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
स्थानिक वित्तजहाँ पूँजी का सामना संकट, जोखिम-संपर्क और संक्रमण से होता है
Machine learning in insurance
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.
01रजिस्टर करें
Machine learning in insurance on the record.
पद्धति अभिलेखSTEM पद्धति
- पद्धतिकृत्रिम बुद्धिमत्ता और मशीन लर्निंग
- इनमें लागूबीमा Nexus
- डेटा4 इनपुट
- जाँचें4 सत्यापन चरण
- प्रामाणिक पृष्ठSTEM कॉमन्स
02आवेदन
कृत्रिम बुद्धिमत्ता और मशीन लर्निंग यहाँ क्या करते हैं।
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 प्रणालियाँ. 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.
03हानि मॉडल
हानि अतिक्रमण, औसत वार्षिक हानि और संभावित अधिकतम हानि।
पदचिह्न में स्थित किसी पोर्टफ़ोलियो से प्रति वर्ष, तथा बीमाकर्ताओं और ऋणदाताओं द्वारा मूल्यांकित 100 में 1 और 250 में 1 के स्तरों पर, अपेक्षित हानि, उन्हीं तीन खंडों से जिनका उपयोग प्रत्येक आपदा मॉडल करता है। यह शिक्षण मॉडल है, जिसमें उदाहरणार्थ मान स्पष्ट रूप से बताए गए हैं; यह पूर्वानुमान नहीं है।
नियंत्रण
- विशिष्ट वार्षिक संकट तीव्रता (स्थान)
- 1.00 तीव्रता सूचकांक
- चरम मानों का फैलाव (पैमाना)
- 0.80 तीव्रता सूचकांक
- वह तीव्रता जिस पर आधा मूल्य खो जाता है
- 4.00 तीव्रता सूचकांक
- भेद्यता का प्रसार
- 0.55
- संकट पदचिह्न में मूल्य का हिस्सा
- 40%
- सुरक्षा मानक (पुनरावृत्ति अवधि)
- 50 वर्ष
पाठ्यांक
- औसत वार्षिक हानि
- मूल्य का 0.51%
- 100 वर्षों में 1 पर हानि
- मूल्य का 24.5%
- 250 वर्षों में 1 पर हानि
- मूल्य का 28.4%
- 100 वर्षों में 1 पर तीव्रता
- 4.68 तीव्रता सूचकांक
संख्याएँ, विधियाँ और स्रोत
| वापसी अवधि (वर्ष) | तीव्रता (तीव्रता सूचकांक) | नुकसान (मूल्य का %) |
|---|---|---|
| 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 |
पद्धतियाँ
- Gumbel चरम-मान संकट Gumbel (1958), Statistics of Extremes, Columbia University Press
- लघुगणकीय-सामान्य भंगुरता (भेद्यता) FEMA (2003), HAZUS-MH Technical Manual
- अतिक्रमण-प्रायिकता वक्र और औसत वार्षिक हानि Grossi and Kunreuther (2005), Catastrophe Modeling, Springer
- तटबंध प्रभाव Di Baldassarre and others (2013), Socio-hydrology, HESS 17
- अनिश्चितता फ़ैन चार्ट (पैरामीटर मोंटे कार्लो) Spiegelhalter, Pearson and Short (2011), Visualising uncertainty about the future, Science 333
- एक-एक करके संवेदनशीलता (टॉरनेडो) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
डेटा
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:
- नदियाँ Natural Earth
- शहरी विस्तार Natural Earth
- शहर Natural Earth
- पिछले सप्ताह के M4.5+ भूकंप (USGS) अमेरिकी भूवैज्ञानिक सर्वेक्षण · रजिस्टर usgs.earthquake.summary-feeds
- वर्षा दर, पिछला आधा घंटा (IMERG) NASA GPM IMERG Early · रजिस्टर nasa.gibs.context-live-layers
- नदी प्रवाह पूर्वानुमान, सीमा सहित 30 दिन (Open-Meteo के माध्यम से GloFAS) Open-Meteo.com (CC BY 4.0), Copernicus GloFAS · रजिस्टर open-meteo.public-pages
- निर्मित और बस्ती विस्तार, 2010 (HBASE, Landsat) CIESIN/Columbia, NASA SEDAC HBASE · रजिस्टर sedac.context-urban-layers
छह स्तंभों में, Nexus Consortium के नेतृत्व में
- प्रयोग प्रयोगशालाएँ
- में निर्मित Foundry में Insurance Nexus
- परीक्षण स्थल Universe में Insurance Nexus
- में संहिताबद्ध Standards में वित्त, बीमा और अर्थव्यवस्था
- में प्रकाशित Reports में Insurance Nexus
- में पढ़ाया जाता है Academy में वित्त और अर्थशास्त्र संकाय
04डेटा
पद्धति क्या उपभोग करती है।
इस प्लेटफ़ॉर्म पर कृत्रिम बुद्धिमत्ता और मशीन लर्निंग द्वारा उपयोग किए जाने वाले डेटासेट और अभिलेख, प्रत्येक की भूमिका और उसके मानों के लेबल के साथ। स्रोत स्रोत रजिस्टर.
