如何保險公司可以利用合成數據來對抗偏見

保險業多年来一直受到「公平偏見」的檢視。事實上，保險業的從業人員都知道商業實踐中的數據錯誤和偏見。可惜的是，這導致了邊緣化的人口。

一些業內專家，包括美國的一位前保險專員，認為歧視將成為人工智慧（AI）最大的監管問題。這是因為客戶數據可能會輕易揭露過多的不利數據，使保險公司只選擇最理想的風險。

對保險公司來說，什麼是壞數據？

在創建模型時，訓練數據非常重要。以生命保險中的身體質量指數（BMI）為例。這個例子顯示，缺乏多樣化、具代表性和高質量的保險數據，導致了80年來的「理想風險」，最終被美國醫學會指責為固有的偏見。

在這個案例中，BMI數據主要基於白人男性的身高和體重數據集。最近的研究表明，BMI並未考慮骨密度和肌肉質量等因素，因此對許多人來說，這是一個不準確的風險評估指標。

如同BMI的例子所示，數據的缺乏可能會造成可用性偏見（過度依賴容易獲取的數據），導致不良結果。而數據是人工智慧的燃料，因此可以推斷，將錯誤數據輸入AI系統將導致不良結果。

什麼是算法，為什麼它們重要？

人工智慧算法是一系列逐步的指令，旨在執行特定任務或解決特定問題。生成合成數據（創建合成數據）使用人工智慧算法，如機器學習算法和神經網絡。

偏見：一個五個字母的詞。

歷史上，保險公司一直使用郵政編碼或地區代碼來計算保險費。但這些看似無害的變數可能是敏感數據的指標，如種族、性別或宗教。這些變數可能會隱藏偏見。

以2017年Propublica在芝加哥的一篇文章為例。該文章談到了汽車保險費的差異，郵政編碼被用作設定費率的主要數據點。後來的研究顯示，住在少數族裔郵政編碼區域的人支付的保險費更高，其他因素如年齡、保險範圍、性別和損失歷史保持不變。

在最糟糕的例子中，改變郵政編碼後的保險費差異在少數族裔佔超過50%的社區中超過300%。而在34家引用的公司中，每一家都出現了這種情況。

如果不評估和減輕這樣的偏見，脆弱的人口將會更加邊緣化。人工智慧只會加劇不平等。

人工智慧與可靠性：推動人工智慧素養、包容性貢獻和可證明可靠性的努力已達到政府的最高層級。

生成式人工智慧的角色

大多數生成式人工智慧（GenAI）的商業案例都具備大型語言模型（LLM）的能力。但另一種GenAI（合成數據）對於解決與數據相關的問題，如隱私和公平性，特別有用。合成數據使模型設計者不必依賴數據掩碼來保護個人敏感數據。考慮到這些組織所說的：

這麼好以至於不可能是真的？絕對不是。

合成數據的現實世界範例

在2022年，SAS與Syntho及荷蘭人工智慧聯盟合作，證明合成數據產生的結果比匿名數據更可靠，同時保持進行更高級分析所需的深層統計模式。

這些進展，加上對隱私保護的日益關注，是IDC預測到2027年，40%的保險公司在整個保險價值鏈中使用的人工智慧算法將使用合成數據，以確保系統內的公平性並遵守規範的原因。

合成數據在保險中的應用：聖杯還是人工智慧的蛇油？

合成數據本身無法治癒所有的傷痛。請記住，您仍然需要原始數據來創建合成數據。因此，原始數據中持續存在的偏見仍可能存在。

任何關於安全使用人工智慧，包括GenAI的對話，都必須承認幾個真相：

偏見創造不平等。
所有模型都有偏見。
偏見可以減輕，但無法消除。

為了在這個領域中成為領導者，組織必須制定自己的可靠人工智慧原則。他們還應該：

促進數據素養文化及基於數據的決策使用。
授權員工舉報不良的人工智慧風險。
將數據倫理準則作為公司的一部分。

最近，SAS與一家大型保險公司合作進行了一個合成數據保險項目，該公司對合成數據和信用評分進行了實驗。實驗結果令人鼓舞。隨後的討論也突顯了有關信用和其他影響保險費評分因素的一些不愉快真相。例如：

多項研究確認，少數族裔和女性駕駛者支付的汽車保險費更高。
駕駛歷史可能受到警察偏見的影響。
通過智能設備追蹤駕駛行為可能會根據不同社區的道路條件而產生偏見。

閱讀美國眾議院金融服務委員會對汽車保險實踐的詳細評估。

合成數據在保險中的未來是什麼？

保險公司可以利用GenAI的多種方式。

保險公司可以使用生成式人工智慧模型來創建情境，然後主動識別風險並預測結果。GenAI可以幫助做出有關價格和保險範圍的決策。它還可以自動化索賠處理，幫助降低成本並改善客戶體驗（和滿意度）。它也可以用來提高詐騙檢測的效率，並向客戶提供具體的風險預防建議，以降低索賠的可能性。

合成數據是打破保險業中持續偏見循環的關鍵。

保險社群應該專注於提出正確的問題，並細心關注用於生成合成數據的數據質量，而不是關注人工智慧的潛在負面影響。這樣，我們可以保護隱私，顯著減少偏見，同時釋放生成式人工智慧的巨大價值。

獲取SAS Data Maker的預覽：低代碼和無代碼的界面，快速增加或生成數據