【大数据】律商风险单翔 - 大数据和机器学习为风险定价带来变革

　　最近，律商联讯风险信息（律商风险）数据科学责任人单翔在 “ 大数据 与 人工智能 在保险行业的机遇与挑战”网络研讨会上，阐述了 大数据 与 人工智能 对车险行业的影响，及 大数据 与 人工智能 应用的挑战和考量。

　　本次研讨会由英国精算师协会（IFoA）与中国精算师协会(CAA)联合主办，邀约了英国精算师协会会员和中国精算师协会会员参加。

　　单翔在研讨会上表示，保险业在 大数据 的影响下正经历深刻变革。随着 大数据 时代的到来， 数据安全 成了各行各业不可忽视的重要议题。在建模进程中，如何确保数据的安全性和多样性，同时关联数据以支持业务决策，成了技术领域的核心挑战。

　　在保险领域，尤其是在调用接口时，涉及车辆信息、个人身份证等敏感信息的加密处理，和查询字段的安全保证，都需要严谨的技术手段来确保 数据安全 。针对这一挑战，联邦学习作为一种新兴的技术解决方案，正在逐渐受到业界的重视。该技术通过优化中央处理器和本地模型，实现数据在不出域的情景下进行模型迭代和优化。以谷歌提出的联邦学习概念为例，该技术通过不断缩小模型优化的梯度偏差，最终收敛到准确的预测结果，从而在保证 数据安全 的条件下，实现模型的高效迭代和优化。

　　在精算科学领域， 大数据 和机器学习技术的应用也为风险定价工作造成了新的变革。以保险行业为例，尽管定价目标一直未变，即获取更加公平的费率并将分类费率做得更加精确，但 大数据 和机器学习技术的引入，使得这一目标更加容易实现。通过收集和分析更多的数据行数和特征，和利用机器学习算法自动寻找变量之间的交互关系，保险公司可以更加准确地评估风险，从而制定出更加正确的费率。

　　然而，在享受 大数据 和机器学习技术造成好处的同时，也需要警惕其可能造成的危险。首先，数据质量的问题不容忽视，数据偏见和歧视可能造成不公平的决策结果。其次，模型的全局最优解难以确定，需要小心谨慎选择和优化模型参数。另外，还需要关注模型结果的可解释性和透明度，和建立人工监督和干预责任制度，以确保模型的公正性和准确性。

　　在 数据安全 方面，业界也提出了一系列原则来指导实践。这些原则包含考虑模型或解决方案对人们引发的实际影响、采取主动行为防止偏见发生、确保模型透明且可解释、建立人工监督和干预责任制度和尊重隐私并提倡正义。这些原则的实施将有助于在 大数据 和机器学习技术的推动下，实现 数据安全 与业务发展的双赢。

　　单翔表示，进入新时代，精算师要积极拥抱新技术，将其转化为实际工作中的生产力。利用这些新技术进行更高效的数据分析和预测，提高定价和准备金等方面的准确性，为保险行业的发展贡献力量。