النمذجة التنبؤية في التأمين: التقاء العمل الاكتواري بالذكاء الاصطناعي

بقلم Jonas Mohamed Osman Abdelghafour، خبير اكتواري وخبير في المخاطر الكمية.

يعد تسعير التأمين واحداً من أقدم تطبيقات النمذجة التنبؤية في الاستخدام التجاري. وهو أيضاً، في غضون عقد من الزمان، واحد من أكثر المجالات تحولاً. محرك التسعير في شركة تأمين الخطوط الشخصية المدارة جيداً اليوم هو هجين: هيكل اكتواري من نوع GLM يحمل القابلية للتفسير والدفاع التنظيمي الذي تراكم عبر العقود، معززاً بمكونات من نوع تعزيز التدرج (gradient-boosted) أو المكونات العصبية التي تستخلص الإشارة التي يتركها GLM وراءه.

هذا الهجين هو المكان الذي استقرت فيه المهنة، وهو المكان المناسب للبقاء فيه حالياً. ما يهم هو كيفية دمج النصفين، وكيفية حوكمة النموذج الناتج، وكيفية تعامل الشركة مع الفحص التنظيمي الذي يتبع أي استخدام للذكاء الاصطناعي في عملية تسعير تواجه المستهلك.

لماذا لا يزال GLM هو العمود الفقري

اكتسب النموذج الخطي المعمم (GLM) مكانته كمعيار للتسعير لأسباب قابلة للدفاع. فهو ينتج معاملات يمكن قراءتها كعوامل تصنيف مضاعفة. ويتعامل مع إزاحة التعرض (exposure offset) بشكل طبيعي من خلال هيكل بواسون وغاما المرتبط باللوغاريتم. ويندمج بشكل نظيف في محركات التصنيف، ومعاهدات إعادة التأمين، ونماذج مخصصات GLM من نفس الشكل. وينجو من أسئلة المنظمين لأن كل عامل تصنيف يعود إلى معامل محدد مع خطأ معياري محدد.

الاعتراضات معروفة جيداً أيضاً. لا تستطيع GLMs التقاط التفاعلات غير الخطية ما لم يتم تمثيلها صراحةً. ويمكن أن تكون حساسة للمتغيرات المشتركة المرتبطة بطرق تتعامل معها أساليب التعلم الآلي بشكل أكثر سلاسة. وهي تترك رفعاً تنبؤياً على الطاولة — عادة ما يتراوح بين 5 إلى 15 بالمائة من تحسن جيني (Gini) — يمكن للبدائل المعززة بالتدرج استخلاصه.

الاستجابة البراغماتية، التي اعتمدتها معظم فرق التسعير المتطورة، ليست استبدال GLM ولكن هيكلة عملية النمذجة بحيث يلتقط GLM الجوهر القابل للتفسير ويلتقط مكون التعلم الآلي الأثر المتبقي (residual).

نمط النموذج المتبقي (Residual Model Pattern)

النمط الذي أصبح معياراً في تسعير الخطوط الشخصية يبدو كالتالي. ملاءمة GLM على الهدف المعدل حسب التعرض — تكرار المطالبات، أو خطورتها، أو تكلفة الخسارة المجمعة. تقييم GLM خارج العينة. ملاءمة نموذج تعزيز التدرج على الأثر المتبقي، باستخدام نفس الميزات بالإضافة إلى ميزات إضافية لا يمكن لهيكل GLM استيعابها. تقييم المزيج. التكرار.

هناك خياران للتصميم يهمان. أولاً، يجب تقييد النموذج المتبقي — عادةً من خلال عمق التفاعل وحدود معدل التعلم — بحيث يلتقط الإشارة التي فاتها GLM بدلاً من إعادة ملاءمة الإشارة التي وجدها GLM بالفعل. ثانياً، يجب مراقبة مساهمة النموذج المتبقي لكل عامل تصنيف. إذا كان مكون تعزيز التدرج يرفع أو يخفض وزن قطاع معين باستمرار، فإن ذلك إما عامل تصنيف يجب أن يستوعبه GLM أو مصدر قلق بشأن العدالة يحتاج إلى اهتمام قبل النشر.

