany modelu powinny spowodować ponowną ocenę serwera proxy. Scenariusze rzeczywiste wykorzystywane do badania przyszłych wyników i scenariusze neutralne pod względem ryzyka stosowane do wyceny spójnej z rynkiem służą różnym celom; projekt musi zachować to rozróżnienie. W moim przypadku inwestycyjnym pytałbym, ile dodatkowych testów warunków skrajnych umożliwiają zaoszczędzone obliczenia. Szybsze powtarzanie wąskiego zestawu scenariuszy jest mniejszym osiągnięciem niż zrozumienie wcześniej niezbadanego narażenia.

Połącz wynik zobowiązań z aktywami, płynnością i kapitałem

Oszacowanie zobowiązań staje się przydatne, gdy zmienia decyzję. W zarządzaniu aktywami i pasywami chciałbym zapytać, czy ulepszona analiza zmienia interpretację luk w czasie trwania, ekspozycji na kluczowe stopy procentowe, wypukłości lub niedoborów przepływów pieniężnych. Dopasowanie czasu trwania może współistnieć z ryzykiem bazowym, ryzykiem spreadu, aktywami niepłynnymi i opcjami ubezpieczającego. Model wytrenowany w zwykłych warunkach może być najmniej niezawodny, gdy zachęty do wykupu i koszty realizacji aktywów współdziałają.

W przypadku kapitału koncern przesuwa się dalej we wspólny ogon. Wskaźnik zastępczy odtwarzający średnie wartości zobowiązań może w dalszym ciągu zniekształcać ranking niekorzystnych scenariuszy, percentyl końcowy lub alokację kapitału pomiędzy ryzykami. Założenia dotyczące korelacji i zależności zasługują na własne wyzwanie. Błąd aproksymacji zgłaszałbym oddzielnie od błędu próbkowania scenariusza i niepewności co do podstawowych założeń. Połączenie wszystkich trzech w jeden niewyjaśniony wskaźnik pewności sprawia, że ​​wynik jest trudniejszy do kontrolowania.

Ta sama zasada obowiązuje poza ubezpieczeniami na życie. W rezerwowaniu zysków i strat metoda sztucznej inteligencji powinna zająć swoje miejsce w porównaniu z odpowiednią drabinką łańcuchową, Bornhuetter–Ferguson lub innymi punktami odniesienia, zwracając uwagę na inflację roszczeń, zmiany rozliczeń i strukturę portfela. Większa złożoność predykcyjna nie eliminuje konieczności wyjaśniania, dlaczego wybrana rezerwa jest odpowiednia dla prowadzonej działalności.

Zamknięcie wyceny, które może odpowiedzieć na kolejne pytanie

Rozważmy przykładowe zamknięcie renty, w którym zobowiązania rosną nieoczekiwanie. Chciałbym, aby przepływ pracy oddzielał nowe ruchy biznesowe i portfele, oczekiwane wygaśnięcie, zmiany gospodarcze, odchylenia od doświadczeń, aktualizacje założeń i korekty modelu. Kontrolowane powtórki powinny ustalić ten wkład. Atrybucja sekwencyjna może zależeć od kolejności stosowania zmian, dlatego w raporcie należy określić konwencję i zidentyfikować istotne efekty interakcji.

Asystent AI może odzyskać poprzednio zatwierdzoną podstawę, zlokalizować zmienione zapisy założeń, zaproponować wymagane powtórki i zgromadzić uzyskane dowody. Może sporządzić komentarz dopiero po udostępnieniu odpowiednich danych liczbowych. Jeśli model nie jest w stanie pogodzić ruchu, asystent powinien odsłonić nierozwiązaną pozostałość. Nie powinna przedstawiać przekonującej historii ekonomicznej, która sprawiłaby, że tabela wyglądałaby na kompletną.

Pakiet przeglądowy będzie zawierał wykres spływu przepływów pieniężnych, mostek zmian, analizę doświadczeń kohorty i porównania wrażliwości. Każda istotna figura identyfikowałaby swój przebieg źródłowy, wersję modelu i podstawę założeń. Narracja odróżniałaby wyliczony wkład od interpretacji i proponowanego działania. W tym właśnie widzę znaczną szansę w najbliższej przyszłości: zapewnienie aktuariuszowi lepszego punktu wyjścia do dochodzenia i wystarczającej ilości czasu na zadanie drugiego pytania.

