[AI] 인공지능(AI)과 계리업무에 적용 (SOA) 보고서 요약

 

Literature Review: Artificial Intelligence and Its Use in Actuarial Work

(December 2019)

 

ai-actuarial-work.pdf

0.79MB

 

결론(Conclusion) 

 

• 계리업무에서의 AI 적용 이점 

  • 사람이나, 데이터 품질이나, 보안과 같은 것에 엄격한 규제들과 요구사항들이 AI 실행의 대상이 된다면 AI로부터 보험시장이 이점을 얻게 될 것입니다. 

  • 자산 재분배가 향상될 것입니다. 

  • 더욱 보험요율에 경쟁력을 가지게 될 것입니다. 

  • 더욱 프로세스가 시간 대비 효율적이게 될 것입니다. 

  • 사람으로 부터의 오류가 줄어들 것입니다. 

  • 보험 사기 탐지가 향상될 것입니다. 

  • 리스크 예측과 통제가 더욱 좋아질 것입니다. 

  • 탈퇴할 위험이 있는 고객들을 식별할 능력이 더욱 좋아질 것입니다
    
    
    

• 계리업무에서의 AI 적용 단점

  • 몇몇 보험계약자들은 설계사와의 접촉을 더욱 선호할 것입니다. 

  • 마지막 의사 결정은 인간 관리자에게 있기에, 감독 및 이행에 편형될 위험이 존재합니다. 

  • 직장에서 많은 인력들이 필요없게 됩니다. 

  • 로봇으로부터의 오기능, 오작동,과 질 나쁜 프로그래밍과, 데이터의 잘못된 이해에 대한 리스크가 존재합니다. 

  • 규제 및 규정 준수 문제가 발생합니다. 

  • 보험에서의 AI 사용이 많은 윤리적인 문제를 제기할 가능성이 있습니다. 
    
    
    

• 계리업무에서의 AI 시행 과제 

  • 교육이 필요합니다.

    • AI가 탑재되어있는 똑똑한 시스템은 보험회사 자체적으로 제공하기에 어렵다고 판단되어 트레이닝 시스템을 필요로 합니다. 

  • 데이터 자원이 이용가능해야합니다. 

    • 데이터의 양과 품질은 예측모델을 트레이닝할때 똑같이 중요합니다. 데이터 집합은 일반적인 데이터를 대표해야하며, 편향되지 않도록 균형을 이루어야 합니다. 

  • AI 투자로부터 예측가능한 수익이 어렵습니다. 

    • AI 접근을 사용함으로써 투자 수익률을 예측하는 것이 쉽지 않습니다. 예를들어 AI 프로젝트는 계획했던 것보다 더 많은 예산이 들지도 모르고, 이행하는 데에 상당한 날짜가 걸릴 수도 있습니다. 

  • 데이터 보안 

    • 데이터 보안 위험이 AI 알고리즘에 데이터가 사용할 때마다 증가합니다. 

  • 규제 

    • 보험 감독자들은 어떤 데이터들이 어떤 산업들에 이용가능할 지와 어떻게 새로운 기술에 접근해야할지 결정하기 위해서 더욱 많은 통찰력들을 요구로 합니다. 

 

 

자동차 보험 ( Mortor Insurance ) 

 

• GLM이 과거에는 pricing 하기에 용이했지만, 한계를 가지고 있으며 새로운 기술들이 더 좋은 결과를 제공하기위해 등장하고 있다. 매우 경쟁적인 시장과 이용가능한 데이터 양 덕분에 다른 ANN, GBM , RT 과같은 대안적인 AI기술들이 GLM보다 정확성, 효율성, 강건성 측면에서 높은 성능을 보여주고 있다.  보험자가 정확한 pricing이 어렵기 때문에 AI의 적용이 번영할 것으로 보인다. 

 

책임준비금 (Loss Reserving) 

 

• 계리사들은 Chain-Ladder 방식으로 한세기 동안 non-life 손실을 다뤄오고 있었다. 이 기술은 매우 컴퓨터 이전의 기간에는 매우 효율적이었다. 하지만, 개인의 클레임 데이터 조합으로 도출되는 정보의 손실은 꽤 현대 컴퓨팅의 이용을 고려해보기에 합리적이다. 최근 책임준비금 예측분석 기법 적용이 발전함에 따라 Chain-Ladder 방식과 같은 정통적인 방식이 수년 내에 대체될 것으로 기대한다.  

 

사망률 모델링 (Mortality Modeling) 

 

• 특히 RT boosting machine을 사용함으로써 머신러닝 기법이 사망률 모델의 모수를 back-test하기 위해 사용될 수 있다. 이 기법은 실제 데이터에 기반한 모델들의 약점을 찾도록 도와준다. 게다가 RT boosting은 이 모델에게서 잡히지 않는 특징 요소들과 관련하여 모델의 성능을 향상시키도록 도움을 준다. ( 교육수준이라던지, 소득수준이라던지, 결혼요소라던지를 고려하여 사망률을 다차원적으로 분석할 수 있다는 이야기인 듯하다. )

• 포아송 모델에 기반하여 사망의 원인을 조사하는 것은 RT boosting이 실제 데이터로부터 사망율의 원인을 측정하는데 적용될 수 있다는 것을 보여준다. 이 기술은 사망 확률들이 시간의 흐름에 따라 패턴을 감지하는데에 단순한 방식을 제공한다. 게다가 ANN은 Lee-Carter 모델의 확장에서 보여지듯이, 데이터의 의미있는 해석을 자동으로 배울 수 있도록 사용되어질 수 있다. 

 

언더라이팅 (Underwriting) 

 

• 전세계 회사들에게 데이터 분석은 현재 굉장한 트렌드이다. AI 알고리즘을 사용한 예측모델링은 생명보험산업과 손해보험 산업에 정통적인 방식과 비교하여 상당한 차이를 만들어낼 수 있다. 과거에는 보험 언더라이팅 리스크 평가가 복잡한 계리적 공식을 사용하여 결론내려졌고, 굉장히 시간이 오래걸렸다. 지금은 데이터 분석 솔루션을 사용하면서 업무가 더욱 빠르게 수행되고 상당히 더 나은 결과를 가져오고 있다.  그래서 사업 효율성을 향상시킬 것이며, 고객 서비스의 효과적인 적용이 가능해질 것이다. 궁극적으로 고객 만족도가 높아질 것이다. 

 

 

보험사기 & 보상 

 

• AI 알고리즘의 적용은 보험회사의 사기 탐지를 향상시키고 있다. 몇몇 교수들은 Random Forests나 ANN이나 그런 분류기법들이 자동차보험이나 건강보험의 사기  탐지를 도와주고 있다는 것을 증명했다. AI 툴이 발전함에 따라 보상 청구 관리 프로새스를 재 구성하게 되었고, payoff (보험금 지급액)은 더욱 똑똑해진 사기탐지와 더욱 빠른 정착과 더 좋은 고객 서비스를 제공할 것으로 보여진다. 

 

 

출처 

https://www.soa.org/resources/research-reports/2019/ai-actuarial-work/

 

Literature Review: Artificial Intelligence and Its Use in Actuarial Work | SOA