لمعرفة المزيد حول أين يساعد التعلم الآلي في نمذجة الخسائر، راجع المذكرة المصاحبة حول تحديث مخصصات الخسائر. وتعد خدمة نماذج الذكاء الاصطناعي والمخاطر الكمية هي الطريقة التي أهيكل بها هذا العمل مع العملاء.

هندسة الميزات: لا تزال المكان الذي تكمن فيه المكاسب

غالباً ما يتوقع الممارسون الجدد في نمذجة التأمين أن تكون الخوارزمية هي مصدر الرفع. تقول عشر سنوات من دراسات التسعير المنشورة العكس: تأتي أكبر المكاسب من الميزات، وليس من الأساليب.

إن بيانات التلماتيك، وبيانات الطقس والمرور الخارجية، والإشارات القريبة من الائتمان حيث تسمح الولاية القضائية، وبشكل متزايد — التأثيرات الثابتة الجغرافية المكانية بدقة الرمز البريدي بالإضافة إلى الجوار، كلها توفر رفعاً تنبؤياً أكثر مما سيوفره الاختيار بين XGBoost و LightGBM. يصبح الاختيار المنهجي مهماً بمجرد استقرار مجموعة الميزات.

خطر الحوكمة المقابل هو أن الميزات الجديدة قد تقدم بدائل للخصائص المحمية دون أن يلاحظ فريق النمذجة. يجب أن تطلق كل ميزة جديدة تدقيقاً للعدالة — ليس مجرد علامة اختيار، بل اختبار فعلي بأن التأثير الهامشي للميزة لا يسعر بشكل غير متناسب المجموعات التي قد يعترض المنظم على سعرها. هذا هو المكان الذي يلتقي فيه العمل التحليلي مع إطار عمل إدارة مخاطر المؤسسة وفي النهاية مع مجلس الإدارة.

الشبكات العصبية: مبررة في أماكن ضيقة

كان وصول التعلم العميق في تسعير التأمين أبطأ منه في بعض القطاعات الأخرى، لأسباب وجيهة. البيانات الجدولية المهيكلة من النوع الذي تعمل معه فرق التسعير لا تستفيد عادةً من القوة التمثيلية للشبكات العصبية بطرق لا تستطيع الأشجار المعززة بالتدرج مضاهاتها. وحيث تستحق الشبكات العصبية مكانتها هو في البيانات غير المهيكلة.

حالات الاستخدام الثلاث الحالية التي تدعمها الأدلة هي تقييم صور الأضرار لمطالبات السيارات (بنيات تلافيفية معدلة بدقة على صور الورش)، واستخراج النص من ملاحظات المطالبات وروايات المسوين (النماذج القائمة على المحولات التي تحول النص الحر إلى ميزات مهيكلة قابلة للاستخدام من قبل تسعير GLM)، وتعلم ميزات التلماتيك للسلاسل الزمنية (النماذج المتكررة أو القائمة على الانتباه التي تلخص آثار القيادة في ميزات قابلة للاستخدام في التسعير). وفي كل حالة، يغذي المكون العصبي النموذج الاكتواري — ولا يحل محله.

حوكمة تنجو من المنظم

تعيش كل شركة تأمين أوروبية تستخدم الذكاء الاصطناعي في عملية تواجه المستهلك الآن مع ثلاثة أطر متداخلة: توقعات مخاطر النماذج التي سبقت الذكاء الاصطناعي (تتماشى بشكل واسع مع انضباط SR 11-7 في الولايات المتحدة)، وتصنيف قانون الذكاء الاصطناعي في الاتحاد الأوروبي لتسعير التأمين كعالي المخاطر، و — بالنسبة للتأمين على الحياة والمعاشات — نظام تغيير النماذج والتحقق من صحتها الحالي في Solvency II. وتتفق هذه الأطر في أكثر مما تختلف فيه.

الحصر (Inventory). كل نموذج في الإنتاج له مالك، وغرض، وطبقة أهمية مادية، وتقييم مخاطر موثق. مكونات التعلم الآلي داخل سلسلة التسعير ليست مستثناة.

التوثيق. لكل نموذج: الغرض، وتسلسل البيانات، ومنهجية التدريب والتحقق، ومقاييس الأداء، والمعايرة، وخطة المراقبة، ومحفزات المعالجة. لا يمكن إنشاء التوثيق بعد وقوع الأمر عند تحدي النموذج — يجب أن يكون جزءاً من عملية النشر.

