יישומים מתקדמים של בינה מלאכותית יוצרת באקטואריה: מקרי בוחן
סיכום מקיף של המאמר Advanced Applications of Generative AI in Actuarial Science: Case Studies Beyond ChatGPT — ארבעה מקרי בוחן מיושמים בפועל.
ציטוט: Hatzesberger, S. & Nonneman, I. (2025/2026). Advanced Applications of Generative AI in Actuarial Science: Case Studies Beyond ChatGPT. arXiv:2506.18942 [cs.CY] (גרסה v2). רישיון CC BY 4.0. שיוך המחברים: Actuarial & Insurance Services, Deloitte, Germany.
קישור למאמר: https://arxiv.org/abs/2506.18942 · קוד מלא (מחברות Jupyter): IAA-AITF/Actuarial-AI-Case-Studies
על מה המאמר ומה הפער שהוא ממלא
המאמר בוחן כיצד בינה מלאכותית יוצרת (generative AI, GenAI) יכולה לתמוך בעבודה אקטוארית, דרך ארבעה מקרי בוחן (case studies) שמומשו במלואם ולא נשארו ברמת ההצהרה. הכותרת "Beyond ChatGPT" אינה סיסמה: המסר המרכזי הוא שמעבר לשיחה עם צ'אטבוט קיימות שיטות הנדסיות בשלות — חילוץ תכונות מטקסט, אחזור-מוגבר-ייצור, כוונון-עדין של מודלי ראייה, ומערכות סוכנים — שניתן לשלב בתהליכי עבודה אקטואריים אמיתיים.
המחברים, Simon Hatzesberger ו-Iris Nonneman (מ-Deloitte גרמניה, בתמיכת ה-AI Task Force של ה-International Actuarial Association, IAA), ממסגרים את העבודה בתוך האבולוציה של בינה מלאכותית באקטואריה: מ-backpropagation בשנות ה-80, דרך מודלים לינאריים מוכללים (generalised linear models, GLM) ושיטת Bornhuetter-Ferguson לרזרבות IBNR (incurred but not reported), ועד מודלי טרנספורמר (transformers, 2017) ומודלי שפה גדולים (large language models, LLM). הפער שהמאמר ממלא הוא היעדר דוגמאות קונקרטיות, מאומתות-סטטיסטית וניתנות-לשחזור של GenAI בהקשר אקטוארי מפוקח — להבדיל מהיפ כללי. בגרסה v2 (לאחר ביקורת עמיתים) נוספו לכל מקרה בוחן פרוטוקולי הערכה קפדניים: סטנדרט-זהב (gold standard), אימות-צולב (cross-validation), מבחנים סטטיסטיים, ניתוחי-קילוף (ablation) וקווי-בסיס (baselines), וכן נעילת גרסאות מודל (version pinning) לשם שחזור.
"AI will not replace actuaries, but actuaries with AI will replace actuaries without AI" — Charles Cowling, נשיא לשעבר של ה-IAA (הציטוט המנחה של המאמר).
מקרה בוחן 1
שיפור חיזוי עלות תביעות באמצעות תכונות שחולצו ע"י LLM מטקסט לא-מובנה
הבעיה
חיזוי עלות תביעות (claim cost prediction) מסתמך מסורתית על נתונים טבלאיים מובנים (structured tabular data) ומתעלם ממידע יקר-ערך שטמון בטקסט חופשי — תיאורי תביעה, דוחות אירוע ותכתובות. המטרה: לחלץ תכונות (features) מתיאורי התביעה כדי לשפר מודל המנבא את העלות הסופית של התביעה (UltimateIncurredClaimCost).
השיטה והמודל
מודל GenAI:OpenAI GPT-4o mini (gpt-4o-mini-2024-07-18) דרך ממשק Structured Outputs.
מודל-הניבוי: רגרסיית הגברת-שיפוע (gradient boosting regression) על המטרה לאחר טרנספורמציה לוגריתמית.
נתונים: 3,000 תביעות פיצויי-עובדים (workers' compensation) סינתטיות מ-Kaggle, מדגם מרובד מתוך 90,000 רשומות.
