اکچوئر‌ها چگونه آخرین رویکرد‌های مدل سازی را درک کنند؟

ممکن است این ریسک وجود داشته باشد که اکچوئر‌ها به اندازه کافی آخرین تکنیک‌ها و رویکرد‌های مدل‌سازی را درک نکنند؛ به عنوان مثال، حرکت به سمت مدل‌های یادگیری ماشین. این امر خود می‌تواند منجر به عقب ماندن از دیگر رقبا و یک تهدید وجودی برای بقای آن‌ها باشد. در این گزارش به چنین سؤالاتی پاسخ داده خواهد شد: در دنیای امروز که فناوری با سرعتی نمایی پیشرفت می‌کند فناوری‌های کلیدی کدام‌ها هستند و روی کدام یک باید سرمایه‌گذاری لازم را انجام داد؟ آیا در استفاده از این فناوری‌ها قوانین نظارتی و اخلاقیاتی وجود دارد که باید رعایت شود؟ یافتن پاسخ این پرسش‌ها می‌تواند برتری بر رقبا را تضمین کند.

به طور کلی، زمانی که آمار‌های موجود به جهت برآورد هزینه رویداد‌های نامطمئن آتی ناکافی باشد، ریسک‌هایی به وجود می‌آید. این ریسک‌ها ممکن است زمانی رخ دهد که اکچوئر‌ها وارد حوزه‌های جدید (مانند بانکداری) شوند یا بیمه گران پوشش‌های جدیدی مانند ریسک سایبری را ارائه کنند؛ همچنین جایی که اکچوئر‌ها فرآیند‌های مدل را درک نمی‌کنند، ریسک‌هایی به وجود می‌آید؛ مثلاً زمانی که شروع به استفاده از تکنیک‌های جدید مانند مدل‌های یادگیری ماشین شروع می‌شود.

سرعت توسعه

فناوری به سرعت در حال پیشرفت است و این بدان معنی است که تکنیک‌های مدل‌سازی جدید در دسترس اکچوئری قرار می‌گیرند. این تکنیک‌های جدید به طور قابل توجهی با تکنیک‌های موجود متفاوت است؛ بنابراین این ریسک وجود دارد که برخی از اکچوئر‌ها درک یا آشنایی لازم را برای استفاده مؤثر از آن‌ها نداشته باشند. IFoA اذعان می‌دارد که اعضای IFoA باید با توجه به تغییرات تکنولوژیک به روز باشند. برخی از امتحانات تعیین صلاحیت IFoA مبتنی بر مدل‌سازی کامپیوتری است. علاوه بر این IFoA یک دوره گواهی در علوم داده را برای همه اعضای IFoA ارائه می‌دهد. IFoA همچنین کنفرانس‌های علوم داده مجازی برگزار کرده است تا شامل آموزش هدفمند اکچوئر‌ها شود.

موضوع دیگر این است که چگونه تنظیم مقررات اکچوئری با این تحولات همگام خواهد شد. FRC استاندارد‌های اکچوئری فنی (TAS) را تهیه می‌کند و هر پنج سال یکبار آن‌ها را بازبینی و تجدید می‌کند، اما اگر سرعت تغییر بالا باشد، ممکن است نیاز به ارائه راهنمایی‌های مکرر به جهت صدور مقررات بین بررسی‌های رسمی TAS‌ها باشد. این موضوعی است که FRC به عنوان بخشی از بازنگری پس از اجرا که در حال حاضر در TAS‌های فعلی انجام می‌شود، در نظر می‌گیرد.

کلان‌داده

کلان‌داده اصطلاحی است که برای توصیف وضعیتی استفاده می‌شود که در آن مجموعه داده‌ها بزرگ هستند، به سرعت ایجاد و جمع‌آوری می‌شوند و اغلب از نظر محتوا بسیار متنوع هستند. قالب داده‌ها متفاوت است. داده‌ها را می‌توان از شبکه‌های اجتماعی، وب سایت‌ها، اپ‌های تلفن همراه، پرسشنامه ها، خرید محصول و بسیاری از حوزه‌های دیگر جمع‌آوری کرد. داده‌ها معمولا در یک پایگاه داده رایانه‌ای ذخیره می‌شوند که به طور خاص برای این هدف طراحی شده است و با استفاده از نرم‌افزار تجزیه و تحلیل می‌شود که مجدداً به طور خاص برای این هدف طراحی شده است.

