Kecerdasan buatan generatif (GenAI) merujuk kepada teknik kecerdasan buatan yang mampu menghasilkan data atau kandungan baharu yang menyerupai corak data latihan asal, berbeza daripada model ramalan tradisional yang hanya mempelajari hubungan input-output​

Dalam industri insurans, GenAI kian mendapat perhatian kerana potensinya untuk mensintesis data, mensimulasikan pelbagai keadaan senario risiko, dan mempercepat analisis yang kompleks. Sebagai seorang ahli aktuari iaitu pakar yang menilai risiko dan bertanggungjawab dalam kestabilan kewangan insurans – GenAI menawarkan pendekatan baharu yang lebih dinamik dan fleksibel berbanding kaedah konvensional yang bergantung pada data lepas dan andaian tetap.

GenAI dalam Analisis Risiko

Dalam analisis risiko insurans, aktuari lazimnya berhadapan dengan data risiko yang terhad atau berat sebelah, contohnya kejadian berkebarangkalian rendah seperti bencana alam besar, penipuan luar biasa, atau lonjakan kematian mendadak. Model pembelajaran mesin biasa memerlukan data yang banyak dan berasaskan andaian taburan tertentu, menyukarkan permodelan bagi kes jarang berlaku. Di sinilah GenAI dapat membantu.

Model generatif seperti Generative Adversarial Networks (GAN) mampu menghasilkan semula data kejadian risiko yang jarang berlaku dengan mempelajari pola asas data sedia ada tanpa memerlukan andaian taburan tertentu. Kajian terkini menunjukkan bahawa GAN dapat menjana sampel data yang berkualiti tinggi untuk peristiwa risiko yang jarang berlaku atau ekstrem, seperti kadar kemortalan (kadar kematian) yang luar biasa, penipuan insurans, kerugian besar, atau bencana, sekali gus mengimbangi masalah data yang tidak seimbang.​

Dengan data sintetik tambahan ini, aktuari boleh menambah baik model ramalan risiko dan menangkap ciri pada ekor taburan kerugian dengan lebih baik. Sebagai contoh, Ngwenduna dan Mbuvha (2021) menunjukkan bahawa model GAN berupaya meniru pola insiden penipuan dan kematian yang jarang berlaku dengan lebih baik berbanding kaedah pembelajaran mesin biasa yang terbatas pada data lepas yang sedikit​

Selain itu, GenAI dapat digunakan untuk mensimulasikan keadaan senario risiko secara lebih menyeluruh dan mendalam. Berbanding simulasi Monte Carlo tradisional yang bergantung pada andaian taburan tertentu, model generatif tidak memerlukan andaian tetap dan boleh mempelajari taburan serta kebergantungan data secara non-parametrik​.

Ini bermakna GAN mampu menghasilkan pelbagai senario ekstrem yang realistik – contohnya mensintesis rentetan kerugian akibat perubahan iklim atau krisis kewangan – yang mungkin tidak pernah berlaku tetapi berpotensi berlaku (Allen et al., 2024). Malah, kajian terkini dalam kewangan menunjukkan GAN boleh digunakan untuk mensintesis data kewangan bagi menganggarkan Value-at-Risk (VaR) dengan lebih baik. Allen et al. (2024) mendapati bahawa data pulangan aset yang dijana GAN boleh menggambarkan corak ekor kerugian yang kompleks dan membantu mengira VaR yang lebih teliti berbanding menggunakan data terhad semata-mata​.

GenAI dalam Pemodelan Kewangan dan Kesolvenan

Bidang sains aktuari turut merangkumi pemodelan kewangan, termasuk peramalan liabiliti insurans jangka panjang, pengurusan aset-liabiliti, serta penilaian kecukupan modal (kesolvenan). Tradisionalnya, aktuari menggunakan model stokastik atau kaedah simulasi Monte Carlo untuk menghasilkan unjuran kewangan. Namun, model-model ini adakalanya terbatas oleh andaian linearit atau taburan tertentu dan mungkin kurang tepat dalam menangani pola kompleks yang berubah mengikut masa​.

Dengan cara ini, model generatif dapat menghasilkan unjuran senario ekonomi secara lebih realistik dan menangkap ciri kompleks (seperti kemeruapan yang tidak menentu, pergantungan tidak linear antara faktor ekonomi) yang sukar ditangani model klasik.

Contohnya, dalam ramalan mortaliti (kadar kematian masa hadapan bagi portfolio insurans hayat atau pencen), model tradisional seperti Lee-Carter memerlukan andaian bentuk trend tertentu. Sebaliknya, model generatif boleh menghasilkan senario mortaliti masa hadapan secara data-terpandukan (data-driven) yang berkemungkinan mencakupi pola kematian luar jangka (seperti pandemik) dengan lebih baik.

