[논문 리뷰] Towards Explainability of Machine Learning Models in Insurance Pricing

Kevin Kuo, Daniel E. Lupton|arXiv (Cornell University)|2020. 03. 24.

Explainable Artificial Intelligence (XAI)참고 문헌 15인용 수 9

한 줄 요약

이 논문은 손해보험 정가 분야에서 기계학습 모델을 설명하기 위한 프레임워크를 제안한다. 모델에 종속되지 않는 해석 기법인 SHAP 값과 부분 의존도 그림을 활용하여, 개인 보험 가입자의 위험 요인을 명확히 하고 규제 준수를 지원함으로써, 정부 규제 기반의 기계학습 도입을 가능하게 한다. 이는 정책 수립자와 이해관계자들이 모델의 의사결정 과정을 이해하고, 책임감 있는 기계학습 활용을 가능하게 한다.

ABSTRACT

Machine learning methods have garnered increasing interest among actuaries in recent years. However, their adoption by practitioners has been limited, partly due to the lack of transparency of these methods, as compared to generalized linear models. In this paper, we discuss the need for model interpretability in property & casualty insurance ratemaking, propose a framework for explaining models, and present a case study to illustrate the framework.

연구 동기 및 목표

• 규제되는 보험 정가 분야에서 기계학습 모델의 투명성 부족이 도입을 저해하는 문제를 해결한다.
• 블랙박스 모델의 한계를 극복하기 위해, 규제 기관과 이해관계자들이 모델 행동을 이해할 수 있도록 설명 프레임워크를 개발한다.
• 특히 개인 보험 가입자와 위험 요인에 대해 모델 결정을 검증하고 전달할 수 있도록 정책 수립자에게 도구를 제공한다.
• 예측 성능이 뛰어난 기계학습 모델과 해석 가능하고 감사 가능한 전통적 정책 수립 기준 간 격차를 메운다.
• ASOP 41과 같은 정책 수립 기준과 일치하면서도 실용적이고 해석 가능한 기계학습을 정가 수립에 적용할 수 있도록 한다.

제안 방법

• SHAP(Shapley Additive Explanations)를 적용하여 개별 사례의 특성 기여도를 계산함으로써, 일관되고 이론적으로 타당한 설명을 확보한다.
• 부분 의존도 그림(PDP)을 사용하여 개별 예측 변수가 예측된 손해 비용에 미치는 경계 효과를 시각화한다.
• 워터폴 플롯을 구현하여 개별 예측을 전역 모델의 절편에서 시작해 각 특성의 기여도로 분해한다.
• 모델 아키텍처에 대한 접근이 필요 없는 모델에 종속되지 않는 기법을 활용하여 다양한 기계학습 모델에 적용 가능하도록 한다.
• 로컬 및 조건부 예측 변수 민감도를 평가하기 위해 LIME과 ALE 플롯을 보조 수 Mittel로 활용한다.
• 주요 정책 수립 질문 중심으로 설명을 구성한다: 모델이 개인 소비자에게 어떻게 영향을 미치는지, 그리고 예측 변수가 기대 손해 비용과 어떻게 관련되어 있는지.

실험 결과

연구 질문

• RQ1 보험 정가 분야의 기계학습 모델을 규제 기관과 이해관계자가 이해할 수 있도록 해석할 수 있는 방법은 무엇인가?
• RQ2 기여하는 위험 요인 측면에서 개인 보험 가입자의 예측을 효과적으로 설명할 수 있는 기법은 무엇인가?
• RQ3 예측 변수가 다양한 보험 가입자 프로파일에 따라 기대 손해 비용에 어떻게 영향을 미치는가?
• RQ4 SHAP 및 PDP와 같은 모델에 종속되지 않는 설명 기법이 ASOP 41과 같은 정책 수립 기준 준수를 어떻게 지원하는가?
• RQ5 해석 가능성 프레임워크는 복잡한 기계학습 모델을 검증하고 전달하면서도 예측 성능을 손상시키지 않고 정책 수립자가 활용할 수 있는가?

주요 결과

• SHAP 값은 비가산 모델에서도 개별 예측에 대한 특성 기여도를 일관되고 게임 이론 기반으로 제공한다.
• 워터폴 플롯은 전역 절편에서 시작하여 각 특성의 기여도로 분해된 예측을 효과적으로 표현한다.
• 부분 의존도 그림은 예측 변수와 기대 손해 비용 간의 경계 관계를 드러내며, 비선형 효과를 강조한다.
• LIME과 ALE 플롯과 같은 모델에 종속되지 않는 기법은 국소적 및 조건부 예측 변수 행동에 대한 보완적 통찰을 제공한다.
• 이 프레임워크는 정책 수립자가 모델의 공정성과 위험 요인 논리에 대해 핵심 규제 질문에 답할 수 있도록 한다.
• 사례 연구는 적절한 설명 도구와 함께 기계학습 모델이 예측 성능을 유지하면서도 매우 해석 가능하다는 것을 입증한다.