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
Пространственные финансыГде капитал встречается с опасностями, подверженностью и переходом
Машинное обучение в страховании
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.
01Реестр
Machine learning in insurance on the record.
Запись о методеSTEM-метод
- МетодИскусственный интеллект и машинное обучение
- Распорядитель«Искусственный интеллект и автономные системы»
- Применяется вInsurance Nexus
- ДанныеВходных данных: 4
- ПроверкиШагов валидации: 4
- Каноническая страницаSTEM Commons
02Заявка
Что здесь делают искусственный интеллект и машинное обучение.
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 Системы. 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.
03Модель убытков
Превышение убытков, среднегодовой убыток и вероятный максимальный убыток.
Убыток, который портфель в зоне воздействия может ожидать в год, а также на уровнях 1 раз в 100 и 1 раз в 250 лет, которые закладывают в цену страховщики и кредиторы, на основе тех же трёх блоков, что использует любая катастрофическая модель . Учебная модель с указанными иллюстративными значениями, а не прогноз.
Меры контроля
- Типичная годовая интенсивность опасности (место)
- Индекс интенсивности 1.00
- Разброс экстремальных значений (масштаб)
- Индекс интенсивности 0.80
- Интенсивность, при которой теряется половина стоимости
- Индекс интенсивности 4.00
- Разброс уязвимости
- 0.55
- Доля стоимости в зоне воздействия опасного явления
- 40%
- Стандарт защиты (период повторяемости)
- Лет: 50
Показания
- Средние годовые потери
- 0,51% стоимости
- Потери при периоде повторяемости 1 раз в 100 лет
- 24,5% стоимости
- Потери при периоде повторяемости 1 раз в 250 лет
- 28,4% стоимости
- Интенсивность при периоде повторяемости 1 раз в 100 лет
- Индекс интенсивности 4.68
Числа, методы и источники
| Период повторяемости (лет) | Интенсивность (индекс интенсивности) | Потери (% стоимости) |
|---|---|---|
| 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 |
Методы
- Опасность по распределению экстремальных значений Гумбеля Gumbel (1958), Statistics of Extremes, Columbia University Press
- Логнормальная кривая хрупкости (уязвимости) FEMA (2003), HAZUS-MH Technical Manual
- Кривая вероятности превышения и средние годовые потери Grossi and Kunreuther (2005), Catastrophe Modeling, Springer
- Эффект дамбы Di Baldassarre и др. (2013), Socio-hydrology, HESS 17
- Веер неопределённости (параметрический метод Монте-Карло) Spiegelhalter, Pearson and Short (2011), Visualising uncertainty about the future, Science 333
- Анализ чувствительности по одному фактору (торнадо) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
Данные
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:
- Реки Natural Earth
- Городские границы Natural Earth
- Города Natural Earth
- Землетрясения M4.5+, за последнюю неделю (USGS) U.S. Geological Survey · register usgs.earthquake.summary-feeds
- Интенсивность осадков, последние полчаса (IMERG) NASA GPM IMERG Early · register nasa.gibs.context-live-layers
- Прогноз речного стока, 30 дней с диапазоном (GloFAS через Open-Meteo) Open-Meteo.com (CC BY 4.0), Copernicus GloFAS · register open-meteo.public-pages
- Застроенные территории и протяжённость поселений, 2010 год (HBASE, Landsat) CIESIN/Columbia, NASA SEDAC HBASE · register sedac.context-urban-layers
По шести опорам, под руководством Nexus Consortium
- Эксперименты Лаборатории
- Построено в Insurance Nexus в Foundry
- Проверено в Insurance Nexus в Universe
- Закреплено в Финансы, страхование и экономика в Standards
- Опубликовано в Insurance Nexus в Reports
- Преподаётся в Факультет финансов и экономики в Academy
04Данные
Что потребляет метод.
Используемые на этой платформе наборы данных и записи по направлению «Искусственный интеллект и машинное обучение», с ролью каждого и меткой, которую несут его значения. Источники перечислены в реестре источников.
| Данные | Роль | Метка |
|---|---|---|
| Aerial and satellite imagery | Exposure attributes | НАБЛЮДАЕМО |
| Labelled claims histories | Training and testing | СООБЩЕНО |
| Property inspection records | Ground truth for imagery models | НАБЛЮДАЕМО |
| Demographic reference data | Fairness testing | ОЦЕНЕНО |
05Подверженность, убытки и капитал
What machine learning in insurance means for exposure, loss and capital.
