Exposure enrichment from imagery
Models extract roof type, building footprint and vegetation proximity from aerial and satellite imagery to fill gaps in exposure data, with accuracy measured against inspected properties.
GRA · Insurance Nexus
مالی فضاییجایی که سرمایه به مخاطره، مواجهه و گذار برمی‌خورد
یادگیری ماشین در بیمه
Artificial intelligence and machine learning are used in insurance to read images and documents, detect fraud, triage claims, enrich exposure data and segment risk. On this platform they are treated both as methods and as a source of risk to be governed, tested and explained.
01ثبت‌خانه
Machine learning in insurance on the record.
Method recordSTEM method
- روشهوش مصنوعی و یادگیری ماشین
- Applied inInsurance Nexus
- داده4 inputs
- Checks4 validation steps
- Canonical pageSTEM Commons
02درخواست
What artificial intelligence and machine learning does here.
Artificial intelligence and machine learning develop algorithms that learn patterns from data to classify, predict or generate outputs. They are increasingly used for hazard detection, forecasting and decision support, and are themselves a source of risk. In insurance and catastrophe, climate and hazards and health and biosecurity, machine learning can scale detection and forecasting across interconnected سامانه‌ها. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on STEM Commons.
Fraud and claims triage
Classifiers score claims for complexity or fraud indicators to route them for review, with false positive rates, appeal outcomes and group disparities monitored beside detection.
Fairness testing of pricing models
Pricing and underwriting models are tested for disparate outcomes and proxy effects across groups, and less discriminatory alternatives are compared for predictive performance.
03الگوی زیان
فراگذشت زیان، زیان سالانهٔ متوسط و بیشینهٔ زیان محتمل.
زیانی که یک سبد در ردپا می‌تواند در سال و در سطح‌های 1 در 100 و 1 در 250 انتظار داشته باشد، سطح‌هایی که بیمه‌گران و وام‌دهندگان قیمت می‌گذارند، از همان سه بلوکی که هر الگوی فاجعه به کار می‌برد. الگوی آموزشی با مقادیر توضیحی اعلام‌شده، نه پیش‌بینی.
کنترل‌ها
- شدت مخاطرهٔ سالانهٔ معمول (مکان)
- شاخص شدت 1.00
- گسترش فرین‌ها (مقیاس)
- شاخص شدت 0.80
- شدتی که در آن نیمی از ارزش از دست می‌رود
- شاخص شدت 4.00
- پراکندگی آسیب‌پذیری
- 0.55
- سهم ارزش در ردپای مخاطره
- 40%
- استاندارد حفاظت (دورهٔ بازگشت)
- 50 سال
خوانش‌ها
- زیان سالانهٔ متوسط
- 0.51% ارزش
- زیان در دورهٔ بازگشت 1 در 100 سال
- 24.5% ارزش
- زیان در دورهٔ بازگشت 1 در 250 سال
- 28.4% ارزش
- شدت در دورهٔ بازگشت 1 در 100 سال
- شاخص شدت 4.68
رقم‌ها، روش‌ها و منابع
| دورهٔ بازگشت (سال) | شدت (شاخص شدت) | زیان (٪ از ارزش) |
|---|---|---|
| 1 | 0.09 | 0.00 |
| 2 | 1.27 | 0.00 |
| 4 | 1.91 | 0.00 |
| 7 | 2.47 | 0.00 |
| 13 | 3.00 | 0.00 |
| 24 | 3.51 | 0.00 |
| 44 | 4.02 | 0.00 |
| 82 | 4.53 | 23.55 |
| 154 | 5.03 | 26.44 |
| 287 | 5.53 | 28.87 |
| 536 | 6.03 | 30.88 |
| 1,000 | 6.53 | 32.53 |
روش‌ها
- مخاطرهٔ مقادیر فرین گامبل Gumbel (1958), Statistics of Extremes, Columbia University Press
