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
Finanza spazialeDove il capitale incontra pericolo, esposizione e transizione
Apprendimento automatico nelle assicurazioni
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.
01Registrare
Machine learning in insurance on the record.
Registro del metodoMetodo STEM
- MetodoIntelligenza artificiale e apprendimento automatico
- Applicato inInsurance Nexus
- Dati4 input
- Verifiche4 fasi di validazione
- Pagina canonicaBeni comuni STEM
02Domanda di adesione
Cosa fanno qui l'intelligenza artificiale e l'apprendimento automatico.
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 Sistemi. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on i beni comuni STEM.
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.
03Modello delle perdite
Superamento della perdita, perdita media annua e perdita massima probabile.
La perdita che un portafoglio nell'area può attendersi per anno e ai livelli 1 su 100 e 1 su 250 che assicuratori e finanziatori utilizzano per la tariffazione, a partire dagli stessi tre blocchi che ogni modello di catastrofe utilizza. Modello didattico con valori illustrativi dichiarati, non una previsione.
Comandi
- Intensità annua tipica del pericolo (località)
- Indice di intensità 1,00
- Dispersione degli estremi (scala)
- indice di intensità 0.80
- Intensità alla quale si perde metà del valore
- Indice di intensità 4,00
- Dispersione della vulnerabilità
- 0.55
- Quota del valore nell'impronta del pericolo
- 40%
- Standard di protezione (periodo di ritorno)
- 50 anni
Letture
- Perdita annua media
- 0.51% del valore
- Perdita a 1 su 100 anni
- 24.5% del valore
- Perdita a 1 su 250 anni
- 28.4% del valore
- Intensità a 1 su 100 anni
- indice di intensità 4.68
Numeri, metodi e fonti
| Tempo di ritorno (anni) | Intensità (indice di intensità) | Perdita (% del valore) |
|---|---|---|
| 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 |
Metodi
- Pericolo a valori estremi di Gumbel Gumbel (1958), Statistics of Extremes, Columbia University Press
- Fragilità lognormale (vulnerabilità) FEMA (2003), HAZUS-MH Technical Manual
- Curva di probabilità di superamento e perdita media annua Grossi and Kunreuther (2005), Catastrophe Modeling, Springer
- Effetto argine Di Baldassarre and others (2013), Socio-hydrology, HESS 17
- Ventaglio di incertezza (Monte Carlo sui parametri) Spiegelhalter, Pearson e Short (2011), Visualising uncertainty about the future, Science 333
- Sensibilità un fattore alla volta (tornado) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
Dati
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:
- Fiumi Natural Earth
- Estensioni urbane Natural Earth
- Città Natural Earth
- Terremoti M4.5+, ultima settimana (USGS) U.S. Geological Survey · registro usgs.earthquake.summary-feeds
- Intensità della pioggia, ultima mezz'ora (IMERG) NASA GPM IMERG Early · registro nasa.gibs.context-live-layers
- Previsione della portata fluviale, 30 giorni con intervallo (GloFAS tramite Open-Meteo) Open-Meteo.com (CC BY 4.0), Copernicus GloFAS · registro open-meteo.public-pages
- Estensione dell'edificato e degli insediamenti, 2010 (HBASE, Landsat) CIESIN/Columbia, NASA SEDAC HBASE · registro sedac.context-urban-layers
Nei sei pilastri, sotto la guida di Nexus Consortium
- Esperimenti Laboratori
- Costruito in Insurance Nexus in Foundry
- Testato a Insurance Nexus in Universe
- Codificato in Finanza, assicurazioni ed economia in Standards
- Pubblicato in Insurance Nexus nei Rapporti
- Insegnato in Facoltà di Finanza ed economia in Academy
04Dati
Cosa utilizza il metodo.
Set di dati e registri utilizzati dall'intelligenza artificiale e dall'apprendimento automatico su questa piattaforma, con il ruolo di ciascuno e l'etichetta dei suoi valori. Le fonti sono elencate nel registro delle fonti.
| Dati | Ruolo | Etichetta |
|---|---|---|
| Aerial and satellite imagery | Exposure attributes | OSSERVATO |
| Labelled claims histories | Training and testing | RIPORTATO |
| Property inspection records | Ground truth for imagery models | OSSERVATO |
| Demographic reference data | Fairness testing | STIMATO |
05Esposizione, perdita e capitale
What machine learning in insurance means for exposure, loss and capital.
Le viste su esposizione, perdita, scenari e capitale che un responsabile del rischio, un'autorità di vigilanza o un ministero delle finanze richiederebbe, con i quadri normativi in base ai quali riferisce. Le strutture seguono la prassi di vigilanza e attuariale. I valori sono illustrativi: mai prezzi, rating o consulenza.