Представления о подверженности, убытках, сценариях и капитале, которые запросил бы риск-менеджер, надзорный орган или министерство финансов, с указанием систем отчётности, которым они следуют. Структуры соответствуют надзорной и актуарной практике. Значения иллюстративны: это никогда не цены, рейтинги или рекомендации.
Подверженность и убытки по периодам повторяемости
How losses from machine learning in insurance grow with severity, gross and net of reinsurance, against capital.
| Период повторяемости | Годовая вероятность | Валовой убыток | Чистый убыток | Нетто, капитал = 100 |
|---|---|---|---|---|
| 1 раз в 10 лет | 0.10 | 14 | 10 | 10 |
| 1 раз в 50 лет | 0.02 | 33 | 21 | 21 |
| 1 раз в 100 лет | 0.01 | 46 | 27 | 27 |
| 1 раз в 250 лет | 0.004 | 68 | 39 | 39 |
| Средние годовые потери | 3.1 | 2.2 | 2.2 |
Климатические сценарии NGFS · Сеть по экологизации финансовой системыIFRS S2 «Раскрытие информации, связанной с климатом» · ISSBРекомендации TCFD · Совет по финансовой стабильности, TCFDПринципы эффективного управления климатическими финансовыми рисками · Базельский комитет по банковскому надзору
06Валидация
Как проверяются результаты.
Модели оцениваются на отложенных данных с учётом пространственной, временной и групповой структуры. Устойчивость, калибровка и справедливость проверяются наряду с точностью.
| Проверка | Как это делается |
|---|---|
| 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 |
| Человеческий надзор | Decisions adverse to customers have a documented human review and an appeal route |
Эффективность снижается, когда условия развёртывания отличаются от обучающих данных. Модели могут кодировать предвзятость и давать сбои без явного предупреждения при редких событиях.
08Ведение и сопровождение
Кто ведёт метод.
«Искусственный интеллект и автономные системы» ведёт и сопровождает искусственный интеллект и машинное обучение для Консорциума и проводит рецензирование их применения на платформах.
09Связано
Куда ведёт эта страница в рамках Консорциума.
10Вопросы
Вопросы и ответы.
Каковы пределы искусственного интеллекта и машинного обучения в этой области?
Эффективность снижается, когда условия развёртывания отличаются от обучающих данных. Модели могут кодировать предвзятость и давать сбои без явного предупреждения при редких событиях.
Как проверяются результаты?
Модели оцениваются на отложенных данных с учётом пространственной, временной и групповой структуры. Устойчивость, калибровка и справедливость проверяются наряду с точностью.
Значения на этой странице реальные?
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.
Где ещё применяется этот метод?
Observatory Каноническая страница метода перечисляет все применяющие его платформы.
ОтчётыВнести вклад
Поделитесь доказательствами с этой страницы.
Отчёты 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 Nexus«Готовность к финансированию и страхованию»Глобальные отраслевые риски и устойчивость
- Электронная почтаКонтрольная точка GW-GRAОтправьте с этой страницыДоказательная база, исправление, случай, метод, рецензия, перевод или вклад в профиль. Материал приходит с пометкой этой страницы, поэтому его получает редактор, отвечающий за неё.
- ZenodoОткрытый депозитДепонируйте и подайте в сообществоОпубликуйте собственную запись на Zenodo со своим идентификатором ORCID iD, затем подайте её в сообщество Reports. Кураторы проверяют её; DOI остаётся за вами.
- ОтчётыGlobal Risks AllianceВсе способы внести вкладВиды вклада, порядок рецензирования каждого из них, указание авторства, лицензия и то, что никогда не принимается.
Никогда не отправляйте персональные данные, сведения о чувствительной инфраструктуре или то, чем вы не вправе делиться. Материал проходит рассмотрение перед использованием; его отправка не дает авторских или редакционных прав, а спонсорство никогда не покупает выводы.
Insurance Nexus
Обратитесь в Альянс с вопросом о подверженности или капитале.
Информация и запросы открыты уже сегодня. Запрос получает номер и указывает следующий шаг; заявки, платежи, выделение вычислительных ресурсов и регистрации открываются только тогда, когда существуют их команда, условия и возможности для проверки.
Правовая информация
Юридические документы.
Карты, данные и рисунки на этом сайте приводятся для контекста и общей информации. Они не являются советом, прогнозом или предупреждением; ограничения информации изложены в Оговорках и уведомлениях о данных.