ה-LLM חילץ שלוש תכונות מכל תיאור: אזור הגוף הראשי שנפגע, סיבת הפגיעה, ומספר אזורי הגוף שנפגעו. הפלט החופשי מופה לקטגוריות אחידות באמצעות "codebook" דטרמיניסטי (חוקי regex) — ללא פרמטרים שנלמדו מהדאטה — שצמצם 224 ערכי אזור-גוף ל-8 אזורים אנטומיים, ו-175 ערכי-סיבה ל-13 קטגוריות. הפלטים הגולמיים נשמרו במטמון (caching) לשם שחזור, מאחר ש-LLM-ים משתנים בין הרצות גם בטמפרטורה 0.0.
ההערכה
חלוקת 80/20 לאימון/מבחן, כוונון היפר-פרמטרים ב-4-fold CV מרובד, והשוואה ל-baseline על נתונים טבלאיים בלבד. המובהקות נבדקה ב-corrected paired t-test (Nadeau-Bengio), המתקן את ההמעטה בשונות בין קפלי ה-CV.
התוצאות
מדד
קו-בסיס
משופר
שיפור
RMSE (↓)
1.345
1.101
18.2%
MAE (↓)
1.078
0.834
22.6%
R² (↑)
0.224
0.481
114.5%
איכות החילוץ: מול סטנדרט-זהב של 100 תביעות — 91% דיוק לאזור-גוף, 83% לסיבת-פגיעה. מובהקות:RMSE t=14.51, p=7.1×10⁻⁴; MAE t=18.37, p=3.5×10⁻⁴ (שניהם מובהקים ב-α=0.05).
ניתוח-קילוף (ablation): קטגוריות אזור-הגוף תרמו הכי הרבה לבדן, אחריהן סיבת-הפגיעה; מספר אזורי-הגוף לבדו כמעט לא תרם (≈ קו-הבסיס). לפי גודל תביעה: השיפור הגדול ביותר בקצוות — תביעות קטנות מ-$1,000 וגדולות מ-$20,000.
המסקנה / התבנית הניתנת-לשימוש-חוזר: הפעל LLM על טקסט לא-מובנה ← מַפֵּה לקטגוריות מוכנות-למודל באמצעות codebook דטרמיניסטי. תבנית זו מתרחבת לחיתום (underwriting), לזיהוי הונאות (fraud detection), ולכל משימה עם דאטה טקסטואלי בלתי-מנוצל.
מקרה בוחן 2
השוואת שוק אוטומטית באמצעות אחזור-מוגבר-ייצור (RAG)
הבעיה
חילוץ והאחדה של נתונים פיננסיים-ביטוחיים מדוחות שנתיים של מבטחים הוא תהליך ידני, איטי ונוטה-לטעויות, בגלל מבנים לא-סטנדרטיים. המטרה: לחלץ ולהשוות נתונים מהדוחות השנתיים לשנת 2025 של שלוש קבוצות ביטוח אירופיות גדולות — AXA, Generali, Zurich.
השיטה והמודלים
שימוש באחזור-מוגבר-ייצור (Retrieval-Augmented Generation, RAG) בשלושה שלבים: (1) עיבוד-מקדים — המרת ה-PDF לטקסט, ניקוי, וחיתוך ל-chunks של עד 2,000 תווים בחפיפה של 300, והטמעה (embedding) באמצעות text-embedding-3-large; (2) הגדלת-פרומפט — אחזור עשרת ה-chunks הרלוונטיים ביותר לפי דמיון קוסינוס (cosine similarity) מעל סף 0.30; (3) ייצור-תשובה — LLM עם Structured Outputs (סכמת Pydantic/JSON) המייצר פלט בפורמט קבוע.