المراقبة. انحراف المفهوم، وانحراف المعايرة، وانحراف الميزات، والأهم من ذلك — انحراف العدالة، يتم قياسها جميعاً بوتيرة محددة، مع عتبات معالجة ملتزم بها مسبقاً. راجع مذكرة لوحة مراقبة نماذج مخاطر الائتمان لنمط متوافق في جانب الائتمان.

التحدي المستقل. تقوم نفس وظيفة مخاطر النماذج في الخط الثاني التي تراجع GLMs بمراجعة مكونات التعلم الآلي، باستخدام نهج التحقق المستقل الذي أستخدمه مع العملاء. إذا لم يتمكن المراجع من متابعة النموذج، فهذا نقص في التوثيق، وليس قيداً يجب على المراجع قبوله.

القابلية للتفسير. بالنسبة لأي نموذج ينتج قراراً تصنيفياً يؤثر على المستهلك، يجب أن يكون من الممكن استرداد تفسير للمحركات وراء ذلك القرار. عادة ما تكون طرق SHAP وأساليب الإسناد ذات الصلة كافية، بشرط أن يتم حسابها في وقت التنبؤ وتخزينها، لا إعادة بنائها لاحقاً.

أين لا تزال المهنة تخطئ

هناك ثلاثة أنماط فشل متكررة تستحق الذكر.

التحسين للرفع (lift) وليس لقيمة العمل. النموذج الذي يحتوي على مؤشر جيني أعلى ولكنه يجدد بمعدل احتفاظ أقل ليس نموذجاً أفضل. يجب أن تجلس اختبارات الأداء العكسية لقيمة العمل — نسبة الخسارة المتوقعة، والتجديد المتوقع، والقيمة الدائمة المتوقعة — جنباً إلى جنب مع المقاييس الإحصائية. هذه نقطة حوكمة بقدر ما هي نقطة نمذجة، وهي المكان الذي يجب فيه مواءمة حوافز فريق النمذجة وحوافز لجنة التسعير.

تجاهل ديناميكيات الاختيار العكسي. يمكن لنموذج التسعير الذي يحسن نسبة خسارتك في السنة الأولى أن يزعزع استقرار القطاع في السنة الثالثة، إذا كان المنافسون يسعرون بشكل مختلف بناءً على نفس الإشارات. يجب أن تكون مراقبة الاحتفاظ على مستوى المحفظة، ومؤشر أسعار المنافسين، وتغيير المزيج جزءاً من المراجعة المستمرة لكل نموذج تسعير — وهذا يرتبط بالمحادثة الأوسع حول تصميم سيناريو ORSA.

نقص الاستثمار في مسار الانتقال. استبدال هيكل تصنيف قديم بنموذج تسعير جديد هو تغيير في العمل، وليس مجرد نشر تقني. مسار الانتقال — التشغيل المتوازي، والانتشار الخاضع للسيطرة حسب الجغرافيا أو القطاع، وشروط مفتاح الإيقاف (kill-switch) المحددة — هو غالباً ما يحدد ما إذا كان النموذج الجديد سيستقر أو سيتم التراجع عنه تحت الضغوط التجارية.

خاتمة

النمذجة التنبؤية في التأمين ليست مشكلة محلولة ولا جبهة للدعاية للذكاء الاصطناعي. إنها انضباط ناضج استوعب جيلين من التقدم المنهجي — GLMs، ثم تعزيز التدرج، والآن الاستخدام الانتقائي للشبكات العصبية — وهي تستوعب الآن جيلاً ثالثاً من الحوكمة والتنظيم حول نفس المجموعة التقنية. الشركات التي تتنقل في طبقة الحوكمة هذه جيداً ستكون هي القادرة على نشر تقنيات نمذجة جديدة بسرعة وبشكل قابل للدفاع. أما الشركات التي تتعامل مع الحوكمة كمهمة امتثال تابعة ستجد نفسها إما متخلفة عن الركب أو مجبرة من قبل المنظم على التراجع عن قراراتها بعد فوات الأوان.

إذا كنت تبني أو تراجع نموذج تسعير هجين، أو تستعد لفحص قانون الذكاء الاصطناعي، راجع خط خدمة الذكاء الاصطناعي والمخاطر الكمية أو اتصل بي.