מדריך מעמיק בעברית — מי הקבוצה, מבנה ה‑workstreams, החומרים הפתוחים, אירועי 2026, ואיך כל זה מתחבר למסלול שלך לקראת CS1.
זהו מדריך על קבוצת מתנדבים בינלאומית של ה‑Institute and Faculty of Actuaries (IFoA) שמנסה לגשר על פער מקצועי אמיתי: למה למידת מכונה (machine learning, ML) נמצאת בכל מקום בתמחור ביטוח (pricing) — אבל כמעט לא חודרת לעבודת הרזרבות (reserving) בביטוח כללי (general insurance, GI). כל המידע כאן מבוסס על האתר הרשמי, ה‑GitHub וה‑IFoA — עם קישורים ישירים למקור.
ה‑General Insurance Machine Learning in Reserving Working Party (MLR WP) היא קבוצת עבודת מחקר (research working party) של ה‑IFoA, המאגדת למעלה מ‑70 מתנדבים מרחבי העולם — מדעני נתונים (data scientists), אקטוארים (actuaries) ואנשי אקדמיה.
הקבוצה הוקמה ב‑2019. ההנחה שעמדה בבסיסה הייתה שאלה ישירה: בעוד טכניקות ML נפוצות מאוד בתמחור (pricing), הן אינן מאומצות "בשטח" בעבודת הרזרבות — בוודאי בבריטניה. מאז הקבוצה פועלת בשני כיוונים:
הבעיה המקצועית שבמרכז: חישוב רזרבות תביעות (claims reserving) — אומדן ההתחייבויות העתידיות של מבטח על תביעות שכבר קרו אך טרם שולמו במלואן. הכלים המסורתיים (כמו Chain Ladder ושיטות משולש/triangle) פשוטים ושקופים, אך מתקשים לנצל נתונים ברמת התביעה הבודדת (granular / individual claims data). ה‑MLR WP בודקת אם ובאיזו מידה ML יכולה לשפר זאת — מבלי לאבד את השקיפות והביקורתיות שהמקצוע דורש.
מי מוביל? מאמר הפתיחה של workstream ה‑Foundations נכתב על‑ידי Nigel Carpenter ו‑Grainne McGuire — שניים מהדמויות המרכזיות בקבוצה (ה‑repo המקורי של הקוד הוא של Carpenter). הקבוצה מציגה את עבודתה גם דרך חברים כמו Sarah MacDonnell (LCP). אין רשימת חברים ציבורית מלאה — הקבוצה פתוחה לגיוס מתנדבים חדשים דרך ה‑IFoA.
עבודת הקבוצה מחולקת לשישה זרמי עבודה (workstreams). כל אחד עוסק בהיבט אחר של "ML ברזרבות". להלן הפירוט המלא לפי דף ה‑Workstreams וה‑About הרשמיים:
"מאיפה מתחילים / איך לומדים ML?" — מפת דרכים (roadmap) ללימוד טכניקות סטטיסטיות ו‑ML, חומרי לימוד מרוכזים, ומחברות קוד (notebooks) ב‑R וב‑Python על נתוני רזרבות אמיתיים. הרחבה מלאה בסעיף הבא.
סקירת ספרות אקדמית — הקבוצה סקרה למעלה מ‑60 מאמרים על טכניקות ML ברזרבות, והדגישה את הטובים שבהם.
פרויקטי מחקר מקוריים מגוונים. עיקרון מנחה: תמיד לשתף את הקוד כדי שתוכל לשחזר ולנסות בעצמך ("try this at home").
היבטים מעשיים של אימוץ ML ברזרבות: פרשנות מודלים והסברתיות (explainability), והתמודדות עם הבעיות שצוותי רזרבות נתקלים בהן בפועל.
זיהוי מקורות נתונים (data sources) שעליהם אפשר לפתח ולבחון טכניקות ML — אתגר אמיתי, כי נתוני תביעות גולמיים נדירים בציבור.
סקר שוק (משנת 2020): מדוע אימוץ ML ברזרבות איטי, ומה חברות בבריטניה ובקנדה עושות בפועל בתוך הבית (in-house).
זהו ה‑workstream הרלוונטי ביותר ללומד מתחיל. מטרתו המפורשת (לפי דף ה‑Foundations) היא לספק "תמרורים לאורך מסע ה‑ML" (signposts along the machine learning journey), עם דגש על חומר ודוגמאות רלוונטיים לרזרבות. הוא עושה זאת בשלוש דרכים: בניית roadmap של שיטות ללמוד, איסוף חומרי לימוד, ופיתוח notebooks ב‑R וב‑Python המיישמים את השיטות על מערכי נתוני רזרבות.
ההמלצה: לגשת ללמידה "מכיוון מוכר" — להתחיל ממה שכבר מוכר מתמחור GI, כלומר מודלים לינאריים מוכללים (Generalized Linear Models, GLMs), ולטפס משם:
נקודת הפתיחה: שימוש ב‑GLM כדי לשחזר את שיטת ה‑Chain Ladder הקלאסית. מומלץ דרך הפונקציה glmReserve() מחבילת ה‑R ChainLadder. כאן הגשר ל‑CS1 ישיר ביותר.
הוספת רגולריזציה — lasso, ridge regression או שילוב — שבה המכונה עצמה בוחרת אילו משתנים (features) לכלול. צעד טבעי מ‑GLM "רגיל" אל עולם ה‑ML.
עצי החלטה (decision trees) ← יערות אקראיים (random forests) ← טכניקות מתקדמות של הגברת גרדיאנט (Gradient Boosting Machines, GBMs), כולל XGBoost הפופולרי מאוד. שלב מרכזי וישים מאוד בפרקטיקה.