| डेटा | भूमिका | लेबल |
|---|---|---|
| Aerial and satellite imagery | Exposure attributes | प्रेक्षित |
| Labelled claims histories | Training and testing | रिपोर्ट किया गया |
| Property inspection records | Ground truth for imagery models | प्रेक्षित |
| Demographic reference data | Fairness testing | अनुमानित |
05जोखिम-संपर्क, हानि और पूँजी
What machine learning in insurance means for exposure, loss and capital.
वे जोखिम-अनावरण, हानि, परिदृश्य और पूँजी दृश्य जो कोई जोखिम अधिकारी, पर्यवेक्षक या वित्त मंत्रालय माँगेगा, उन ढाँचों के साथ जिनके विरुद्ध वे रिपोर्ट करते हैं। संरचनाएँ पर्यवेक्षी और बीमांकिक अभ्यास का अनुसरण करती हैं। मान उदाहरणात्मक हैं: कभी क़ीमतें, रेटिंग या सलाह नहीं।
वापसी अवधियों पर जोखिम-अनावरण और हानि
How losses from machine learning in insurance grow with severity, gross and net of reinsurance, against capital.
| वापसी अवधि | वार्षिक प्रायिकता | सकल हानि | शुद्ध हानि | निवल, पूँजी = 100 |
|---|---|---|---|---|
| 10 में 1 | 0.10 | 14 | 10 | 10 |
| 50 में 1 | 0.02 | 33 | 21 | 21 |
| 100 में 1 | 0.01 | 46 | 27 | 27 |
| 250 में 1 | 0.004 | 68 | 39 | 39 |
| औसत वार्षिक हानि | 3.1 | 2.2 | 2.2 |
NGFS जलवायु परिदृश्य · वित्तीय प्रणाली को हरित बनाने का नेटवर्क (Network for Greening the Financial System)IFRS S2 जलवायु-संबंधी प्रकटीकरण · ISSBTCFD सिफ़ारिशें · वित्तीय स्थिरता बोर्ड TCFDजलवायु-संबंधी वित्तीय जोखिमों के प्रभावी प्रबंधन के सिद्धांत · बैंकिंग पर्यवेक्षण पर बेसल समिति
06सत्यापन
परिणामों की जाँच कैसे होती है।
मॉडलों का मूल्यांकन अलग रखे गए उस डेटा पर होता है जो स्थानिक, कालिक और समूह संरचना का सम्मान करता है। सटीकता के साथ-साथ सुदृढ़ता, अंशांकन और निष्पक्षता का परीक्षण होता है।
| जाँचें | यह कैसे किया जाता है |
|---|---|
| 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 |
| मानव निरीक्षण | Decisions adverse to customers have a documented human review and an appeal route |
जब परिनियोजन परिस्थितियाँ प्रशिक्षण डेटा से भिन्न होती हैं तो प्रदर्शन घटता है। मॉडल पूर्वाग्रहों को समाहित कर सकते हैं और दुर्लभ घटनाओं पर स्पष्ट चेतावनी के बिना विफल हो सकते हैं।
08प्रबंधकत्व
पद्धति का रखरखाव कौन करता है।
कृत्रिम बुद्धिमत्ता और स्वायत्त प्रणालियाँ कंसोर्टियम के लिए कृत्रिम बुद्धिमत्ता और मशीन लर्निंग का संरक्षक है और प्लेटफ़ॉर्मों पर उसके अनुप्रयोग की समीक्षा करता है।
09जुड़ा हुआ
यह पृष्ठ पूरे कंसोर्टियम में कहाँ ले जाता है।
10प्रश्न
प्रश्न और उत्तर।
इस क्षेत्र में कृत्रिम बुद्धिमत्ता और मशीन लर्निंग की सीमाएँ क्या हैं?
