Drei Gründe, warum GLMs GBMs übertreffen
1. Geschäftslogik durchsetzen
Mit GLMs lassen sich Monotonie- und Größenbeschränkungen während des gesamten Modeling-Prozesses vergleichsweise einfach durchsetzen. GBMs lernen primär aus Datenmustern, daher müssen solche Einschränkungen separat hinzugefügt werden, wenn sie überhaupt berücksichtigt werden. In einem GBM ist die Anwendung solcher Constraints deutlich komplexer: Entweder muss das GBM so stark vereinfacht werden, dass es im Wesentlichen die Transparenz eines GLMs nachbildet, oder das Ergebnis der Einschränkung entspricht nicht dem, was Modellierer:innen oder Entscheider:innen erwarten würden.
2. Datenarme Segmente behandeln
Manchmal wissen Aktuar:innen aus Erfahrung, dass eine bestimmte Kategorie immer mit einem Zuschlag versehen werden sollte, auch wenn dafür nur wenige Exponierungen vorliegen. Eine solche Anpassung wird sich nicht unbedingt in den Teststatistiken zeigen, wohl aber später durch adverse Selektion. Ein GLM ermöglicht es, Expertenwissen direkt in das Modell einzubringen. Ein GBM wird ein solches Signal ohne ausreichende Datenbasis schlicht ignorieren.
3. Über historische Daten hinaus extrapolieren
GLMs können Trends auf Basis fachlicher Expertise fortschreiben. GBMs hingegen können nur innerhalb der Grenzen der Daten arbeiten, auf denen sie trainiert wurden.
Wenn GBMs der klare Sieger sind
GBMs (Gradient Boosting Machines) sind besonders stark in einem Bereich: Sie erfassen komplexe, stark interagierende Muster in großen Datensätzen.
Wenn die Daten so umfangreich und komplex sind, dass kein Mensch vernünftigerweise die richtige Funktionsform festlegen kann, spielen GBMs ihre Stärken voll aus. Sie decken tiefgreifende Zusammenhänge auf, die ein GLM völlig übersehen würde.
Das Telematik-Beispiel
Die Telematik ist ein Paradebeispiel dafür. Ein Telematik-Bewertungsproblem kann leicht Hunderte von Merkmalen umfassen, wobei die Zusammenhänge zwischen Schadensfällen und den zugrunde liegenden Sensordaten stark nichtlinear sind.
Geschwindigkeit, Beschleunigung, Bremsverhalten, Tageszeit, Straßenart, Fahrzeit: Die Wechselwirkungen zwischen diesen Variablen sind zu zahlreich, als dass ein GLM sie effektiv modellieren könnte. GBMs bewältigen dies mühelos.
Der Haken: Produktionsreife
Abgesehen von ihrer Vorhersagekraft bringen GBMs echte Herausforderungen mit sich:
- Regulatorisches Risiko. Viele Aufsichtsbehörden zögern, Pricing-Modelle zu genehmigen, denen es an Transparenz fehlt.
- Versteckte Verzerrungen. GBMs können Biases enthalten, die schwer zu erkennen sind.
- Datenlecks. GBMs können zufällige oder nicht-kausale Muster aufgreifen, und aufgrund ihrer geringen Transparenz kann dies schwer zu erkennen sein.
- Keine aktuariellen Anpassungen. GBMs können nicht manuell für Segmente mit geringen Datenmengen angepasst oder über die Werte in den historischen Daten hinaus extrapoliert werden, die zur Modellanpassung verwendet wurden.
GBMs haben große Hoffnungen geweckt. Doch nur weil ein Modell eine hohe Vorhersagekraft besitzt, heißt das noch lange nicht, dass es so eingesetzt werden kann, dass es einen Mehrwert bietet. Viele Versicherer nutzen sie weiterhin zu explorativen Zwecken oder als Teil ihres Pricing-Prozesses – doch aufgrund der bisher erörterten Schwächen ist es GBMs nicht gelungen, GLMs vollständig zu ersetzen.
GBMs sind nach wie vor leistungsstarke Instrumente. Für die meisten Versicherer reichen sie jedoch nicht aus, um ein transparentes Pricing zu ersetzen.
Der häufige Fehler: GBMs zu stark einschränken
Aktuar:innen greifen häufig zu Gradient Boosting Machines, wenn sie viele Interaktionen in ihren Daten erwarten. Die Herausforderung beginnt jedoch, sobald das Modell gebaut ist: Es kann schwierig sein zu verstehen, was das Modell tatsächlich tut und wie sich diese Interaktionen verhalten.
Der naheliegende Reflex besteht darin, Schutzmechanismen und Constraints über das Modell zu legen, um es erklärbarer zu machen. Wenn jedoch zu viele Einschränkungen notwendig sind, um das Modell zu verstehen, ist es häufig besser, direkt ein sauberes GLM zu erstellen, das diese Constraints in einem einzigen Fit enthält, und am Ende ein Modell zu erhalten, das sowohl besser als auch einfacher ist.
Man beginnt mit einem GBM wegen seiner Leistungsfähigkeit und fügt dann so viele Constraints hinzu, dass das Ergebnis weder einfach noch vollständig vertrauenswürdig ist. An diesem Punkt verbessert man das Modell nicht mehr, sondern baut lediglich ein schlechteres GLM.
Der richtige Ansatz: Beides nutzen
GBMs sind nicht die ultimative Lösung für jedes Problem. Sie sind ein leistungsstarkes Werkzeug, das im richtigen Kontext sinnvoll ist, zusammen mit GLMs, nicht anstelle von ihnen.
Es läuft auf vier Fragen hinaus:
- Wann ist Transparenz wichtiger als reine Leistung?
- Wann rechtfertigt Komplexität die Kompromisse?
- Welche Technik eignet sich für den jeweiligen Anwendungsfall?
- Unterstützt Ihr Framework beide Ansätze?
Der Ansatz von Akur8: Sichere GBMs in der Produktion
Über Jahre hinweg war die Lücke zwischen explorativer GBM-Nutzung und sicherem Einsatz in Produktion zu groß, um sie sinnvoll zu schließen.
Bei Akur8 haben wir einen Ansatz entwickelt, der diese Lücke schließt:
- Automatische Explainability-Diagnostik, damit Aktuar:innen das Verhalten von GBMs wirklich verstehen können.
- Integrierte Governance und Nachvollziehbarkeit, innerhalb desselben Frameworks, das auch für GLMs entwickelt wurde.
- End-to-End-Deployment, um jedes Modell, ob GLM, GBM oder eine Kombination aus beiden, reibungslos in das Live-Rating zu überführen.
Das Ergebnis sind nicht einfachere GBMs. Es sind GBMs, die nutzbar werden, kontrolliert, transparent und produktionsreif.
Möchten Sie mehr erfahren?
Entdecken Sie unsere „Akur8 Academy“ mit umfangreichen Ressourcen und melden Sie sich für unsere kommenden Webinare an, um direkt von unseren Actuarial Data Scientists mehr zu Themen wie diesem zu erfahren.
