Speaker
Description
Do danes se večina metod za rezerviranje zavarovalniški škod še vedno uporablja na podlagi zbirnih podatkov, ki so razvrščeni v trikotni obliki, kot je metoda veriženja. Z razmahom metod strojnega učenja in znatnim povečanjem računske moči izguba informacij, ki je posledica združevanja posameznih podatkov o škodah po letih nastanka in letih razvoja, ni več upravičena.
Uporabljena tehnika strojnega učenja, nevronske mreže, je bila izvedena na kaskadni trikotni način, podobno kot trikotne metode rezervacij, rezultati napovedi pa so bili primerjani z rezultati, doseženimi s klasičnimi metodami rezervacij. Ugotovitve omogočajo boljše razumevanje morebitne zapletenosti narave škodnih zahtevkov, opozarjajo na nekatere slabosti, ki bi jih lahko imele tradicionalne metode, in kažejo na velik potencial algoritmov strojnega učenja.
