Skip to content

GRA · Insurance Nexus

공간 금융자본이 재해, 노출, 전환과 만나는 곳

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.

문의하기 Back to STEM foundation of Insurance Nexus
01등록

Machine learning in insurance on the record.

방법 기록STEM 방법
  1. 방법인공지능과 머신러닝
  3. 적용 분야Insurance Nexus
  4. 데이터입력 4개
  6. 정본 페이지STEM 공유지
02신청서

인공지능과 머신러닝이 이곳에서 하는 일.

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 시스템. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on STEM 공유 자원.

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.

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.

03손실 모델

손실 초과, 연평균 손실과 예상 최대 손실.

모든 재해 모델 이 사용하는 동일한 세 가지 구성 요소로부터, 해당 영향권 내 포트폴리오가 연간으로, 그리고 보험사와 대출기관이 가격에 반영하는 1/100 및 1/250 수준에서 예상할 수 있는 손실을 산출합니다. 명시된 설명용 값을 사용한 교육용 모델이며 예측이 아닙니다.

통제 수단

전형적인 연간 재해 강도(위치)
1.00 강도 지수
극값의 퍼짐(척도)
강도 지수 0.80
가치의 절반이 손실되는 강도
4.00 강도 지수
취약성의 분산
0.55
재해 영향 범위 내 가치 비중
40%
방호 기준(재현 기간)
50년

판독값

연평균 손실
가치의 0.51%
100년에 1번 발생하는 손실
가치의 24.5%
250년에 1번 발생하는 손실
가치의 28.4%
100년에 1번 발생하는 강도
강도 지수 4.68
수치, 방법과 출처
재현 기간(년)강도(강도 지수)손실(가치 대비 %)
10.090.00
21.270.00
41.910.00
72.470.00
133.000.00
243.510.00
444.020.00
824.5323.55
1545.0326.44
2875.5328.87
5366.0330.88
1,0006.5332.53

방법

  1. Gumbel 극값 재해 Gumbel (1958), Statistics of Extremes, Columbia University Press
  2. 로그정규 취약도(취약성) FEMA (2003), HAZUS-MH Technical Manual
  3. 초과 확률 곡선과 연평균 손실 Grossi and Kunreuther (2005), Catastrophe Modeling, Springer
  4. 제방 효과 Di Baldassarre and others (2013), Socio-hydrology, HESS 17
  5. 불확실성 팬 차트(매개변수 몬테카를로) Spiegelhalter, Pearson and Short (2011), Visualising uncertainty about the future, Science 333
  6. 단일 요인 민감도(토네이도) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley

데이터

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:

  • 하천 Natural Earth
  • 도시 범위 Natural Earth
  • 도시 Natural Earth
  • 지난 1주일 M4.5+ 지진(USGS) 미국 지질조사국 · 등록 usgs.earthquake.summary-feeds
  • 강우 강도, 최근 30분(IMERG) NASA GPM IMERG Early · 등록 nasa.gibs.context-live-layers
  • 하천 유량 예보, 30일 및 범위(Open-Meteo 경유 GloFAS) Open-Meteo.com(CC BY 4.0), Copernicus GloFAS · 등록 open-meteo.public-pages
  • 시가지 및 정주지 범위, 2010년(HBASE, Landsat) CIESIN/Columbia, NASA SEDAC HBASE · 등록 sedac.context-urban-layers
손실 초과확률, 연평균 손실 및 추정 최대 손실. 예시용 교육 모델로, 실측 데이터가 아니라 컨트롤에서 설정한 값으로 작동합니다. 방법: Gumbel 극값 재해(Gumbel(1958), Statistics of Extremes, Columbia University Press), 로그정규 취약성(FEMA(2003), HAZUS-MH Technical Manual), 초과확률 곡선과 연평균 손실(Grossi와 Kunreuther(2005), Catastrophe Modeling, Springer).

여섯 기둥 전반에 걸쳐, Nexus Consortium 주도

04데이터

방법이 사용하는 입력.

이 플랫폼에서 인공지능과 머신러닝이 사용하는 데이터셋과 기록으로, 각각의 역할과 그 값에 붙는 표시를 함께 보여 줍니다. 출처는 출처 등록부.

데이터역할라벨
Aerial and satellite imageryExposure attributes관측
Labelled claims historiesTraining and testing보고됨
Property inspection recordsGround truth for imagery models관측
Demographic reference dataFairness testing추정
05노출, 손실 및 자본

What machine learning in insurance means for exposure, loss and capital.

