人工智能和精算的差异及关系

成圣

一直想找时间聊一下人工智能和精算的差异及关系，这两天ChatGPT很火，借这个热度，简单毒舌一下。

一听到精算里面有个算字，会不会写神经网络算法ANN人工神经网络分类算法python实现的听众都会想到，有人工智能还需要精算吗？其实这个问题，如果真的是计算的话，那么有计算机，为啥还要人工算呢？多想一下精算的存在就觉得不可思议。精算与科学决策的关系

造成这样观念上差异的原因有以下两点：
1、精算过于神秘，大部分人并不了解；从系统角度，解读E级精算师
2、人工智能的概念推广过于广泛，让人忘记书上得来终觉浅，绝知此事要躬行；风险识别的本质是学习

精算是什么，笔者在往期文章中已经充分表达。并不是一个执行计算的技术，是一个利用数学专业人士的知识，结合经济、财务、金融、保险、自然灾害等业务知识，使用数据分析工具，为企业和家庭对风险进行识别和评估的技术。

先说关系，关系就是精算技术需要包含了人工智能技术，比如机器学习。

风险识别和评估就需要建设系统模型，而何为风险，就是系统的变化，系统内部的要素的变化。都需要精算师有系统性的思维进行分析科学决策的实现基础——系统定量，更重要的是，需要通过数据，表达出来多层系统的规律，并准确把握未来的变化趋势。

整个工作过程中，需要信息系统支持，数据提取，数据存储，数据处理，数据分析，数据建模设计，结论呈现等多个环节。人工智能可以帮助精算师提高效率的部分主要在固定模式部分，只要模式能固定下来，就可以通过人工智能算法来赋能。这里的人工智能算法，不单单是神经网络，还有专家系统，很多方法，用来提高工作效率。当然提高工作效率也必然会替代部分基础性工作。把更多时间用来，对各级系统规律进行认知。股票二级市场的系统结构和运动变化规律，不仅要认知规律，还要能写掌握各级系统的运动变化，才能做到对风险的预判，选择正确的方法，设计正确的算法。或然决定方法的思考

再说差异。人工智能虽然可以不断迭代，但是也需要一个创造者为它设计一个初始框架和初始赋值。精算师要在做出来第一版算法后才能部分交给人工智能去迭代。

一般来说，从0-1构建系统并不是一劳永逸的工作，而是需要不断迭代，改进的过程。这个工作就和系统的演化规律一样，需要不断检视，防止系统处在熵增的状态，确保系统要保持目标方向。从这点来看，精算并不是以计算和设计模型为目的，而是以风险管理为目的，而风险管理的目的是为科学决策服务。战略与风险管理的关系。并且外部环境也在变化，在不可控的前提下，外部系统的识别也需要精算师深厚的专业知识积累。如果外部环境保持大框架稳定，人工智能是可以继续工作，一旦变化，算法并不保证一致有效。

为了科学决策，精算这个技能就必须全流程理解数据处理，包括如何使用人工智能技术，人工智能算法PCA主成分数据降维算法的python实现和算法数理推导的设计原理等，并能结合业务知识，辅助企业或者家庭做好科学决策。风险管理中，算法错误使用和模型错误使用是首当其冲的风险。

回到ChaTGPT这个优化了的搜索引擎。它回答问题的准确性，需要大量训练，而训练算法中，是需要对回答的问题进行评价，也就是反馈，这样后台算法才能判断，什么样的回答，什么样的结果是最优的。这点和人类认知外界事物的逻辑是一致的，实践出真知，什么能有效实现目标，在遇到其他环境变化前路径就是对的。

在使用ChaTGPT的时候存在的风险，处于职业毛病，文章最后提一下。

1、回答的问题是否正确，除了实践出真知这个检验标准外，提高效率的办法，还是需要核实一下内容出处，因为不是所有的问题都有条件去实践。

2、对自己没有实践经验和理论知识的领域，所有的回答，对自己来说，要么信，要么自己懂。信的话，就存在概率，结果可能是盲目地相信出了问题，也可能碰运气对了觉得这个机器人是大神。自己懂的话，就是自己有实践和思考，能够举一反三。一般来说，任何跨领域的学习成本都很高，短时间懂事是不容易的，因为知识系统的构建需要实践积累。如何判断回答的真伪，就和选专家是一样的。

3、作为聊天机器人，功能是聊天，更多是情绪上价值，功能上价值，要看后台算法设计。比如笔者今天就询问了，股票的明天的涨跌，因为机器人没有给机器人安装这类算法模型，回答就不是笔者想要的精确结果。

ChaTGPT机器人的训练需要数据，目前公开网络中的数据应该是可以使用，但是数据孤岛，比如，企业，付费数据等该机器人并不能低成本获得数据，同时，设计到专业复杂领域，理论内容估计是可以复制粘贴，工程实践中，数理逻辑，算法设计等方面，还需要不断学习。

人工智能是一项可以帮助人类提供工作效率的技术，掌握它，运用它，而不是神化它，迷信它。还是那句话，书上得来终觉浅，绝知此事要躬行。