Desarrollo de técnicas avanzadas de inteligencia artificial para optimización de coste y minimización de riesgo de compañías aseguradoras

Abstract

Las compañías de seguros desempeñan un papel fundamental en la economía al ofrecer productos que protegen a personas y empresas frente a riesgos e imprevistos. No obstante, la evaluación precisa del riesgo y la tarificación adecuada de pólizas requieren modelos predictivos robustos, bien calibrados y capaces de adaptarse a datos complejos y desbalanceados. Aunque el aprendizaje automático ha demostrado ser una herramienta valiosa en este contexto, su aplicación en el sector asegurador sigue enfrentando importantes desafíos, como el sesgo en los datos, el desequilibrio entre clases y la reticencia de las compañías a adoptar modelos con bajo nivel de interpretabilidad.En esta tesis se desarrollan y analizan diferentes estrategias para mejorar la clasificación en problemas propios del ámbito asegurador mediante el uso de modelos ensemble. En primer lugar, se presenta el método Balanced Underbagged Ensemble (BUE), diseñado para mitigar el impacto del desbalanceo de clases y mejorar la estabilidad del aprendizaje. Posteriormente, se introduce un clasificador en cascada, aplicado en el marco del proyecto Genobia (clasificación de riesgo de obesidad), que permite estructurar la toma de decisiones en múltiples niveles, aumentando la capacidad de abstención en casos inciertos y mejorando la calidad de la clasificación. A continuación, se propone una optimización del espacio de decisión en modelos ensemble mediante la calibración de umbrales. Se comparan distintas estrategias: el enfoque clásico con umbral fijo, el uso de metaclasificadores, la optimización bayesiana de pesos y una nueva metodología basada en optimización multiobjetivo, orientada a mejorar el equilibrio entre la tasa de verdaderos positivos y falsos positivos...

Insurance companies play a fundamental role in the economy by offering products that protect individuals and businesses against risks and unforeseen events. However, accurately assessing risk and pricing policies appropriately requires robust, well-calibrated predictive models capable of handling complex and imbalance, and the reluctance of companies to adopt models with low interpretability.This thesis develops and analyses various strategies to improve classification in insurance related problems through the use of ensemble models. First, it introduces the Balanced Underbagged Ensemble method (BUE), designed to mitigate the implact of class imbalance and enhance learning stability. Next, it presents a cascade classifier, applied within the framework of the Genobia project (obesity risk classification), which structures decision-making across multiple levels, increasing the model's capacity to abstain in uncertain cases and improving classification quiality. Subsequently, an optimisation of the decision space in ensemble models is proposed through threshold claibration. Different strategies are compared: the classic fixed-threshold approach, the use of metaclassifiers, Bayesian weight optimisation, and a novel methodology based on multi-objective optimisation aimed at improving the balance between true positive and false positive rates...