Kogemuslugu
Insly AI: Dünaamiline Hinnamootor
Ando Kivilaid ehitas Insly dünaamilise hinnamootori — alla 100 ms mikroteenuse kihi, mis ühendab masinõppe kahjuprognoosid klassikaliste aktuaarsete tariifitabelitega. Süsteem tõstis automaatpakkumiste määra 22%-lt 68%-le, hoides kahjususe määra piirides, ja võimaldas kindlustajatel tuua uusi riskikohandatud algoritme turule päevade, mitte kuudega.
Automaatpakkumised 22% → 68% · alla 100ms
Avaldatud 19. mai 2026 · Viimati uuendatud 1. juuni 2026
Staatilised tariifitabelid — hooldatud tabelarvutusfailides või vanades poliisihaldussüsteemides — ei suuda reageerida, kui kahjutrendid, ilmarisk või makroolukord muutuvad uuendamistsüklite vahel. Insly kindlustaja ja MGA klientidele oli vaja hinnastamiskihti, mis säilitaks aktuaaria juhtimise, võimaldades samas kiiret mudeli iteratsiooni ja koheseid pakkumisotsuseid müügikohas.
Kavandasin ja viisin dünaamilise hinnamootori ellu Insly põhiline AI võimekusena, integreerides olemasoleva toote konfiguratsiooni, riskihindamise reeglid ja maakleri pakkumisvoogudega. Disain seadis prioriteediks latentsuse (alla 100 ms p95), selgitatavuse aktuaaria ülevaate jaoks ja turvalise tagasipööramise, kui uued mudelid varjurežiimis alla performisid.
See dokument käsitleb äriprobleemi, tehnilist arhitektuuri ja kuue kuu tootmistulemusi, sealhulgas automaatpakkumiste kasvu ja kahjususe piirdajaid. Näitajates on toodud mõõtmisaknad ja valimi definitsioonid meeskondadele, kes hindavad masinõppega täiustatud hindamismootoreid.
Vaata ka riskihindamise automatiseerimise kogemuslugu dokumendivastuvõtukihti, mis toidab puhast riskiatribuute sellesse hinnastamise API-sse, ning MCP serveri projekti, kuidas välised andmed jõuavad tootmises AI tööriistadeni.
Probleem
Traditsioonilised hindamismootorid kodeerivad preemiad versioonitud Exceli tabelites või põhiraamatu tabelites. Aktuaaridel kulub tabelimuudatuste avaldamiseks nädalaid; maaklerid kaotavad tehinguid, kui konkurendid pakuvad kiiremini uuendatud riskiteguritega. Insly kliendid teatasid automaatpakkumiste määrast umbes 22% juures, sest manuaalsed suunamisreeglid käivitusid igasuguse mudeli ebakindluse korral.
Masinõppe prototüübid eksisteerisid andmeteadlaste märkmikes, kuid ei vastanud tootmise latentsuse, auditi ega integratsiooni nõuetele. Hindajad ei usaldanud musta kasti skoore ilma seotuseta tuttavate hindamisteguritega. Regulaatorid ja sisemised aktuaarimeeskonnad nõudsid jälgitavaid valemeid, mis seovad masinõppe väljundid baaspreemiatega.
Sihtolek: üks API, mis tagastab siduvad preemiad alla 100 millisekundi, kombineerides masinõppe riskisignaale kinnitatud tariifitabelitega, automaatse suunamisega ainult siis, kui juhtimisreeglid — mitte mudeli müra — nõuavad inimese ülevaatust.
Arhitektuur
Mootor on olekuta mikroteenuste klastri taga Insly pakkumiste API-l. Iga päring kannab tootekoodi, riskiatribuute ja valikulisi väliseid signaale (ilmaindeksid, makrosarjad). Omaduste hoidla koostab normaliseeritud sisendid; paralleelsed töötajad tõmbavad ajaloolise kahjuajaloo ja vahemällu salvestatud kolmanda osapoole rikastused.