השלב הפחות נגיש: דורש הבנה טובה של רשתות עמוקות (deep neural networks, למשל recurrent neural networks — ראה את המאמר Deep Triangle), כמות נתונים גדולה וחומרה חזקה (או מכונות וירטואליות בענן). זהו גם נושא ה‑webinar של אפריל 2026 — ראה למטה.
הדף אוסף מקורות לימוד ממוינים — להלן מבחר מהבולטים שצוינו במפורש:
| מקור | למה זה שם |
|---|---|
| An Introduction to Statistical Learning (חינמי) | ספר הבסיס למתחילים; תומך בקורס Stanford. רמת כניסה אידאלית לבעלי רקע סטטיסטי. |
| Stanford Statistical Learning (edX) | רענון טוב בטכניקות סטטיסטיות וגשר ל‑ML מתקדם; ב‑R. |
| ML Specialization (Coursera) | תוכנית בת 3 קורסים: למידה מונחית/לא‑מונחית, רשתות נוירונים, רגרסיה לוגיסטית (logistic regression). מעשי, ב‑Python. |
| Actuarial Data Science | יוזמה של האגודה האקטוארית השווייצרית — הרבה קישורים וקוד ייעודי לאקטוארים. |
| AI Tools for Actuaries | משאבי deep learning המכוונים לאקטוארים, בפיתוח פעיל. |
| Mathematics for Machine Learning (חינמי) | כלי המתמטיקה הבסיסיים שמאחורי ML. |
בנוסף, ה‑Foundations מפנה למשאבים של קבוצת אחות — ה‑IFoA Data Science Working Party, שכוללת בין היתר דוגמת XGBoost מעובדת.
הלב הפעיל של הקבוצה הוא ה‑בלוג ב‑GitHub Pages (עודכן לאחרונה בפברואר 2026). הפוסטים הישנים יותר הם ברמת כניסה ל‑ML; החדשים הם בעיקר מחקר. רשימת כל הפוסטים: posts.html.
אוסף מסודר לפי נושאים של רוב פוסטי הבלוג מ‑4 השנים האחרונות, בשם Machine Learning in Non-Life Reserving. נקודת כניסה מצוינת לקריאה רציפה (שים לב: עבודת ה‑deep learning החדישה עדיין לא נכללת בו במלואה).
ארגון ה‑GitHub של הקבוצה הוא github.com/mlrwp, ובו ארבעה repositories ציבוריים (רובם ברישיון MPL-2.0):
הזרימה המומלצת: לקרוא את פוסט הפתיחה של Foundations ← לבחור שפה ← לעבור על ה‑roadmap בן 4 השלבים תוך הרצת ה‑notebooks המתאימים מ‑GitHub על המכונה שלך ← להעמיק בספר המקוון ← לעקוב אחר פוסטי ה‑Research החדשים.
סדרת webinars מקוונת של ה‑IFoA, 20–28 באפריל 2026. חינם לחברים, £45 ללא‑חברים. הסשן הרלוונטי ישירות לקבוצה:
23 באפריל 2026, 09:30–10:30 — Machine learning in reserving: From data structures to time series based neural networks — הצגת הממצאים העדכניים של ה‑MLR WP, מבני נתונים ועד רשתות נוירונים מבוססות סדרות עתיות (time series based neural networks).
סשנים נוספים רלוונטיים באותה סדרה: "Reserving processes and AI: Are they really a perfect match?" (28 באפריל) ו‑"Can AI find your optimal reserving segmentation?" (20 באפריל). דף הסדרה המלא: GI Spring Webinar Series 2026.
הכנס השנתי הדגל של קהילת ה‑GI האקטוארית בבריטניה. מתקיים 25–27 בנובמבר 2026, באדינבורו (Edinburgh). ההרשמה נפתחת ביולי 2026. דף האירוע: IFoA GIRO Conference. (המועדים עשויים להתעדכן עם פרסום הלו"ז המלא.)
זו אינה רשימת קישורים תאורטית — היא ממש על המסלול שלך לקראת CS1 (ספטמבר 2026) ועבר זה אל קריירה בביטוח כללי ורזרבות.
הסילבוס של CS1 (Actuarial Statistics) מכסה בדיוק את התשתית שעליה ה‑roadmap של Foundations בנוי: רגרסיה לינארית ומרובה, היסק סטטיסטי (statistical inference), אמידה (estimation), ובמיוחד מודלים לינאריים מוכללים (GLMs). שלב 1 ושלב 2 ב‑roadmap (GLM ל‑Chain Ladder, ואז lasso/ridge) הם המשך ישיר וטבעי של מה שתלמד ל‑CS1 — רק מיושם על נתוני תביעות במקום על תרגילי ספר.
בדיוק כאן נמצא הפער שהקבוצה מצביעה עליו: רזרבות עדיין נשענות על שיטות משולש מסורתיות, בעוד תמחור כבר עבר ל‑ML. אקטואר רזרבות שמבין GLM, עצים (XGBoost) והיכן זהירות נדרשת (explainability, איכות נתונים) — הוא בדיוק סוג האדם שהמקצוע יצטרך בעשור הקרוב, גם בהקשר של IFRS 17 שמגביר את הדרישה לאמידות שקופות ומבוססות.
glmReserve() בחבילת ChainLadder — תראה במו עיניך איך GLM (החומר של CS1) משחזר את שיטת ה‑Chain Ladder. זהו חיבור ישיר בין מבחן לתרגול.