アクチュアリー · 業務ごと

データの準備と経験分析

これはこの仕事の中で構造化され、毎期繰り返され、元のデータと照合できる部分であり、このサイト全体でも最初に自動化される形です。コードとツールは何年も前から組み立て作業の多くを担っており、今では生成系のツールがクエリや分析の初稿まで書きます。

このページのどの資料も、どこかの保険会社でこの部分がどれだけ自動化されているかを測っていません。準備が速くなっても、その背後の前提が誰かの責任でなくなるわけではなく、遅れて見つかったデータの問題も、やはり誰かが見つけるものです。

プライシング・モデルをつくる

機械学習はプライシングと引受で使われており、監督当局はそれを禁じるのではなく統治することで応じています。欧州の枠組みは生命保険と医療保険のリスク評価とプライシングに使う AI を高リスクとして扱い、ニューヨークは保険会社に、プライシング・モデルの外部データが一般に認められたアクチュアリー実務基準に裏付けられていることを示すよう求めています。モデルは強力になり、それを正当化する義務もともに重くなります。

これらはプライシングがどう統治されるべきかについての要求であって、プライシングの仕事がいま人とソフトウェアの間でどう分かれているかの測定ではありません。また二つの法域の規制対象の保険会社に適用されるもので、ほかの地域では義務が違います。

責任準備金を積む

計算そのものは高度にツール化され、ツールは進歩し続けていますが、欧州の監督当局はアクチュアリー機能をその所管にある AI システムの管理に責任を持つものとして名指しし、技術的準備金の計算の調整をその例に挙げています。つまり計算は支援され、その数字への責任は名指しで一つの機能に置かれています。

管理に誰が責任を持つかを名指しすることは、計算のどれだけがソフトウェアで行われているかを示しません。また監督当局の意見は各国の監督機関に宛てたもので、企業に直接宛てたものではありません。

モデルに不公正な差別がないか検証する

これはプライシングに AI が入ってきたことで生まれた仕事で、以前からあったものではありません。ニューヨークはこの検証をシステムの本番稼働前と定期的な周期で求め、不利益影響比、拒否オッズ比、限界効果といった定量的な手法を挙げています。欧州の監督当局も公平性の指標を挙げ、その一部がアクチュアリー的な公平性——同じリスクには同じ価格——と矛盾しうると注意しています。

検証が行われることを求めているからといって、誰がそれをするかの証拠にはなりません。保険会社によってはアクチュアリーではなくデータサイエンスやコンプライアンスが担います。そして集団としての公平性とアクチュアリー的な公平性の間の緊張は、監督当局が指摘したものであって、解決したものではありません。

数字に署名して責任を負う

欧州の枠組みは、引受方針全体についての意見をアクチュアリー機能に委ね、その所管にある AI の管理の責任もそこに置いています。責任はソフトウェアに支えられることはあっても、ソフトウェアへ移すことはできません。これは誰かが責任を負わなければならないからこそ存在する部分であり、その下の自動化が増えるほど、署名は楽にではなく難しくなります。

名指しされた機能に責任が残ることは、その機能が何人を雇うかについて何も言いません。より自動化された仕事に、より小さなチームが署名することとも完全に両立します。

決める人たちに数字を説明する

どちらの監督当局も、取締役会と上級経営陣が自社で使う AI を理解し監督することを求めており、それがモデルと、それに責任を持つ人たちとの間に「翻訳」の仕事を置いています。その仕事はモデルが読みにくくなるほど大きくなります。

ここでは、説明を求められるのがデータサイエンティストやリスク管理者ではなく特にアクチュアリーだとは何も言えず、このページのどの資料もそれを測っていません。