Gallagher Re и Scrub AI внедрили детерминированное машинное обучение для автоматизации очистки бордеро и данных об экспозиции при катастрофическом моделировании

Узкое горлышко катастрофического андеррайтинга: терабайты неструктурированных таблиц

В преддверии масштабного раунда перезаключения договоров перестрахования на 1 января 2027 года (1.1 Renewals) один из крупнейших глобальных перестраховочных брокеров Gallagher Re объявил о вводе в промышленную эксплуатацию специализированной платформы искусственного интеллекта Scrub AI. Проект направлен на устранение наиболее ресурсоёмкого и критического узкого места в андеррайтинге имущественных рисков: первичной обработке, очистке, нормализации и проверке бордеро по связанным договорам (property binder bordereaux) и детализированных перечней застрахованных объектов (Schedules of Values, SOV).

В международной практике андеррайтинга имущества и перестрахования факультативно-облигаторных пулов данные от сотен первичных страховщиков, агентств с переданными полномочиями (coverholders) и управляющих генеральных агентов (MGA) поступают в десятках несовместимых форматов. Разрозненные таблицы содержат миллионы строк с неполными географическими координатами, противоречивыми классификаторами конструктивных элементов зданий, размытыми описаниями промышленного оборудования и несогласованными валютами. Исторически подготовка таких массивов для загрузки в коммерческие катастрофические модели (Moody’s RMS, Verisk Touchstone, Oasis LMF) требовала привлечения сотен аналитиков и масштабного офшорного аутсорсинга в центры обработки данных в Индии и на Филиппинах, создавая временной лаг от нескольких дней до трёх-четырёх недель на каждый сложный портфель.

Архитектура Scrub AI: детерминированное машинное обучение против вероятностных галлюцинаций

Фундаментальным инженерным отличием платформы Scrub AI от широко обсуждаемых больших языковых моделей (LLM) является опора на детерминированные алгоритмы машинного обучения (deterministic machine learning). В финансовом риск-менеджменте и актуарных расчётах применение стандартных генеративных нейросетей несёт неприемлемый риск «галлюцинаций» — стохастической замены параметров строительных материалов, этажности или модификаторов уязвимости, что при моделировании ущерба от ураганов или землетрясений искажает расчётную кривую совокупного годового ущерба (Exceedance Probability, EP curve).

Решение Scrub AI обучено на миллионах строк валидированных транзакций из реальной страховой практики и реализует гибридный конвейер:

• Автоматическая нормализация и геокодирование: распознавание неполных адресных ориентиров и приведение их к единым координатным сеткам высокого разрешения с привязкой к зонам CRESTA;
• Семантический маппинг классов конструкций: автоматическая трансляция локальных описаний объектов (тип стен, перекрытий, год постройки, системы пожаротушения) в строгие стандартизированные коды уязвимости RMS и AIR;
• Сохранение проприетарных правил брокера: алгоритм функционирует строго в рамках встроенных правил маппинга Gallagher Re, обеспечивая 100% детерминированность и полный аудиторский след (audit trail) — при повторном прогоне файла через систему результат классификации объектов остаётся абсолютно неизменным.

Скорость катастрофического моделирования перед продлением 1 января 2027 года

Генеральный директор и сооснователь Scrub AI Алекс Лей (Alex Ley) подчеркнул, что точность входных данных напрямую определяет устойчивость всего перестраховочного цикла: «Страхование всегда было бизнесом, основанным на данных, и сегодня скорость и точность этих данных всё в большей степени определяют, насколько качественно риск понимается и размещается на рынке. Gallagher Re демонстрирует, как это выглядит на практике, обеспечивая своим аналитикам более быстрый доступ к проверенным данным, что позволяет им сосредоточить экспертный потенциал на моделировании и стратегическом консультировании клиентов».

Сокращение цикла очистки данных с нескольких недель до считанных минут кардинально меняет экономику брокерского бизнеса. Аналитические команды получают возможность в режиме реального времени прогонять стресс-тесты, оценивать кумуляцию экспозиции в пиковых зонах стихийных бедствий (например, вдоль побережья Мексиканского залива или в зонах сейсмических разломов Европы) и оптимизировать структуру эксцедента убытка (Excess of Loss) задолго до дедлайнов перезаключения договоров. Это также напрямую снижает требования к надбавкам за неопределённость данных в рамках требований Solvency II к качеству данных (Data Quality Standards).

Уроки для рынка Казахстана и Центральной Азии: качество данных, агрострахование и МСФО 17

Для страхового сектора Казахстана и государств Центральной Азии кейс внедрения детерминированного ML имеет прикладное значение по трём ключевым направлениям:

1. Единая страховая база данных (ЕСБД) и автоматизация реестров: Казахстанский рынок переходит на сквозную цифровизацию обязательного автострахования (ОГПО ВТС) и страхования работников (ОСНС). Однако в сегментах крупного имущественного страхования, строительно-монтажных рисков (СМР) и промышленных предприятий обмен данными до сих пор во многом опирается на ручную выгрузку таблиц. Внедрение алгоритмической очистки бордеро устраняет расхождения между первичными договорами и перестраховочными слипами.
2. Агрострахование и параметрические риски: При масштабировании агрострахования в Казахстане и Узбекистане критическим барьером остаётся неоднородность спутниковых данных, кадастровых границ полей и ветеринарных реестров. Детерминированное сопоставление списков застрахованных площадей и скота с государственными геопорталами позволяет исключить фиктивные полисы и двойное субсидирование.
3. Группировка договоров по МСФО 17 (IFRS 17): Стандарт требует разделения портфелей на когорты и проверки обременительности договоров (Onerous Contracts Testing). Ошибки в атрибутах застрахованных объектов приводят к неверному отнесению договоров к группам, искажая маржу по договорным услугам (CSM) и поправку на нефинансовый риск (Risk Adjustment, RA).

Актуарный вывод: Внедрение детерминированного машинного обучения для очистки бордеро знаменует переход от человекоёмкого ручного маппинга к стандартизированным математическим конвейерам данных. В актуарном моделировании принцип «мусор на входе — мусор на выходе» (garbage in, garbage out) особенно опасен: даже незначительное искажение кодов строительных конструкций в многомиллиардном имущественном портфеле способно сместить оценку вероятного максимального убытка (PML) на десятки процентов. Для казахстанских страховщиков и перестраховщиков автоматизация проверки качества данных по стандарту Solvency II и МСФО 17 становится базовым условием надёжности расчёта технических резервов и сохранения платёжеспособности при катастрофических убытках.