- شکنندگی لگ‌نرمال (آسیب‌پذیری) FEMA (2003), HAZUS-MH Technical Manual
- منحنی احتمال فراگذشت و زیان سالانهٔ متوسط Grossi and Kunreuther (2005), Catastrophe Modeling, Springer
- اثر خاکریز Di Baldassarre and others (2013), Socio-hydrology, HESS 17
- بادبزن عدم قطعیت (مونت‌کارلوی پارامتری) Spiegelhalter, Pearson and Short (2011), Visualising uncertainty about the future, Science 333
- حساسیت‌سنجی تک‌متغیره (تورنادو) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
داده
The model runs on the teaching values set by the controls. To calibrate it for a place, read it against these admitted layers and series, which this page’s map can draw:
- رودخانه‌ها Natural Earth
- گسترهٔ شهری Natural Earth
- شهرها Natural Earth
- زمین‌لرزه‌های M4.5+، هفتهٔ گذشته (USGS) U.S. Geological Survey · register usgs.earthquake.summary-feeds
- نرخ باران، نیم‌ساعت گذشته (IMERG) NASA GPM IMERG Early · register nasa.gibs.context-live-layers
- پیش‌بینی دبی رودخانه، 30 روز با دامنه (GloFAS از طریق Open-Meteo) Open-Meteo.com (CC BY 4.0)، Copernicus GloFAS · register open-meteo.public-pages
- گسترهٔ ساخته‌شده و سکونتگاهی، 2010 (HBASE، Landsat) CIESIN/Columbia, NASA SEDAC HBASE · register sedac.context-urban-layers
در شش رکن، به رهبری Nexus Consortium
- آزمایش‌ها آزمایشگاه‌ها
- ساخته‌شده در Insurance Nexus در Foundry
- آزموده‌شده در Insurance Nexus در Universe
- مدون‌شده در مالی، بیمه و اقتصاد در Standards
- منتشرشده در Insurance Nexus در Reports
- تدریس‌شده در دانشکدهٔ مالی و اقتصاد در Academy
04داده
What the method consumes.
Datasets and records used by artificial intelligence and machine learning on this platform, with the role each plays and the label its values carry. Sources are listed in the source register.
| داده | نقش | برچسب |
|---|---|---|
| Aerial and satellite imagery | Exposure attributes | مشاهده‌شده |
| Labelled claims histories | Training and testing | گزارش‌شده |
| Property inspection records | Ground truth for imagery models | مشاهده‌شده |
| Demographic reference data | Fairness testing | برآوردشده |
05مواجهه، زیان و سرمایه
What machine learning in insurance means for exposure, loss and capital.
نماهای مواجهه، زیان، سناریو و سرمایه که یک مدیر ریسک، ناظر یا وزارت دارایی می‌پرسد، همراه با چارچوب‌هایی که بر پایهٔ آن‌ها گزارش می‌دهد. ساختارها از رویهٔ نظارتی و اکچوئری پیروی می‌کنند. مقادیر توضیحی است: هرگز قیمت، رتبه یا توصیه نیست.
مواجهه و زیان در دوره‌های بازگشت
How losses from machine learning in insurance grow with severity, gross and net of reinsurance, against capital.
| دورهٔ بازگشت | احتمال سالانه | زیان ناخالص | زیان خالص | خالص، سرمایه = 100 |
|---|---|---|---|---|
| 1 در 10 | 0.10 | 14 | 10 | 10 |
| 1 در 50 | 0.02 | 33 | 21 | 21 |
| 1 در 100 | 0.01 | 46 | 27 | 27 |
| 1 در 250 | 0.004 | 68 | 39 | 39 |
| زیان سالانهٔ متوسط | 3.1 | 2.2 | 2.2 |
سناریوهای اقلیمی NGFS · شبکهٔ سبزسازی نظام مالیIFRS S2 افشاهای مرتبط با اقلیم · ISSBتوصیه‌های TCFD · هیئت ثبات مالی TCFDاصول مدیریت مؤثر ریسک‌های مالی مرتبط با اقلیم · کمیتهٔ بازل برای نظارت بانکی
06اعتبارسنجی
How results are checked.
