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
空間金融資本がハザード、エクスポージャー、移行と出会う場所
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.
01登録
Machine learning in insurance on the record.
手法の記録STEM の手法
- 手法人工知能と機械学習
- スチュワード人工知能と自律システム
- 適用先Insurance Nexus
- データ4 つの入力
- チェック4 つの検証ステップ
- 正式なページSTEM コモンズ
02申請
人工知能と機械学習がここで果たす役割。
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 システム. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on STEM コモンズ.
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.
03損失モデル
超過損失、年間平均損失、予想最大損失。
フットプリント内のポートフォリオが、年間で、また保険会社や貸し手が価格付けに用いる 100 年に 1 度と 250 年に 1 度の水準で、どれだけの損失を見込むかを示します。あらゆる カタストロフィ・モデル が使う同じ三つの構成要素に基づきます。教育用モデルであり、例示的な値を明記しています。予測ではありません。
管理策
- 典型的な年間ハザード強度（所在地）
- 1.00 強度指数
- 極値の広がり（尺度）
- 強度指数 0.80
- 価値の半分が失われる強度
- 4.00 強度指数
- 脆弱性のばらつき
- 0.55
- ハザードの影響範囲内にある価値の割合
- 40%
- 防護水準（再現期間）
- 50 年
読み取り値
- 年間平均損失
- 価値の 0.51%
- 100 年に 1 度の損失
- 価値の 24.5%
- 250 年に 1 度の損失
- 価値の 28.4%
- 100 年に 1 度の強度
- 強度指数 4.68
数値、手法、出典
| 再現期間（年） | 強度（強度指数） | 損失（価値に対する %） |
|---|---|---|
| 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 |
手法
- Gumbel 極値ハザード Gumbel (1958), Statistics of Extremes, Columbia University Press
- 対数正規フラジリティ（脆弱性） FEMA (2003), HAZUS-MH Technical Manual
- 超過確率曲線と年間平均損失 Grossi and Kunreuther (2005), Catastrophe Modeling, Springer
- 堤防効果 Di Baldassarre and others (2013), Socio-hydrology, HESS 17
- 不確実性のファンチャート（パラメータ・モンテカルロ） Spiegelhalter, Pearson and Short (2011), Visualising uncertainty about the future, Science 333
- 一因子ずつの感度分析（トルネード図） Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
データ
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:
- 河川 Natural Earth
- 都市域 Natural Earth
- 都市 Natural Earth
- 過去 1 週間の M4.5+ の地震（USGS） 米国地質調査所 · 登録 usgs.earthquake.summary-feeds
- 降雨強度、直近 30 分（IMERG） NASA GPM IMERG Early · 登録 nasa.gibs.context-live-layers
- 河川流量予報、30 日間と幅（Open-Meteo 経由の GloFAS） Open-Meteo.com（CC BY 4.0）、Copernicus GloFAS · 登録 open-meteo.public-pages
- 市街地と居住地の範囲、2010 年（HBASE、Landsat） CIESIN/Columbia、NASA SEDAC HBASE · 登録 sedac.context-urban-layers
6 本の柱を通じて、Nexus Consortium が主導
| データ | 役割 | ラベル |
|---|---|---|
| Aerial and satellite imagery | Exposure attributes | 観測 |
| Labelled claims histories | Training and testing | 報告値 |
| Property inspection records | Ground truth for imagery models | 観測 |
| Demographic reference data | Fairness testing | 推定 |
05エクスポージャー、損失、資本
What machine learning in insurance means for exposure, loss and capital.
リスク責任者、監督当局、財務省が求めるエクスポージャー、損失、シナリオ、資本のビューと、それらが報告の根拠とする枠組み。構造は監督実務とアクチュアリー実務に従います。値は例示であり、価格、格付け、助言では決してありません。
再現期間ごとのエクスポージャーと損失
How losses from machine learning in insurance grow with severity, gross and net of reinsurance, against capital.
| 再現期間 | 年間確率 | 総損失 | 純損失 | 純額、資本 = 100 |
|---|---|---|---|---|
| 10 年に 1 度 | 0.10 | 14 | 10 | 10 |
| 50 年に 1 度 | 0.02 | 33 | 21 | 21 |
| 100 年に 1 度 | 0.01 | 46 | 27 | 27 |
| 250 年に 1 度 | 0.004 | 68 | 39 | 39 |
| 年間平均損失 | 3.1 | 2.2 | 2.2 |
NGFS 気候シナリオ · 気候変動リスク等に係る金融当局ネットワークIFRS S2 気候関連開示 · ISSBTCFD 提言 · 金融安定理事会 TCFD気候関連金融リスクの実効的な管理のための諸原則 · バーゼル銀行監督委員会
06検証
結果の確認方法。
モデルは、空間、時間、グループの構造を考慮した検証用データで評価されます。正確さとともに、頑健性、較正、公平性も検証されます。
| 確認 | 実施方法 |
|---|---|
| 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 |
| 人間による監督 | Decisions adverse to customers have a documented human review and an appeal route |
導入時の条件が学習データと異なると、性能は低下します。モデルはバイアスを内包することがあり、希少な事象では明確な警告なしに失敗することがあります。
07つながり
この手法に依拠するトピック。
09接続済み
このページがコンソーシアム全体でどこへつながるか。
10質問
質問と回答。
この分野における人工知能と機械学習の限界は何ですか？
導入時の条件が学習データと異なると、性能は低下します。モデルはバイアスを内包することがあり、希少な事象では明確な警告なしに失敗することがあります。
結果はどのように確認されますか？
モデルは、空間、時間、グループの構造を考慮した検証用データで評価されます。正確さとともに、頑健性、較正、公平性も検証されます。
このページの値は実際のものですか？
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.
この手法は他にどこで適用されていますか？
社会を動かし続ける 正式な手法のページ には、それを適用するすべてのプラットフォームが掲載されています。
報告書貢献する
このページからエビデンスを提供する。
報告書 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.
グローバル・リスク・アライアンス（Global Risks Alliance）Insurance Nexus金融・保険の準備度グローバル部門のリスクとレジリエンス
- メールゲートウェイ GW-GRAこのページから送信するエビデンス、訂正、事例、手法、レビュー、翻訳、プロファイルへの入力。このページのタグが付いて届くため、担当の編集者が受け取ります。
- Zenodoオープンな寄託寄託してコミュニティに提出するORCID iD を使って Zenodo に自分の記録を公開し、そこから Reports コミュニティに提出してください。キュレーターが審査し、DOI は引き続きあなたのものです。
- 報告書グローバル・リスク・アライアンス（Global Risks Alliance）貢献のすべての方法を見る貢献の種類、それぞれの審査方法、受け取るクレジット、ライセンス、決して受け付けないもの。
個人データ、重要インフラの機微な詳細、共有する権利のないものは決して送らないでください。寄稿は利用前にレビューされます。送付によって著作者としての権利や編集上の権利が生じることはなく、スポンサーシップで調査結果を買うことは決してできません。
Insurance Nexus
エクスポージャーまたは資本に関する問いをアライアンスに持ち込む。
情報提供と問い合わせは本日から受け付けています。問い合わせには参照番号が付き、次の手順が示されます。申請、支払い、計算資源の割り当て、登録は、担当チーム、規約、審査体制が整ってから開始します。
法務
法的文書。
このサイトの地図、データ、図表は、背景と一般的な情報として示すものです。助言、予報、警報ではありません。情報の限界は免責事項とデータに関する注意事項に記載しています。