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
Finanças espaciaisOnde o capital encontra ameaça, exposição e transição
Aprendizado de máquina nos seguros
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.
01Registrar
Machine learning in insurance on the record.
Registro do métodoMétodo CTEM
- MétodoInteligência artificial e aprendizado de máquina
- Aplicado emInsurance Nexus
- Dados4 insumos
- Verificações4 etapas de validação
- Página canônicaBens comuns CTEM
02Candidatura
O que a inteligência artificial e o aprendizado de máquina fazem aqui.
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 sistemas. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on os bens comuns CTEM.
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.
03Modelo de perdas
Excedência de perdas, perda média anual e perda máxima provável.
A perda que uma carteira na área abrangida pode esperar por ano e nos níveis de 1 em 100 e 1 em 250 que seguradoras e credores avaliam, a partir dos mesmos três blocos que qualquer modelo de catástrofes utiliza. Modelo didático com valores ilustrativos declarados, não uma previsão.
Controles
- Intensidade anual típica da ameaça (local)
- 1,00 índice de intensidade
- Dispersão dos extremos (escala)
- índice de intensidade de 0.80
- Intensidade a que se perde metade do valor
- 4,00 índice de intensidade
- Dispersão da vulnerabilidade
- 0.55
- Parte do valor na pegada da ameaça
- 40%
- Norma de proteção (período de retorno)
- 50 anos
Leituras
- Perda anual média
- 0.51% do valor
- Perda a 1 em 100 anos
- 24.5% do valor
- Perda de 1 em 250 anos
- 28.4% do valor
- Intensidade a 1 em 100 anos
- índice de intensidade de 4.68
Números, métodos e fontes
| Período de retorno (anos) | Intensidade (índice de intensidade) | Perda (% do valor) |
|---|---|---|
| 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 |
Métodos
- Ameaça de valores extremos de Gumbel Gumbel (1958), Statistics of Extremes, Columbia University Press
- Fragilidade lognormal (vulnerabilidade) FEMA (2003), HAZUS-MH Technical Manual
- Curva de probabilidade de excedência e perda anual média Grossi and Kunreuther (2005), Catastrophe Modeling, Springer
- Efeito dique Di Baldassarre and others (2013), Socio-hydrology, HESS 17
- Leque de incerteza (Monte Carlo de parâmetros) Spiegelhalter, Pearson e Short (2011), Visualising uncertainty about the future, Science 333
- Sensibilidade de um fator de cada vez (tornado) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
Dados
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:
- Rios Natural Earth
- Extensões urbanas Natural Earth
- Cidades Natural Earth
- Sismos M4.5+, última semana (USGS) U.S. Geological Survey · registo usgs.earthquake.summary-feeds
- Intensidade da chuva, última meia hora (IMERG) NASA GPM IMERG Early · registo nasa.gibs.context-live-layers
- Previsão do caudal fluvial, 30 dias com intervalo (GloFAS através do Open-Meteo) Open-Meteo.com (CC BY 4.0), Copernicus GloFAS · registo open-meteo.public-pages
- Extensão edificada e dos aglomerados, 2010 (HBASE, Landsat) CIESIN/Columbia, NASA SEDAC HBASE · registo sedac.context-urban-layers
Nos seis pilares, sob a liderança do Nexus Consortium
- Experimentos Laboratórios
- Integrado Insurance Nexus no Foundry
- Testado em Insurance Nexus no Universe
- Codificado em Finanças, seguros e economia em Standards
- Publicado em Insurance Nexus no Reports
- Ensinado em Faculdade de Finanças e Economia em Academy
04Dados
O que o método consome.
Conjuntos de dados e registros usados pela inteligência artificial e pelo aprendizado de máquina nesta plataforma, com o papel que cada um desempenha e a etiqueta que seus valores levam. As fontes estão listadas no registro de fontes.
| Dados | Função | Rótulo |
|---|---|---|
| Aerial and satellite imagery | Exposure attributes | OBSERVADO |
| Labelled claims histories | Training and testing | REPORTADO |
| Property inspection records | Ground truth for imagery models | OBSERVADO |
| Demographic reference data | Fairness testing | ESTIMADO |
05Exposição, perda e capital
What machine learning in insurance means for exposure, loss and capital.