리스크 책임자, 감독 당국이나 재무부가 요구할 익스포저, 손실, 시나리오와 자본 보기와 이들이 보고의 기준으로 삼는 체계. 구조는 감독과 보험계리 실무를 따릅니다. 값은 예시이며 가격, 등급이나 조언이 결코 아닙니다.

재현 기간별 익스포저와 손실

How losses from machine learning in insurance grow with severity, gross and net of reinsurance, against capital.

1/10 빈도1/50 빈도1/100 빈도1/250 빈도총액재보험 공제 후800
재현 기간연간 확률총손실순손실순액, 자본 = 100
1/10 빈도0.10141010
1/50 빈도0.02332121
1/100 빈도0.01462727
1/250 빈도0.004683939
연평균 손실3.12.22.2
예시 포트폴리오의 예시 손실 지수(자본 = 100): 보험사와 감독 당국이 읽는 초과 확률 형식입니다. 어떤 기관의 데이터도, 가격이나 등급도 아닙니다.
NGFS 기후 시나리오 · 녹색금융협의체IFRS S2 기후 관련 공시 · ISSBTCFD 권고안 · 금융안정위원회 TCFD기후 관련 금융 리스크의 효과적 관리 원칙 · 바젤은행감독위원회
06검증

결과가 점검되는 방식.

모형은 공간, 시간, 집단 구조를 고려한 보류 데이터로 평가됩니다. 정확도와 함께 강건성, 보정, 공정성을 시험합니다.

점검수행 방식
Temporal and held-out validationModels are tested on later periods and unseen regions, not only on random splits
Calibration and drift monitoringPredicted probabilities are compared with outcomes over time, and drift triggers recalibration
Fairness and explainability reviewOutcome disparities and explanations are reviewed before deployment and periodically after
사람의 감독Decisions adverse to customers have a documented human review and an appeal route

배치 조건이 학습 데이터와 다르면 성능이 떨어집니다. 모형은 편향을 내재할 수 있으며 희귀 사건에서 명확한 경고 없이 실패할 수 있습니다.

07연결

이 방법에 의존하는 주제.

08스튜어드십

방법을 유지하는 주체.

인공지능과 자율 시스템 은 컨소시엄을 위해 인공지능과 머신러닝을 관리하며, 플랫폼 전반에서의 적용 방식을 검토합니다.

정본 페이지: 인공지능과 머신러닝

09연결됨

이 페이지가 컨소시엄 전체에서 어디로 이어지는지.

10질문

질문과 답변.

이 분야에서 인공지능과 머신러닝의 한계는 무엇입니까?
배치 조건이 학습 데이터와 다르면 성능이 떨어집니다. 모형은 편향을 내재할 수 있으며 희귀 사건에서 명확한 경고 없이 실패할 수 있습니다.
결과는 어떻게 점검됩니까?
모형은 공간, 시간, 집단 구조를 고려한 보류 데이터로 평가됩니다. 정확도와 함께 강건성, 보정, 공정성을 시험합니다.
이 페이지의 값은 실제입니까?
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.
이 방법은 다른 어디에 적용됩니까?
사회를 움직이는 정본 방법 페이지 는 이를 적용하는 모든 플랫폼을 나열합니다.
보고서기여하기

이 페이지에서 증거를 기여하십시오.

보고서 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.

글로벌 리스크 얼라이언스(Global Risks Alliance)Insurance Nexus금융 및 보험 준비도글로벌 부문 리스크와 회복력

개인정보, 민감한 인프라 세부 정보, 공유할 권리가 없는 자료는 절대 보내지 마십시오. 기여물은 사용 전에 검토됩니다. 기여물을 보낸다고 해서 저작자 지위나 편집 권한이 부여되지 않으며, 후원으로 조사 결과를 얻을 수 없습니다.

Insurance Nexus

익스포저나 자본에 관한 질문을 얼라이언스에 가져오십시오.

정보와 문의는 오늘부터 열려 있습니다. 문의에는 참조 번호가 부여되고 다음 단계가 안내됩니다. 신청, 결제, 컴퓨팅 할당, 등록은 해당 팀, 약관, 심사 역량이 갖추어졌을 때만 열립니다.

준비 태세 시범사업 제안 모든 연락 경로 보기
법률

이 사이트의 지도, 데이터와 그림은 맥락과 일반 정보로 제시됩니다. 조언, 예보 또는 경보가 아니며, 정보의 한계는 면책 고지와 데이터 고지에 나와 있습니다.