مزایای ارائه‌شده توسط کلان داده این است که بینش‌های جدید با توجه به حجم بیشتر داده‌ها امکان پذیر است و این ممکن است منجر به ایجاد محصولات یا خدمات جدید و نوآورانه در پاسخ به نیاز‌های درک شده مشتری شود. با این حال، ریسک‌هایی از جمله این واقعیت وجود دارد که یافتن همبستگی‌های جعلی آسان است، و این به طور بالقوه می‌تواند به نتایج مشکوکی منجر شود. ممکن است محصولات مالی ایجاد شود که در واقع مورد نیاز مشتریان نباشد. این موضوع می‌تواند منجر به هدر رفتن هزینه‌های توسعه محصول و فروش نادرست محصولات جدید توسعه‌یافته شود. همچنین این امر ممکن است با معرفی یک محصول جدید در تغییر رفتار‌ها و در نتیجه بی‌اعتبار کردن آمار‌های گذشته ترکیب شود. علاوه بر این، این ریسک وجود دارد که افزایش استفاده از منابع داده‌ای گسترده‌تر، تعادل میان تصمیم گیری تجاری و عدالت مشتری را مخدوش کند و ممکن است به طور بالقوه منجر به کاهش هزینه‌های ناشی از ریسک‌ها برای ضعیف‌ترین اقشار بازار، که اغلب کسانی هستند که نیاز بیشتری به بیمه دارند، شود.

ریسک کلیدی دیگر این است که کیفیت کلان‌داده‌ها ممکن است کمتر از کیفیت داده‌های منابع سنتی‌تر باشد. دلیل این امر این است که داده‌ها از منابع کمتر ساختاریافته به دست می‌آیند و اعتبارسنجی داده‌ها اغلب قوی‌تر است؛ اگر اکچوئر این موضوع را در نظر نگیرد، ممکن است در موارد شدید منجر به نتیجه‌گیری نامناسب از داده‌ها شود.

هوش مصنوعی و یادگیری ماشین

هوش مصنوعی (Al) توانایی یک کامپیوتر دیجیتال یا ربات کنترل شده توسط کامپیوتر برای انجام وظایفی است که معمولاً به موجودات هوشمند مرتبط است. حوزه‌هایی که هوش مصنوعی با کار اکچوئری همپوشانی دارد شامل وسایل نقلیه خودمختار و اتوماسیون فرآیند رباتیک می‌شود.

وسایل نقلیه خودمختار آن‌هایی هستند که به نوعی در رانندگی کمک می‌کنند و از مواردی است که انسان در کنترل کلی باقی می‌ماند و وسیله نقلیه خودش رانندگی می‌کند و انسان هیچ دخالتی ندارد. این‌ها به عنوان سطوح ۱ – ۵ توصیف می‌شوند (که در آن ۱ نشان‌دهندة کمک به راننده (مثلاً کروز کنترل تطبیقی) تا ۵ است که در آن وسیله نقلیه نیازی به حضور راننده در هیچ مرحله‌ای از سفر ندارد). در عمل در تمام پیشرفت‌های تا به امروز، انسان این قدرت را دارد که در مواقع اضطراری دوباره کنترل را به دست بگیرد (در بیشتر موارد خودروی خودران بر این امر اصرار دارد). از آنجایی که کنترل وسیله نقلیه از هوش انسانی به Al واگذار می‌شود، مسائلی در مورد اینکه چه اتفاقی می‌افتد اگر اشتباهی رخ دهد، مطرح می‌شود؛ مثلاً اگر تصادفی در زمانی رخ دهد که Al در کنترل است، مقصر کیست؟ این موضوع در تعیین مسئولیت بیمه‌گر مهم است.

اتوماسیون فرآیند رباتیک (RPA) چیزی است که ربات‌های نرم‌افزاری برای خودکارسازی وظایف خاص مورد استفاده قرار می‌گیرند. این توانایی جدید نیست: چندین سال است که نسخه‌های محدودی از RPA وجود دارد. با این حال، وسعت و عمق وظایفی که اکنون می‌توان آن‌ها را خودکار کرد به آستانه‌ای رسیده است که می‌توان از این تکنیک برای انجام عملیات‌های مهم در یک شرکت استفاده کرد. نمونه‌ای که مربوط به اکچوئر است در ذخایر خسارت بیمه عمومی است. RPA می‌تواند داده‌ها را جمع‌آوری کند، داده‌ها را قالب‌بندی کند، آن‌ها را در نرم‌افزار رزرو اکچوئری آپلود کند، قوانین زیر را مدل‌سازی اولیه انجام دهد و داده‌ها را به روشی معنی دار برای بازبینی یک اکچوئری تولید کند. این بسیار کارآمدتر از وادار کردن انسان به انجام این وظایف است و در صورت قوی بودن فرآیند می‌تواند ریسک‌های عملیاتی را کاهش دهد. با این حال، RPA نقاط ضعفی دارد. برای مثال:

هنگامی که مقیاس‌های زمانی محدود هستند، این ریسک وجود دارد که ممکن است خروجی RPA بدون توجه جدی انسانی مورد استفاده قرار گیرد. RPA معمولاً قادر به انطباق با هرگونه تغییر در مجموعه داده‌ها نیست.

