生成式AI在精算科学中的高级应用：超越ChatGPT的案例研究
摘要
本文通过四个已实施的案例研究，探讨了生成式AI（GenAI）支持精算实践的潜力。文章将这些案例研究置于精算科学中人工智能更广泛的演变背景下，从早期的神经网络和机器学习到现代基于Transformer的GenAI系统。第一个案例研究展示了大型语言模型（LLMs）如何通过从非结构化文本中提取信息特征用于底层监督学习任务，来改进索赔成本预测。第二个案例研究演示了使用检索增强生成来自动化市场比较，从保险公司的年度报告中识别、提取和结构化相关信息。第三个案例研究强调了经过微调的视觉能力LLMs在对车辆损坏类型进行分类和从图像中提取上下文信息方面的能力。第四个案例研究提出了一个多智能体系统，该系统可以自主地将精算遗留代码从R迁移到Python，并根据原始代码的输出验证翻译结果。除了这些案例研究，我们还概述了保险行业中进一步的GenAI应用。最后，我们讨论了在受监管的保险环境中部署GenAI所面临的监管、安全、双重用途与欺诈、可复现性、隐私、治理和组织方面的挑战。
引用
@article{arxiv.2506.18942,
title = {Advanced Applications of Generative AI in Actuarial Science: Case Studies Beyond ChatGPT},
author = {Simon Hatzesberger and Iris Nonneman},
journal= {arXiv preprint arXiv:2506.18942},
year = {2026}
}
备注
v2: Major revision in response to peer review. Added rigorous evaluation protocols (gold standards, cross-validation, statistical tests, ablations, baselines) to every case study; replaced Case Study 4 with a test-validated code-migration multi-agent system; restructured risks and governance into seven prose subsections with a risk-summary table; pinned LLM versions; expanded references