Begitu juga, dalam pemodelan kesolvenan syarikat insurans, GAN mampu menjana taburan kemungkinan kerugian agregat merentasi pelbagai garis perniagaan tanpa andaian korelasi yang disederhanakan, lantas membantu aktuari menilai kecukupan modal menghadapi pelbagai situasi ekonomi dan kejutan pasaran.Di samping itu, GenAI bermanfaat dalam menangani isu privasi data kewangan. Data kewangan syarikat insurans sering bersifat sulit dan tidak boleh dikongsi sewenang-wenangnya dengan pihak luar (misalnya konsultan atau penyelidik). Model generatif menawarkan penyelesaian melalui penjanaan data sintetik yang mengekalkan sifat statistik penting data asal tanpa mendedahkan butiran sensitif​

GenAI dalam Penentuan Harga Premium

Penentuan harga premium adalah tugas teras aktuari dalam insurans. Aktuari perlu menetapkan premium yang adil dan mencukupi bagi menampung jangkaan kos tuntutan dan margin risiko, berdasarkan data pengalaman kerugian lampau dan ciri-ciri risiko pemegang polisi. Cabaran utama dalam penetapan premium ialah keterbatasan data – bagi segmen pasaran baharu atau produk inovatif, data tuntutan lampau mungkin terhad; selain itu, data insurans sering bersifat sulit dan jarang dikongsi secara terbuka untuk penyelidikan.

GenAI memberikan jalan keluar melalui penjanaan data sintetik tabular yang mengekalkan corak korelasi dan taburan asal, tetapi tanpa mendedahkan rekod individu sebenar (Kuo, 2020)​. Blier-Wong et al. (2021) dalam ulasan mereka menegaskan bahawa set data umum untuk tujuan kajian harga insurans memang sedikit, oleh itu menghasilkan data sintetik yang mengekalkan ciri risiko sambil membuang maklumat pengenalan adalah penting bagi memajukan penyelidikan aktuari​

Aplikasi GenAI Lain dalam Sains Aktuari

Selain tiga domain utama di atas, GenAI turut diaplikasikan dalam aspek aktuari dan insurans lain. Satu bidang penting ialah pemprosesan bahasa semula jadi dalam dokumentasi insurans. Model GenAI berasaskan large language models (LLMs) seperti GPT-4 telah digunakan untuk menganalisis dan menjana teks secara automatik, yang membantu dalam tugas-tugas seperti chatbot perkhidmatan pelanggan, penilaian kontrak insurans, dan ringkasan laporan tuntutan.

Balona (2024) menunjukkan melalui kajian kes bahawa LLM dapat menjadi alat bantu yang berguna untuk aktuari dalam menstrukturkan data tidak berstruktur (contohnya, mengekstrak maklumat penting daripada nota tuntutan yang panjang) dan menjana kandungan seperti draf laporan atau penjelasan risiko kepada klien​

Ini boleh meningkatkan kecekapan proses tuntutan – sebagai contoh, GenAI mampu menapis dan menyimpulkan ribuan kenyataan tuntutan untuk membantu aktuari mengenal pasti pola tuntutan luar biasa atau potensi penipuan dengan lebih pantas. Di samping itu, LLM boleh bertindak sebagai “pembantu pengekodan” bagi aktuari, menjana kod atau dokumentasi model secara automatik, sekali gus mempercepat pembangunan model kewangan.

Namun, Balona (2024) turut menekankan cabaran penggunaan LLM ini, terutamanya dari segi ketepatan hasil dan etika profesional. Model generatif boleh menghasilkan jawapan yang meyakinkan tetapi berkemungkinan silap, dan oleh itu penggunaan GenAI perlu disertai semakan pakar serta panduan etika yang jelas untuk memastikan keputusan aktuari tetap berlandaskan integriti profesional​.

Kesimpulan

Secara keseluruhannya, kemunculan GenAI membuka lembaran baharu dalam bidang sains aktuari dengan memperkasa aktuari untuk meneroka ruang kemungkinan yang lebih luas dalam pemodelan risiko dan kewangan. Dari analisis risiko yang lebih mendalam (meliputi peristiwa ekstrem dan penipuan) hinggalah penetapan premium yang lebih baik dan adil, GenAI berperanan sebagai enjin inovasi yang dapat melengkapi kaedah aktuari tradisional.

Walau bagaimanapun, penting untuk diingat bahawa GenAI bukan penyelesaian magik. Kualiti outputnya bergantung pada kualiti data latihan dan reka bentuk model. Isu seperti ketelusan model, bias data, dan pematuhan terhadap peraturan perlu ditangani dengan cermat. Sebagai seorang ahli aktuari sebagai haruslah mengguna pakai GenAI secara bertanggungjawab, iaitu menggabungkan kebijaksanaan domain aktuari dengan keupayaan GenAI agar manfaat teknologi ini dapat direalisasikan sepenuhnya tanpa mengabaikan prinsip-prinsip profesionalisme.

Rujukan:

• Balona, C. (2024). ActuaryGPT: Applications of large language models to insurance and actuarial work. British Actuarial Journal, 29, e15. https://resolve.cambridge.org/core/journals/british-actuarial-journal/article/actuarygpt-applications-of-large-language-models-to-insurance-and-actuarial-work/C99537965CCC826BEDD664044CC80A5A
• Blier-Wong, C., Cossette, H., Lamontagne, L., & Marceau, E. (2021). Machine learning in P&C insurance: A review for pricing and reserving. Risks, 9(1), 4. https://doi.org/10.3390/risks9010004
• Kuo, K. (2020). Generative synthesis of insurance datasets. arXiv preprint arXiv:1912.02423. https://arxiv.org/abs/1912.02423
• Ngwenduna, K. S., & Mbuvha, R. (2021). Alleviating class imbalance in actuarial applications using generative adversarial networks. Risks, 9(3), 49. https://doi.org/10.3390/risks9030049
• Allen, D. E., Mushunje, L., & Peiris, S. (2024). GANs and synthetic financial data: calculating VaR. Applied Economics, 56(36), 3989–4004. https://doi.org/10.1080/00036846.2024.2365456