שלושה היבטים נבדקו, כל אחד מטיפוס-נתונים שונה: (א) יחסי-הון רגולטוריים תחת Solvency II/SST (מספר בודד+תווית); (ב) שיעורי-היוון (discount rates) לפי משך (numerical table); (ג) דירוגי איתנות-פיננסית של מבטח (insurer financial strength ratings, IFSR — רשימה מובנית). חמישה מודלים הושוו: Claude Sonnet 4.6, GPT-4.1, GPT-4.1 mini, GPT-5.4, GPT-5.4 mini — כולם בטמפרטורה 0.0, וכל שילוב מודל-היבט-חברה הורץ 20 פעמים (סה"כ 900 חילוצים).
ההערכה
המחברים הגדירו ערכי-אמת (ground truth) ידניים מתוך הדוחות המקוריים — 45 שדות (3 יחסי-סולבנסי, 33 נקודות שיעור-היוון, 9 רשומות דירוג). הציון בינארי (pass/fail) ללא ניקוד-חלקי, עם התאמת-כינויים (alias-aware) לדירוגים. צינור האחזור שותף וקובע — רק מודל הייצור בשלב 3 השתנה, לשם השוואה הוגנת.
התוצאות
מודל
יחסי סולבנסי
שיעורי היוון
דירוגי IFSR
Claude Sonnet 4.6
100%
100%
98.3%
GPT-4.1
100%
100%
100%
GPT-4.1 mini
100%
100%
66.7%
GPT-5.4
100%
100%
100%
GPT-5.4 mini
100%
100%
91.7%
חילוץ יחסי-הון ושיעורי-היוון היה אמין לחלוטין (100%) בכל חמשת המודלים. הקושי התרכז ב-IFSR: השגיאה הנפוצה הייתה החזרת דירוג-אשראי-מנפיק (issuer credit rating) במקום IFSR, ואי-בהירות ברמת-הישות (חברת-האחזקה מול חברות-הבת). אלו שגיאות שלב-הייצור — ההקשר אוחזר נכון, אך המודלים הקטנים פתרו את האי-בהירות באופן לא-עקבי.
המסקנה: איכות האחזור (אסטרטגיית חיתוך, מודל ההטמעה, עיצוב הפרומפט) חשובה לא-פחות מבחירת מודל-הייצור — לעיתים שיפור שלב-האחזור מניב יותר ממעבר ל-LLM חזק יותר. ספציפיות-הפרומפט קריטית כשפריטים דומים אך-שונים מתקיימים יחד במסמך. מומחיות אקטוארית נשארת חיונית בעידון פרומפטים, קביעת ערכי-אמת, אימות תוצאות ועיצוב מבני-הפלט.
מקרה בוחן 3
סיווג ואיתור נזקי-רכב באמצעות מודלי-ראייה LLM מכווננים-עדין
הבעיה
סיווג נזקי רכב מתמונות חשוב לטיפול בתביעות (claims processing) ולהערכת-סיכון בביטוח רכב. רשתות נוירונים קונבולוציוניות (convolutional neural networks, CNN) טובות בסיווג-תמונה סטטי, אך מתקשות לשלב מידע-הקשרי בעל-ערך לביטוח — מיקום מדויק של הנזק, חומרתו, ותנאי-צילום (תאורה, מזג-אוויר).
השיטה והמודל
מודל GenAI:OpenAI GPT-4o (gpt-4o-2024-08-06) — LLM תומך-ראייה (vision-enabled), בגרסה רגילה ובגרסה מכווננת-עדין (fine-tuned).
נתונים: מדגם של 1,500 תמונות רכב מתחרות Kaggle, מתויגות לאחד מ-6 סוגי-נזק: crack, scratch, tire flat, dent, glass shatter, lamp broken.
חלוקה: 60% אימון / 20% ולידציה / 20% מבחן.
שלושה מודלים הושוו: CNN קלאסי, GPT-4o "מהמדף" (off-the-shelf), ו-GPT-4o מכוונן-עדין על תת-קבוצה מהדאטה. הסיווג נעשה דרך Structured Outputs. המודל המכוונן שימש גם למטרה המשנית — חילוץ מיקום-הנזק. המחברים מדגישים שהמטרה אינה למקסם ביצועים אלא להדגים את תרומת הכוונון-העדין ואת היכולות ההקשריות.