Uwidocznij niepewność i odpowiedzialność

Profesjonalny standard powinien rosnąć wraz z szybkością produkcji. ASOP nr 56 zawiera przydatne odniesienia w USA dotyczące zamierzonego celu, zrozumienia modelu, testowania, walidacji i dokumentacji. Nie jest to globalny substytut lokalnych standardów. Należy określić mające zastosowanie ramy zawodowe i regulacyjne dla danego podmiotu i pracy. W tych okolicznościach głównym pytaniem pozostaje, czy inny wykwalifikowany recenzent będzie w stanie zrozumieć istotne oceny i ograniczenia.

W przypadku generatywnej sztucznej inteligencji przetestowałbym nieuzasadnione twierdzenia liczbowe, nieprawidłowe wyszukiwanie źródła, pominięte kwalifikacje i odpowiedzi na sprzeczne dowody. Sprawdziłbym również, czy niezaufany materiał może spowodować zmianę instrukcji agenta lub próbę nieautoryzowanego działania. Dostęp do repozytorium modeli nie powinien oznaczać uprawnienia do publikacji wyceny. Zmiany w modelu językowym, źródłach wyszukiwania, podpowiedziach lub połączonych narzędziach mogą zmienić zachowanie i wymagać proporcjonalnej ponownej oceny.

W przypadku predykcyjnej sztucznej inteligencji monitorowanie powinno odróżniać zmieniającą się populację danych od pogorszenia jakości kalibracji lub decyzji. Zmiana składu portfela może zmienić zaobserwowane wyniki bez powodowania błędnego modelu; stabilny błąd zagregowany może ukryć pogarszające się wyniki w małej, ale istotnej kohorcie. Tam, gdzie wyniki wpływają na klientów, szczegółowego zbadania wymagają zgodne z prawem użytkowanie, uczciwość i konsekwencje błędów. Wyznaczony recenzent ma znaczenie tylko wtedy, gdy ma dowody, czas i władzę, aby zakwestionować wynik.

Co umieściłbym w pierwszych 90 dniach

Zacząłbym od jednej powtarzającej się decyzji i jej ścieżki dowodowej. Przegląd zmian w wycenie ubezpieczeń na życie lub badanie założeń dotyczących renty to solidniejszy punkt wyjścia niż ogólna instrukcja dotycząca „korzystania ze sztucznej inteligencji”. Ustal czas, który upłynął, wysiłek związany z przygotowaniem aktuarialnym, wysiłek recenzenta, nierozwiązane wyjątki i poprawki. Przed wyborem technologii należy uzgodnić kryteria akceptacji, w tym sposób identyfikacji istotnych błędów.

W pierwszym miesiącu uzgodnij wybrane dane, udokumentuj model i podstawę, ustal historyczny punkt odniesienia i przypisz uprawnienia decyzyjne. W drugim etapie należy równolegle uruchomić proponowany przepływ pracy na przypadkach historycznych, celowo uwzględniając trudne kohorty, niekorzystne scenariusze i sprzeczne dokumenty. W trzecim etapie oceń go w kontrolowanym cyklu raportowania i zdecyduj, czy go przedłużyć, zmienić, czy przerwać. Dziewięćdziesiąt dni to proponowany okres nauki, a nie obietnica, że ​​zgodnie z tym harmonogramem będzie można zatwierdzić istotny model wyceny.

Ocena ekonomiczna musi obejmować integrację, obliczenia, walidację, ciągłe monitorowanie i przegląd ludzki. Minuty zaoszczędzone na pisaniu można zrekompensować godzinami spędzonymi na sprawdzaniu wiarygodnych błędów. Zmierzyłbym dodatkowe pytania, na które udzielono odpowiedzi przed ostatecznym terminem podjęcia decyzji, jakość wyjaśnień ruchu i stabilność wyników po zmianach. Chroniłbym także rozwój aktuarialny: młodsi koledzy powinni odtwarzać obliczenia i wyjaśniać błędy, a nie uczyć się jedynie obsługi interfejsu.

Decyzja, którą podjąłbym teraz

Zatwierdziłbym teraz ograniczony program aktuarialny AI z wyznaczonym właścicielem aktuarialnym, niezależnym wyzwaniem i mierzalnymi kryteriami akceptacji. Finansowałbym prace nad danymi i walidacją równolegle z aplikacją. Oczekiwałbym, że pierwszy wynik wykaże lepsze badanie lub bardziej niezawodny proces decyzyjny, z widocznymi ograniczeniami.

Nagroda długoterminowa to funkcja aktuarialna, która może przeznaczyć większą część swoich możliwości na badanie założeń, testowanie trudnych scenariuszy i doradzanie przedsiębiorstwu przed zamknięciem opcji. Zdolność ta rozwija się poprzez wielokrotne używanie, poprawianie i zawodowe wyzwania. Czas zacząć teraz, ponieważ budowanie zajmuje więcej czasu niż instalowanie technologii.