जब परिनियोजन परिस्थितियाँ प्रशिक्षण डेटा से भिन्न होती हैं तो प्रदर्शन घटता है। मॉडल पूर्वाग्रहों को समाहित कर सकते हैं और दुर्लभ घटनाओं पर स्पष्ट चेतावनी के बिना विफल हो सकते हैं।
परिणामों की जाँच कैसे होती है?
मॉडलों का मूल्यांकन अलग रखे गए उस डेटा पर होता है जो स्थानिक, कालिक और समूह संरचना का सम्मान करता है। सटीकता के साथ-साथ सुदृढ़ता, अंशांकन और निष्पक्षता का परीक्षण होता है।
क्या इस पृष्ठ के मान वास्तविक हैं?
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.
यह पद्धति और कहाँ लागू होती है?
समाजों को चलाने वाली प्रामाणिक पद्धति पृष्ठ उसे लागू करने वाले हर प्लेटफ़ॉर्म को सूचीबद्ध करता है।
रिपोर्टयोगदान दें
इस पृष्ठ से साक्ष्य का योगदान करें।
रिपोर्ट 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.
वैश्विक जोखिम गठबंधन (Global Risks Alliance)बीमा Nexusवित्त और बीमा तत्परतावैश्विक क्षेत्रक जोखिम और लचीलापन
- ईमेलगेटवे GW-GRAइसे इसी पृष्ठ से भेजेंसाक्ष्य, सुधार, मामला, पद्धति, समीक्षा, अनुवाद या प्रोफ़ाइल इनपुट। यह इस पृष्ठ के टैग के साथ पहुँचता है, ताकि इसे सँभालने वाले संपादक को मिल जाए।
- Zenodoखुला जमाइसे जमा करें और समुदाय को प्रस्तुत करेंअपने ORCID iD के साथ Zenodo पर अपना अभिलेख प्रकाशित करें, फिर वहाँ Reports समुदाय को प्रस्तुत करें। संरक्षक उसकी समीक्षा करते हैं; DOI आपका ही रहता है।
- रिपोर्टवैश्विक जोखिम गठबंधन (Global Risks Alliance)योगदान के सभी तरीके देखेंयोगदान के प्रकार, प्रत्येक की समीक्षा कैसे होती है, आपको क्या श्रेय मिलता है, लाइसेंस और क्या कभी स्वीकार नहीं किया जाता।
व्यक्तिगत डेटा, संवेदनशील अवसंरचना का विवरण या ऐसी कोई भी सामग्री कभी न भेजें जिसे साझा करने का आपको अधिकार नहीं है। उपयोग से पहले योगदान की समीक्षा होती है; इसे भेजने से लेखकत्व या संपादकीय अधिकार नहीं मिलते, और प्रायोजन कभी किसी निष्कर्ष को नहीं खरीदता।
बीमा Nexus
जोखिम-अनावरण या पूँजी का कोई प्रश्न गठबंधन के पास लाएँ।
जानकारी और पूछताछ आज से खुली हैं। हर पूछताछ को एक संदर्भ मिलता है और अगला कदम बताया जाता है; आवेदन, भुगतान, कंप्यूट आवंटन और पंजीकरण तभी खुलते हैं जब उनकी टीम, शर्तें और समीक्षा क्षमता मौजूद हों।
विधिक
कानूनी दस्तावेज़।
इस साइट पर मानचित्र, डेटा और आँकड़े संदर्भ और सामान्य जानकारी के लिए दिखाए जाते हैं। वे सलाह, पूर्वानुमान या चेतावनियाँ नहीं हैं; जानकारी की सीमाएँ अस्वीकरण और डेटा सूचनाओं में बताई गई हैं।