Masinõppe järelduskiht toodab kahjukulu korrigeerimised ja usaldusvahemikud gradient-boost mudelitest, mis on treenitud anonüümsel portfelliandmetel. Hindamise orkestreerimise kiht rakendab aktuaarseid valemeid — baasmäärad, territooriumitegurid, kogemuse modifikaatorid — seejärel skaleerib preemiaid masinõppe korrigeerimisega aktuaaria kinnitatud piirides. Iga samm edastab selgitusobjekti hindaja ja aktuaaria töölaudadele.
Varjujuurutamine võrdleb kandidaatmudeleid tootmisega ilma sidumisotsuseid mõjutamata. Edutamine nõuab aktuaaria kinnitust ja automatiseeritud tagasiteste holdout-portfellidel. Kaitselülitid pöörduvad ainult tabelipõhise hinnastamise juurde, kui latentsus ületab SLO või mudeli väljundid rikuvad kahjususe piirdajaid.
Kliendid konfigureerivad tooteid Insly admin-kasutajaliideses: millised masinõppe omadused on aktiivsed, piiratud kordajad, suunamise läved ja tabeli versioonid territooriumi kaupa. Versiooni kinnitamine tagab korduvad pakkumised — samad sisendid ja mudeli räsi tagastavad auditi vaidluste jaoks alati sama preemia.
Tulemused
Kuue kuu tootmise jooksul (2024. II poolaasta – 2025. I poolaasta) kolmel elaval äriliinil tõusis automaatpakkumiste osa 22%-lt 68%-le pakkumispäringutest, mis varem suunati hindajatele. Mediaanne API latentsus püsis tipukoormusel 74 ms p95 juures. Automaatselt seotud äri kahjususe määr püsis aktuaaria eesmärkidest ±2% piires.
Kindlustajad juurutasid neli uut riskikohandatud algoritmi keskmiselt 11 päevaga mudeli kinnitamisest tootmiseni — varem 8–12 nädalat ainult tabelipõhiste väljalasetega. Maaklerite NPS pakkumise kiiruse osas paranes mõõdetavalt pilootterritooriumidel. Tulu hindaja töötunni kohta kasvas, sest suunamised koondusid tõeliselt ebastandardsetele riskidele.
Mootor toetab nüüd hinnastamist mitme Insly platvormi rentniku jaoks. Peamine õppetund: masinõppe korrigeerimised töötavad kindlustuses ainult siis, kui aktuaarid omavad piire ja iga pakkumine on regulaatorile selgitatav. Kiirus ilma juhtimiseta on risk; kiirus juhtimisega on konkurentsieelis.
Toote meeskonnad taaskasutasid samu varjurežiimi ja kaitselülitite mustreid vormide automatiseerimise ja dokumendiväljavõtte juurutamisel — vähendades ristmeeskonna riski, kui mitu AI teenust jagab maakleritele suunatud pakkumisvooge. See ühine platvormidistsipliin kiirendas iga järgnevat Insly AI väljalaset.
Peamised näitajad
| Näitaja | Väärtus | Kuidas mõõdetud |
|---|---|---|
| Automaatpakkumiste määr | 22% → 68% | Sobivate pakkumiste osa, mis seoti ilma hindaja suunamiseta, kolm äriliini, 6-kuine aken vs. eelmise aasta baas. |
| Hinnastamise latentsus | 74 ms p95 | Lõpuni API vastuseaeg 95. percentiilis tootmise tipukoormusel, mõõdetud pidevalt APM kaudu. |
| Juurutamise aeg | keskm. 11 päeva | Kalendripäevad aktuaaria mudeli kinnitamisest esimese tootmispakkumiseni, neli algoritmi väljalaset 2024–2025. |
| Kahjususe hälve | ±2% piires | Automaatselt seotud portfelli kahjususe määr vs. aktuaaria plaan, libisevad 6-kuised aknad pilootliinidel. |