Models are evaluated on held-out data that respects spatial, temporal and group structure. Robustness, calibration and fairness are tested alongside accuracy.
| بررسی | How it is done |
|---|---|
| Temporal and held-out validation | Models are tested on later periods and unseen regions, not only on random splits |
| Calibration and drift monitoring | Predicted probabilities are compared with outcomes over time, and drift triggers recalibration |
| Fairness and explainability review | Outcome disparities and explanations are reviewed before deployment and periodically after |
| نظارت انسانی | Decisions adverse to customers have a documented human review and an appeal route |
Performance degrades when deployment conditions differ from training data. Models can encode biases and fail without clear warning on rare events.
07Connections
Topics that rely on this method.
08تولیت
Who maintains the method.
هوش مصنوعی و سامانه‌های خودمختار stewards artificial intelligence and machine learning for the Consortium and reviews how it is applied across platforms.
09متصل
جایی که این صفحه در سراسر کنسرسیوم به آن می‌رسد.
10پرسش‌ها
پرسش و پاسخ.
What are the limits of artificial intelligence and machine learning in this field?
Performance degrades when deployment conditions differ from training data. Models can encode biases and fail without clear warning on rare events.
How are results checked?
Models are evaluated on held-out data that respects spatial, temporal and group structure. Robustness, calibration and fairness are tested alongside accuracy.
Are the values on this page real?
The data names, roles and checks are real descriptions of practice. The canvas shows a design of the method’s use, not a run; no result is reported here.
Where else is this method applied?
رصدخانهٔ canonical method page lists every platform that applies it.
گزارش‌هامشارکت
از این صفحه شواهد مشارکت دهید.
گزارش‌ها is the Consortium’s quarterly publication. What you know about this subject can become evidence, a case or a correction in the next edition, credited to you and published under CC BY 4.0 where it is your own work.
Global Risks AllianceInsurance Nexusآمادگی مالی و بیمهریسک و تاب‌آوری بخشی جهانی
- ایمیلدروازهٔ GW-GRAاز همین صفحه ارسال کنیدشواهد، یک اصلاحیه، یک مورد، یک روش، یک داوری، یک ترجمه یا ورودی نمایه. با برچسب این صفحه می‌رسد تا ویراستار مسئول آن را دریافت کند.
- Zenodoسپردهٔ بازآن را واگذار کنید و به جامعه ارائه دهیدسابقهٔ خود را با شناسهٔ ORCID خود در Zenodo منتشر کنید و سپس آن را در همانجا به جامعهٔ Reports ارسال کنید. گزینشگران آن را داوری می‌کنند؛ DOI از آنِ شما میماند.
- گزارش‌هاGlobal Risks Allianceهمهٔ راههای مشارکت را ببینیدانواع مشارکت، نحوهٔ بررسی هر یک، اعتباری که دریافت میکنید، مجوز و آنچه هرگز پذیرفته نمیشود.
هرگز داده شخصی، جزئیات حساس زیرساخت یا چیزی را که حق اشتراکش را ندارید نفرستید. هر مشارکت پیش از استفاده داوری می‌شود؛ ارسال آن حق مؤلفی یا ویرایشی نمی‌دهد و حمایت مالی هرگز یافته‌ای را نمی‌خرد.
Insurance Nexus
یک پرسش دربارهٔ مواجهه یا سرمایه را نزد اتحاد مطرح کنید.
اطلاعات و درخواست‌ها امروز باز است. هر درخواست یک شمارهٔ پیگیری می‌گیرد و گام بعدی را مشخص می‌کند؛ درخواست‌های عضویت، پرداخت‌ها، تخصیص رایانش و ثبت‌نام‌ها تنها زمانی باز می‌شوند که تیم، شرایط و ظرفیت داوری آن‌ها فراهم باشد.
حقوقی
اسناد حقوقی.
نقشه‌ها، داده‌ها و ارقام این سایت برای زمینه و اطلاعات عمومی نشان داده می‌شوند. توصیه، پیش‌بینی یا هشدار نیستند؛ حدود این اطلاعات در سلب مسئولیت‌ها و اعلامیه‌های داده بیان شده است.