یادگیری ماشین که زیرمجموعه‌ای از هوش مصنوعی است، رویکردی برای مدل‌سازی است که روز به روز محبوب‌تر می‌شود. رویکرد یادگیری ماشین ساخت یک مدل ریاضی است که بر اساس نمونه‌ای از داده‌ها بدون هیچ برنامه ریزی صریح یا دستورالعمل‌هایی با تکیه بر الگو‌ها و استنتاج به جای آن توسعه داده می‌شود، است. سپس از این مدل برای پیش بینی نمونه‌های متفاوتی از داده‌ها استفاده می‌شود. همان‌طور که داده‌های بیشتری به مدل داده می‌شود، مدل در پیش‌بینی بهتر می‌شود؛ بنابراین گفته می‌شود که مدل یاد می‌گیرد.

یکی از مشکلات بالقوه یادگیری ماشین، سوگیری است. مدل ریاضی انتخاب شده بر اساس مجموعه‌ای از داده‌های اولیه است و هرگونه سوگیری در این داده‌ها در مدل تکرار می‌شود؛ مثلاً اگر یک مدل با داده‌های مربوط به همه متقاضیان موفق برای مشاغل در یک سازمان تغذیه شود تا از آن برای کمک به غربالگری نامزد‌ها استفاده شود، آنگاه هرگونه سوگیری تاریخی (داده‌های ثبت شده از قبل) تکرار خواهد شد.

مسئله بالقوه دیگر این است که مدل انتخابی می‌تواند در پیش‌بینی عملکرد بسیار خوبی داشته باشد، اما توضیح دادن و احتمالاً تکرار آن دشوار است. این موضوع مهمی است که یک اکچوئر باید در نظر بگیرد، زیرا نیاز به توضیح و تأیید نتایج می‌تواند بسیار مهم باشد.

FCA به طور فزاینده‌ای از تکنیک‌های یادگیری ماشین برای شناسایی شرکت‌ها یا افرادی استفاده می‌کند که می‌توانند برای اهداف آن‌ها خطر ایجاد کنند. FCA در تلاش است تا بررسی کند که چگونه فناوری می‌تواند محصولات، خدمات و شرکت‌های جدید را در جهت منافع مصرف کنندگان سوق دهد و فناوری چه کاری می‌تواند انجام دهد تا بار انطباق کالا‌های موجود را کاهش دهد و آن‌ها را مؤثرتر کند.

اینترنت اشیا (IoT)

تعداد دستگاه‌های هوشمند متصل سریع‌تر از آنچه پیش بینی می‌شد در حال افزایش است. چشم‌انداز ریسک JFAR ۲۰۱۹/۲۰۲۰ گزارش داد که تخمین زده می‌شود که در سال ۲۰۲۱ تعداد ۲۶ میلیارد دستگاه از این دست وجود داشته باشد. آخرین تخمین در نوامبر ۲۰۲۰ این است که تا سال ۲۰۲۱ به ۳۵ میلیارد دستگاه و تا سال ۲۰۲۵ به ۷۵ میلیارد دستگاه خواهد رسید.

از دو جنبه، همه‌گیری کووید ۱۹ به این مقدار دامن زده است. نخست اینکه انتظار می‌رود که سرمایه‌گذاری در بخش مراقبت‌های بهداشتی در دستگاه‌های پوشیدنی هوشمند «به سرعت افزایش یابد» و همه‌گیری کووید ۱۹ نیز منجر به انبوهی از ویزیت‌های پزشکی آنلاین و مشاوره‌های از راه دور شده است. از یک طرف این موضوع ممکن است راه را برای تشخیص دقیق‌تر از راه دور از طریق این دستگاه‌ها باز کند، اما از طرف دیگر مشاوره از راه دور ممکن است بیشتر مستعد خطا باشد؛ بنابراین پیش‌بینی تأثیر این تغییرات بر هزینه‌های مراقبت‌های بهداشتی دشوار است.

دومین جنبه‌ای که همه‌گیری کووید ۱۹ فراگیر کرده است، کار از خانه است. این امر نشان‌دهندة شتاب شدید روندی است که به کندی در حال توسعه بود. قرنطینه موجب تغییر سریع به سمت کار از خانه برای کسانی که می‌توانند انجام دهند، شد. این تجربه قابلیت اطمینان این فناوری را ثابت کرد و فرهنگ گسترده‌ای از شبکه‌های مجازی و جلسات ایجاد کرد.

