保险中的AI与伦理：缓解风险建模中代理歧视的新方案

机器学习的发展正受到公众日益增长的关注，近年来有大量新闻文章质疑其客观性：种族主义、性别歧视……在监管机构对保险中数据伦理使用日益关注的驱动下，精算界必须重新思考定价与风险选择实践，以谋求更公平的保险。公平是一个哲学概念，在各司法管辖区有诸多不同定义，彼此影响却尚未达成共识。在欧洲，基本权利宪章规定了反歧视准则，算法中敏感个人数据的使用受到规制。若仅简单移除受保护变量可防止任何所谓“直接”歧视，模型仍能借助变量间的潜在交互“间接”歧视个体，而这带来了更优性能（从而更好的风险量化、价格细分等）。在介绍与歧视相关的关键概念后，我们阐释了其量化之复杂。随后我们提出一种文献中尚未见到的创新方法，借助线性代数的数学概念降低间接歧视风险。该技术在寿险风险选择的具体案例中得以演示，展现了其使用简便性与可观性能。