Esposizione e perdita per periodo di ritorno
How losses from machine learning in insurance grow with severity, gross and net of reinsurance, against capital.
| Periodo di ritorno | Probabilità annua | Perdita lorda | Perdita netta | Netto, capitale = 100 |
|---|---|---|---|---|
| 1 su 10 | 0.10 | 14 | 10 | 10 |
| 1 su 50 | 0.02 | 33 | 21 | 21 |
| 1 su 100 | 0.01 | 46 | 27 | 27 |
| 1 su 250 | 0.004 | 68 | 39 | 39 |
| Perdita annua media | 3.1 | 2.2 | 2.2 |
Scenari climatici NGFS · Network for Greening the Financial SystemIFRS S2 Climate-related Disclosures · ISSBRaccomandazioni TCFD · Financial Stability Board TCFDPrincipi per la gestione efficace dei rischi finanziari legati al clima · Comitato di Basilea per la vigilanza bancaria
06Validazione
Come vengono verificati i risultati.
I modelli sono valutati su dati esclusi dalla stima che rispettano la struttura spaziale, temporale e di gruppo. Robustezza, calibrazione ed equità sono testate insieme all'accuratezza.
| Verifica | Come si fa |
|---|---|
| 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 |
| Supervisione umana | Decisions adverse to customers have a documented human review and an appeal route |
Le prestazioni peggiorano quando le condizioni di impiego differiscono dai dati di addestramento. I modelli possono incorporare distorsioni e fallire senza un chiaro preavviso sugli eventi rari.
07Collegamenti
Argomenti che si basano su questo metodo.
08Custodia
Chi mantiene il metodo.
Intelligenza artificiale e sistemi autonomi è custode dell'intelligenza artificiale e dell'apprendimento automatico per il Consortium ed esamina come vengono applicati tra le piattaforme.
09Connesso
Dove porta questa pagina nel Consorzio.
10Domande
Domande e risposte.
Quali sono i limiti dell'intelligenza artificiale e dell'apprendimento automatico in questo campo?
Le prestazioni peggiorano quando le condizioni di impiego differiscono dai dati di addestramento. I modelli possono incorporare distorsioni e fallire senza un chiaro preavviso sugli eventi rari.
Come vengono verificati i risultati?
I modelli sono valutati su dati esclusi dalla stima che rispettano la struttura spaziale, temporale e di gruppo. Robustezza, calibrazione ed equità sono testate insieme all'accuratezza.
I valori di questa pagina sono reali?
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.
Dove altro viene applicato questo metodo?
L'Observatory pagina canonica del metodo elenca ogni piattaforma che lo applica.
RapportiContribuisci
Contribuisci con evidenze da questa pagina.
Rapporti 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 NexusPreparazione di finanza e assicurazioniRischio e resilienza settoriali globali
- E-mailPortale GW-GRAInvialo da questa paginaUn'evidenza, una correzione, un caso, un metodo, una revisione, una traduzione o un contributo a un profilo. Arriva etichettata con questa pagina, così la riceve la persona redattrice che ne è responsabile.
- ZenodoDeposito apertoDepositalo e invialo alla comunitàPubblica il tuo registro su Zenodo con il tuo ORCID iD, poi invialo alla comunità Reports. I curatori lo esaminano; il DOI resta tuo.
- RapportiGlobal Risks AllianceVedi tutti i modi per contribuireI tipi di contributo, come viene revisionato ciascuno, il riconoscimento che ricevi, la licenza e ciò che non è mai accettato.
Non inviare mai dati personali, dettagli su infrastrutture sensibili o qualsiasi cosa che tu non abbia il diritto di condividere. Un contributo viene sottoposto a revisione prima dell'uso; inviarlo non conferisce diritti di paternità né editoriali, e la sponsorizzazione non compra mai un risultato.
Insurance Nexus
Portate all'Alliance una questione di esposizione o di capitale.
Informazioni e richieste sono aperte oggi. Una richiesta riceve un riferimento e indica il passo successivo; candidature, pagamenti, assegnazioni di calcolo e registrazioni si aprono solo quando esistono il team, le condizioni e la capacità di revisione.
Note legali
Documenti legali.
Le mappe, i dati e le cifre di questo sito sono mostrati a titolo di contesto e di informazione generale. Non costituiscono consigli, previsioni né allerte; i limiti dell'informazione sono esposti nelle Dichiarazioni di esclusione di responsabilità e nelle Note sui dati.