یک پیامد فوری نیاز سازمان‌ها به تفکر دقیق‌تر در مورد امنیت سیستم‌های IT خود بوده است. برای اولین بار رایانه‌های خانگی خصوصی به بخشی جدایی ناپذیر از زیرساخت‌های تجاری شرکت تبدیل شدند و پروتکل‌هایی مورد نیاز بود تا اطمینان حاصل شود که کسب و کار‌ها در برابر حملات سایبری آسیب پذیر نیستند.

در درازمدت، تأثیر «اثبات مفهوم» کارمندانی که به طور مؤثر و کارآمد از خانه کار می‌کنند ممکن است منجر به تغییرات اساسی در ماهیت کار شود. تصور اینکه شرکت‌ها به فضای اداری مرکزی کمتری نیاز دارند و تجهیزات فناوری اطلاعات پیشرفته تری برای استفاده توسط کارمندانی که هر کجا که بخواهند زندگی می‌کنند (و نه لزوماً در شهر‌های بزرگ یا در رفت و آمد به دفاترشان) آسان است. با این حال تأثیرات ضربه‌ای بر دوام بخش‌های اقتصاد متکی به ورود و کسب و کار کارگران در رفت و آمد خواهد داشت.

پیامد‌های این تغییر احتمالاً هم در سطح اجتماعی و هم در سطح آماری عمیق خواهد بود. اکچوئر‌ها باید به دقت در نظر بگیرند که چگونه تغییرات در داخل کشور ممکن است بر کد پستی (به عنوان مثال) بر مرگ و میر یا عوارض متفاوت تأثیر بگذارد.

مفاهیم اخلاقی

این تکنیک‌های جدید همچنین به پیامد‌های اخلاقی منجر می‌شوند، زیرا به اکچوئر‌ها اجازه می‌دهند اطلاعات بیشتری در مورد ریسک‌ها هنگام انجام مدل‌سازی در نظر بگیرند و می‌تواند یک شمشیر دولبه باشد، زیرا از یک سو می‌تواند به قیمت گذاری ریسک‌ها اجازه دهد دقیق‌تر باشد، در حالی که از سوی دیگر می‌تواند به ضرر برخی از افراد باشد؛ همچنین این خطر وجود دارد که در صورت افراط و تفریط، به تضعیف اصل تجمیع ریسک که زیربنای بیمه است منجر شود و همچنین بیمه را به طور بالقوه برای اعضای خاصی از جامعه غیر قابل تحمل کند.

هنگامی که نقش‌های اکچوئری و دانشمند داده با هم مقایسه می‌شوند، یکی از تفاوت‌های کلیدی، مهارت‌ها و آموزش‌های اخلاقی و حرفه‌ای مورد نیاز برای نقش اکچوئر است. این امر ارزشی را که اکچوئری به ارمغان می‌آورد، هنگامی که خروجی مدل‌های پیچیده به تصمیم‌گیرندگان ارائه می‌شود، افزایش می‌دهد و با پیچیده‌تر شدن مدل‌ها اهمیت بیشتری پیدا می‌کند. IFoA و انجمن آماری سلطنتی به طور مشترک یک دستورالعمل برای علم داده‌های اخلاقی تهیه کرده‌اند و در فوریه ۲۰۲۱ IFoA همچنین دستورالعمل خاصی را برای اعضای IFoA که در این زمینه کار می‌کنند تهیه کرده‌اند.

نتیجه‌گیری

از آنجایی که سرعت تغییرات تکنولوژیکی بیشتر می‌شود، برای اکچوئر بسیار مهم است که مجموعه مهارت‌های خود را به روز نگه دارند. برای اکچوئر‌های دانشجو و افرادی که در حال یادگیری هستند، این به معنای دسترسی به یک برنامه درسی به روز و برای اکچوئر‌های با تجربه به معنای دسترسی به مطالب به روز است. برخی از این موارد (به ویژه در مورد اکچوئر‌های دانشجویی) می‌تواند توسط نهاد‌ها ارائه شود، اما همیشه نیاز است که اکچوئر مسئولیت شخصی خود را برای به روز نگه داشتن دانش خود و استفاده از مطالب موجود بپذیرد.

در همین راستا داشتن آگاهی کافی از روند‌های فناوری موجود، سرمایه‌گذاری مناسب و دانستن نحوه مواجهه با آن‌ها اهمیت ویژه‌ای پیدا می‌کند. بی‌شک کلان داده، هوش مصنوعی، یادگیری ماشین و اینترنت اشیا در صنعت بیمه و اکچوئری امروزی و آینده نقش مهمی ایفا خواهند کرد که باید در نظر گرفته شوند.