هوش مصنوعی ابزاری برای ارتقاء و توسعه علم بیم سنجی (اکچوئری)

پیشرفت های سریع در یادگیری ماشین و هوش مصنوعی (AI)، منجر به تولید محصولات و خدماتیمی شود که نه تنها محیطی که بیم سنج ها در آن فعالیت می کنند را تغییر می دهد، بلکه فرصت هایجدیدی در علم بیم سنجی فراهم می کند که به کمک آن بیم سنج ها با دقت و سرعت بیشتری می توانندبه فعالیت حرفه ای خود بپردازند. پیشرفت های مبتنی بر یادگیری ماشین و هوش مصنوعی مبتنی بررویکردی مدرن برای طراحی، تطبیق و بکارگیری شبکه های عصبی است که عموما از آن با عنوان«یادگیری عمیق» یاد می شود. در این مقاله پس از مروری اجمالی بر مفاهیم یادگیری ماشین و یادگیری عمیق، برخی از کاربردهای این ابزارها در علم بیم سنجی مورد بررسی قرار می گیرند. سرانجام دونرم افزار مبتنی بر هوش مصنوعی که به صورت خودکار فرآیند بیم سنجی را انجام می دهند، معرفیمی شوند. توانایی های نسخه اولیه نرم افزار اول (Nonlife) عبارتند از: (۱) کشف مناسب ترین روش ذخیره گیری خسارت های معوق بر اساس داده های تاریخی شرکت، (۲) ارائه الگویی خودکار برایارزیابی، دسته بندی بیمه گذاران در چند طبقه ریسکی و ارائه ماتریس ارزیابی ریسک برای بیمه گذارانو (۳) ارائه ابزار «تحلیل مالی پویا» (DFA) برای تحلیل سناریوهای مورد علاقه مدیر ریسک یک شرکت. توانایی های نسخه اولیه نرم افزار دوم (Life) عبارتند از: (۱) ارائه یک مدل خودکار مرگ ومیر پویای ملی (مدل بر اساس داده های دموگرافی ۱۰ ساله ایران توسعه یافته است) به تفکیک استان وجنسیت، (۲) محاسبه و ارائه خودکار نرخ تعدیل مدل مرگ ومیر ملی برای بیمه گذاران بیمه های زندگی(مدل بر اساس داده های مرگ ومیر ۶ ساله این بیمه نامه ها توسعه یافته است)، (۳) ارائه یک مدل پویابرای ارزیابی ریسک (underwriting) بیمه گذاران جدید، (۴) محاسبه حق بیمه، اندوخته و ذخایر ریاضی برای بیمه نامه «عمر و مستمری» بر اساس مدل مرگ ومیر پویا، جدول TD و ILT۱۴۰۰ و (۵) محاسبه و گزارش معیارهای ارزیابی سود و زیان بیمه گری (در این نسخه تنها معیارهای Asset_Sharing و Profit_Testing محاسبه می شوند) که به کمک اطلاعات تاریخی و ارائه پیشنهادهای برای تعدیل و تصحیح مفروضات بیم سنجی اتخاذ شده اند.

کلیدواژه ها:

هوش مصنوعی ، یادگیری عمیق ، ارزیابی ریسک ، ذخایر خسارت های معوق ، مدل مرگ ومیر ، ارزیابی سود و زیان بیمه گری