התוצאות
מודל
דיוק (Accuracy ↑)
ציון F1 משוקלל (↑)
CNN קונבולוציוני
0.837
0.835
GPT-4o ללא כוונון
0.823
0.825
GPT-4o מכוונן-עדין
0.880
0.880
הכוונון-העדין שיפר את GPT-4o ל-0.880 בשני המדדים — מעל הגרסה הלא-מכווננת, ובמקביל ל-CNN (אף מעט מעליו). יתרון ייחודי: המודל המכוונן איתר את מיקום הנזק — למשל "glass shatter על השמשה הקדמית" או "dent על הפגוש האחורי" — דבר שה-CNN אינו יכול. במקרה אחד (תקר) לא ניתן היה לקבוע איזה צמיג. מאחר שהדאטה לא כלל מיקומים, נכונות המיקום אומתה ידנית.
המסקנה: מודלי-ראייה LLM משיגים ביצועים מתחרים לצד תובנות-הקשר עשירות (כולל זיהוי-תווים אופטי, OCR, והערכת-חומרה ראשונית), ובקלות-שימוש גבוהה יותר מ-CNN — אך הכוונון איטי יותר. אזהרה: ההערכה הוגבלה ל-baseline בודד ו-1,500 תמונות בלבד, ולא נבחנו עמידות לתנאי-צילום, עלות/זמן-הסקה, או סיכוני-פרטיות בשליחת תמונות-תביעה ל-API חיצוני. כן עולה סיכון לזיוף — אפשר ליצור נזק מציאותי-לכאורה על רכב שלם.
מקרה בוחן 4
מערכת רב-סוכנים להגירת קוד-מורשת אקטוארי (R → Python)
הבעיה
מבטחים רבים מתחזקים קוד-מורשת (legacy code) קריטי — מודלים אקטואריים, צינורות-רזרבות (reserving pipelines), מערכות-פוליסות — שכתוב ב-R, SAS, COBOL או VBA, ונדרשים להמירו ל-Python מודרני. הגירה ידנית איטית, נוטה-לטעויות ודורשת מומחיות בשתי השפות ובתחום עצמו. טרנספיילרים (transpilers) דטרמיניסטיים מתקשים עם ניבים ולוגיקה תלוית-תחום.
השיטה והארכיטקטורה
מערכת רב-סוכנים (multi-agent system, MAS) המופעלת ע"י מודלי OpenAI ומתואמת דרך מסגרת LangGraph. בניגוד לדפוס מבוסס-מנהל (supervisor), כאן זרימת-עבודה רציפה קשיחה (hardcoded sequential) עם לולאות-ניסיון-חוזר מותנות. חמישה סוכנים מתמחים:
1. סוכן ניתוח R (GPT-5.4) — קורא את קוד-המקור ונתונים נלווים, ומפיק סיכום JSON מבני. אינו מייצר את מבחני-הבדיקה.
2. סוכן תרגום (GPT-5.4) — מתרגם R→Python, עם מיפויים מפורשים (data.frame → pandas, glm() → statsmodels GLM, אינדוקס מ-1 ל-0). משתתף בלולאת-המשוב ומתקן תיקונים-ממוקדים (self-debugging) במקום שכתוב מלא.
5. סוכן דיווח (GPT-5.4 mini) — מפיק דוח-הגירה ב-Markdown.
כשל-הידור או כשל-מבחן מנותב חזרה לסוכן-התרגום (עד 5 ניסיונות, ואז הסלמה). נקודה מתודולוגית חשובה: ערכי-האמת מחושבים-מראש מהקוד המקורי, נשמרים ב-JSON נפרד, ומוסתרים מהקשר של סוכן-התרגום — כדי שלא "ינצח" ע"י הזרקת-תשובות.
הנתונים וההערכה
שתי דוגמאות רזרבות אקטואריות בעלות מורכבות עולה, כל אחת הורצה 10 פעמים מקצה-לקצה:
פשוטה — שרשרת-סולם (Chain-Ladder): 198 שורות R. קוראת משולש-תביעות 10×10, מחשבת גורמי-התפתחות משוקללי-נפח (volume-weighted age-to-age factors), ומקרינה רזרבות לפי שנת-מקור. 14 מבחנים (6 מבנה / 8 נומריים).