As vistas de exposição, perda, cenários e capital que um responsável pelo risco, um supervisor ou um ministério das finanças pediria, com os quadros de referência perante os quais reportam. As estruturas seguem a prática de supervisão e atuarial. Os valores são ilustrativos: nunca preços, notações ou aconselhamento.
Exposição e perda por período de retorno
How losses from machine learning in insurance grow with severity, gross and net of reinsurance, against capital.
| Período de retorno | Probabilidade anual | Perda bruta | Perda líquida | Líquido, capital = 100 |
|---|---|---|---|---|
| 1 em 10 | 0.10 | 14 | 10 | 10 |
| 1 em 50 | 0.02 | 33 | 21 | 21 |
| 1 em 100 | 0.01 | 46 | 27 | 27 |
| 1 em 250 | 0.004 | 68 | 39 | 39 |
| Perda anual média | 3.1 | 2.2 | 2.2 |
Cenários climáticos do NGFS · Network for Greening the Financial SystemIFRS S2 Divulgações Relacionadas ao Clima · ISSBRecomendações da TCFD · Financial Stability Board TCFDPrincípios para a gestão eficaz dos riscos financeiros relacionados ao clima · Comitê de Basileia de Supervisão Bancária
06Validação
Como os resultados são verificados.
Os modelos são avaliados com dados reservados que respeitam a estrutura espacial, temporal e de grupos. A robustez, a calibração e a equidade são testadas ao lado da exatidão.
| Verificar | Como é feito |
|---|---|
| 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 |
| Supervisão humana | Decisions adverse to customers have a documented human review and an appeal route |
O desempenho se degrada quando as condições de implantação diferem dos dados de treinamento. Os modelos podem codificar vieses e falhar sem aviso claro em eventos raros.
08Gestão responsável
Quem mantém o método.
Inteligência artificial e sistemas autônomos é guardião da inteligência artificial e do aprendizado de máquina para o Consortium e revisa como são aplicados nas plataformas.
09Ligado
Para onde esta página leva em todo o Consórcio.
10Perguntas
Perguntas e respostas.
Quais são os limites da inteligência artificial e do aprendizado de máquina neste campo?
O desempenho se degrada quando as condições de implantação diferem dos dados de treinamento. Os modelos podem codificar vieses e falhar sem aviso claro em eventos raros.
Como os resultados são verificados?
Os modelos são avaliados com dados reservados que respeitam a estrutura espacial, temporal e de grupos. A robustez, a calibração e a equidade são testadas ao lado da exatidão.
Os valores desta página são reais?
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.
Onde mais este método é aplicado?
O Observatory do página canônica do método lista todas as plataformas que o aplicam.
RelatóriosContribuir
Contribua com evidências a partir desta página.
Relatórios 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 NexusPreparação financeira e de segurosRisco e resiliência setoriais globais
- E-mailPortal GW-GRAEnvie desta páginaEvidência, uma correção, um caso, um método, uma revisão, uma tradução ou uma contribuição ao perfil. Chega marcada com esta página, de modo que o editor responsável a receba.
- ZenodoDepósito abertoDeposite-o e envie à comunidadePublique seu próprio registro no Zenodo com seu ORCID iD e depois envie-o à comunidade Reports ali. Os curadores o revisam; o DOI continua sendo seu.
- RelatóriosGlobal Risks AllianceVer todas as formas de contribuirOs tipos de contribuição, como cada um é revisado, o crédito que você recebe, a licença e o que nunca é aceito.
Nunca envie dados pessoais, detalhes sensíveis de infraestrutura nem nada que você não tenha o direito de compartilhar. Uma contribuição é revisada antes do uso. Enviá-la não confere autoria nem direitos editoriais, e o patrocínio nunca compra uma constatação.
Insurance Nexus
Apresente à Alliance uma questão de exposição ou de capital.
A informação e os pedidos estão abertos hoje. Um pedido recebe uma referência e indica o próximo passo; candidaturas, pagamentos, alocações de computação e registros só abrem quando existem a equipa, os termos e a capacidade de revisão.
Jurídico
Documentos jurídicos.
Os mapas, dados e números deste site são apresentados como contexto e informação geral. Não são aconselhamento, previsões nem avisos; os limites da informação estão expostos nos Avisos legais e nos Avisos sobre dados.