קשה — רזרבות מבוססות-GLM עם Bootstrap: 265 שורות R. מתאימה GLM פואסוני על-מפוזר (over-dispersed Poisson), חוזה את המשולש-התחתון, ומריצה 1,000 איטרציות bootstrap לאמידת התפלגות-הרזרבה. 15 מבחנים (8 מבנה / 7 נומריים).
התוצאות
דוגמה
שורות R
שיעור-הצלחה
ממוצע/חציון ניסיונות-חוזרים
שרשרת-סולם
198
100%
0.2 / 0 (טווח 0–1)
מבוסס-GLM
265
100%
1.2 / 1 (טווח 0–4)
שתי הדוגמאות עברו 100% מהמבחנים בכל 10 ההרצות. בדוגמה הדטרמיניסטית (שרשרת-סולם) הערכים היו זהים-לחלוטין בין הרצות (כולל סך-רזרבה 15,316.34). בדוגמת ה-GLM, הפלטים הדטרמיניסטיים היו זהים, והפלטים הסטוכסטיים (התפלגות bootstrap) השתנו באופן צפוי. קוד ה-Python עצמו השתנה מעט בין הרצות (שמות-משתנים, מבנה, הערות) — תוצר ישיר של אי-הדטרמיניסטיות של LLM — אך כל ההרצות הניבו קוד שקול-פונקציונלית.
המסקנה:MAS יכולה להמיר אוטומטית קוד אקטוארי מקצה-לקצה עם אימות מול ערכי-אמת — רמת-ביטחון מעבר לסקירת-קוד ידנית. אך בסביבה מפוקחת נדרשת ניהול-סיכונים: וריאציה בין הרצות מסבכת שבילי-ביקורת (audit trails), ייתכנו פלטים שגויים-בשקט (silently incorrect) העוברים מבחנים אך שוגים בנתיבי-קוד לא-נבדקים, וקוד קנייני נחשף ל-API חיצוני. סקירה אנושית, חבילות-מבחנים מקיפות והסלמה נשארות חיוניות. ה-MAS משלימה — לא מחליפה — כלים דטרמיניסטיים ושיקול-דעת אנושי.
מתודולוגיה רוחבית ומגבלות שהמחברים מעלים
מעבר למקרי-הבוחן, פרק נרחב (Section 8) דן בסיכונים ובממשל (governance) של GenAI בביטוח, מאורגן בשבע קטגוריות:
רגולציה ועמידה משפטית: חוק הבינה המלאכותית של האיחוד האירופי (EU AI Act) מסווג מערכות לפי סיכון; יישומי-ביטוח לתמחור/הערכת-סיכון עלולים להיכנס לקטגוריית "high-risk". נוספים DORA, עקרונות EIOPA, ומסגרת NIST AI RMF. בקרות מומלצות: קריטריוני-קבלה, תיעוד מלא (logging), נהלי-rollback.
שימוש-כפול והונאה (dual-use): אותם מודלים שמזהים נזק יכולים לזייף ראיות. נדרשים: סימני-מים (watermarking), כלי-זיהוי-מדיה-סינתטית, פרוטוקולי-תיעוד מחמירים.
אי-דטרמיניסטיות, היסחפות (drift) ושחזור:LLM-ים אינם דטרמיניסטיים גם בקלט זהה. מקרה-בוחן 4 הדגים זאת. "היסחפות-מודל" — שינוי התנהגות בעקבות עדכון-ספק שקט. מיטיגציה: נעילת-גרסה, מבחני-רגרסיה, שליטה בפרמטרי-דגימה.
מסר רוחבי החוזר בכל מקרה-בוחן: הפער בין אב-טיפוס עובד למערכת מוכנה-לייצור (production-ready) הוא משמעותי, ושיתוף-פעולה אדם-מכונה (human-in-the-loop) הוא הכרחי — לא מותרות.
רלוונטיות למסלול של דיבון
חיבור הממצאים לעולם של ביטוח כללי (general insurance), רזרבות (reserving) ו-IFRS 17 — תחומי-העניין שלך לקראת מבחני ה-IFoA:
מקרה 1 ← מודלי-תמחור ורזרבות בביטוח כללי
פיצויי-עובדים (workers' compensation) הם קו-עסקים קלאסי של ביטוח כללי, וחיזוי ה-UltimateIncurredClaimCost הוא בדיוק אומדן-תביעה-בודדת שמזין מודלי-רזרבות. התבנית "טקסט→codebook→תכונה" רלוונטית ישירות ל-CS1: ה-baseline הוא gradient boosting, אך אותו רעיון (העשרת רגרסיה בתכונות-טקסט) חל גם על GLM — שיטת-התמחור המרכזית בסילבוס. שיפור ה-R² מ-0.224 ל-0.481 ממחיש כמה אינפורמציה "מתבזבזת" בשדות-טקסט של תיק-תביעות — נקודה מעשית בעבודת-רזרבות אמיתית.
מקרה 2 ← IFRS 17, סולבנסי והשוואת-שוק
זה החיבור הישיר ביותר ל-IFRS 17: שיעורי-ההיוון (discount rates) לפי משך הם לב חישוב ה-fulfilment cash flows וה-discounting בתקן, ויחסי-הסולבנסי הם תשתית הדיווח הרגולטורי (SFCR). הממצא ש-RAG חילץ נתונים אלו ב-100% דיוק (לעומת שגיאות בדירוגי-IFSR) מלמד שאוטומציה אמינה ביותר דווקא בנתונים מספריים מוגדרים-היטב — בדיוק סוג-הנתונים שאקטואר-רזרבות שולף מדוחות שנתיים להשוואות-עמיתים (peer benchmarking) ולכיול-הנחות.
מקרה 3 ← טיפול-בתביעות בביטוח רכב
ביטוח רכב הוא קו-עסקים מרכזי בביטוח כללי. סיווג-נזק אוטומטי משפיע על מהירות-יישוב-תביעות ועל איכות-נתוני-התביעות שמהם נבנים משולשי-ההתפתחות (development triangles). חשוב לזכור: שגיאות-סיווג ותנאי-צילום משתנים מזריקים רעש לתדירות/חומרה (frequency/severity) — בדיוק ההתפלגויות שאתה לומד ב-CS1. סיכון-הזיוף שמודגש כאן נוגע ישירות לעתודה ל-fraud ולהנחות-ה-loss ratio.
מקרה 4 ← צינורות-רזרבות ומעבר ל-Python
זה החיבור המקצועי המובהק: שתי דוגמאות-ההגירה הן ממש שיטות-רזרבות מהסילבוס — שרשרת-סולם (Chain-Ladder) עם גורמי-התפתחות, ו-רזרבות סטוכסטיות מבוססות GLM פואסוני על-מפוזר עם Bootstrap (מתודולוגיית England-Verrall, סטנדרט בעבודת-רזרבות מודרנית ובאמידת אי-ודאות הרזרבה — קריטי תחת IFRS 17 ל-risk adjustment). ההדגמה שמערכת-סוכנים מתרגמת קוד-רזרבות מ-R ל-Python עם אימות-נומרי מול ערכי-אמת רלוונטית מאוד למחלקות-רזרבות רבות שעוברות כיום מ-R/SAS ל-Python. הלקח: גם כשהפלט "נכון", אי-הדטרמיניסטיות מחייבת בקרת-גרסאות ושבילי-ביקורת — בדיוק הסטנדרטים שאקטואר מחויב להם מקצועית.
בשורה התחתונה עבורך: המאמר מראה שלוש מתוך ארבע הדוגמאות נוגעות ישירות בביטוח כללי/רזרבות, ושתיים מהן (היוון ב-IFRS 17, ורזרבות Chain-Ladder/GLM-Bootstrap) הן ממש חומר-ליבה של CS1 ו-SP7. השליטה במונחים האנגליים כאן אינה קישוט — היא שפת-המבחן ושפת-המקצוע.