Etika in zanesljivost GAN-generiranih podatkov v nezgodnih zavarovanjih

Uvod v uporabo GAN-ov pri modeliranju tveganj za nezgodna zavarovanja

V današnjem visoko konkurenčnem zavarovalniškem okolju, kjer natančnost modeliranja tveganj neposredno vpliva na profitabilnost in zadovoljstvo strank, so inovativne analitične tehnike postale nepogrešljive. Med njimi si posebno mesto zaslužijo generativna nasprotniška omrežja (GAN – Generative Adversarial Networks), ki so v zadnjih letih močno preoblikovala področje generiranja podatkov. Zmožnost GAN-ov, da ustvarjajo sintetične podatke, ki posnemajo statistične značilnosti realnih podatkov, odpira revolucionarne možnosti tudi v sektorju nezgodnih zavarovanj. Uporaba sintetičnih podatkov lahko reši nekatere ključne izzive, kot so pomanjkanje realnih podatkov za redke dogodke, varovanje zasebnosti originalnih podatkovnih zbirk ter testiranje novih modelov v simuliranih okoljih, ne da bi pri tem izpostavljali občutljive podatke.

Moja izkušnja z delom na področju nezgodnih zavarovanj, ki traja že dve desetletji, me je naučila, da je ključ do uspeha v nenehnem iskanju ravnovesja med inovativnostjo in odgovornostjo. Medtem ko GAN-i obljubljajo izboljšanje robustnosti in natančnosti naših modelov tveganj, predvsem pri kompleksnih scenarijih nezgodnih dogodkov, je nujno, da se zavedamo tudi potencialnih etičnih pasti in izzivov zanesljivosti. Možnost vnašanja ali celo ojačanja pristranskosti v generirane podatke je realna in zahteva izjemno previdnost. Zato je temeljit razmislek o etičnih implikacijah in razvoj robustnih metod za ocenjevanje poštenosti in zanesljivosti ključnega pomena, preden se GAN-tehnologije široko implementirajo v operativne procese določanja premij in obravnave strank.

Etične dileme in vprašanja zanesljivosti pri uporabi GAN-generiranih podatkov

V središču etičnih dilem, ki jih prinaša uporaba GAN-generiranih podatkov v zavarovalništvu, je vprašanje poštenosti (fairness) in nepristranskosti (unbiasedness). Zavarovalniška industrija po svoji naravi deluje na principu zbiranja in analize podatkov za ocenjevanje tveganj. Če se v proces generiranja podatkov s strani GAN-ov prikradejo pristranskosti, bodisi zaradi pristranskih vhodnih podatkov (angl. historical bias) ali zaradi načina delovanja samega algoritma (angl. algorithmic bias), lahko to vodi do nepoštenih izidov za določene segmente zavarovancev. Na primer, določanje višjih premij za nezgodna zavarovanja za demografske skupine, ki so bile v zgodovinskih podatkih prevečkrat ali premalokrat zastopane, ne bi bilo le etično sporno, ampak tudi v nasprotju z načeli enakosti. To vprašanje je še posebej pereče pri nezgodnih zavarovanjih, kjer so statistične razlike med skupinami včasih subtilne, a lahko imajo velik vpliv na obravnavo.

Poleg etike se tesno prepletajo tudi vprašanja zanesljivosti. Zanesljivost generiranih podatkov ni le tehnično vprašanje, temveč ima tudi globoke etične korenine. Ali so generirani podatki dovolj natančni in reprezentativni za realno populacijo? Ali odražajo kompleksnost in variabilnost dejanskih nezgodnih dogodkov? Nezadostna zanesljivost lahko povzroči napačno kalibracijo modelov tveganj, kar lahko privede do podcenjevanja ali precenjevanja tveganj. Posledično to vpliva na neustrezno določitev premij, kar je lahko škodljivo tako za zavarovalnico kot za zavarovanca. Zavarovalnica se lahko sooči z likvidnostnimi problemi, če so premije prenizke, stranke pa se lahko počutijo izkoriščane, če so previsoke. Zato je nujno razviti metode za preverjanje statistične podobnosti med realnimi in generiranimi podatki ter zagotoviti transparentnost v celotnem procesu uporabe GAN-ov.

Kvantitativna analiza potencialnih pristranskosti v generiranih podatkih

Za obvladovanje etičnih tveganj je nujna kvantitativna analiza pristranskosti. V mojem dolgoletnem delu sem se vedno zanašala na podatke in konkretne metrike. Pri GAN-generiranih podatkih za nezgodna zavarovanja se moramo osredotočiti na meritve, ki nam omogočajo prepoznavanje in kvantificiranje morebitnih nepoštenih obravnav. Ena izmed ključnih metod je primerjava statističnih distribucij ključnih atributov (npr. starost, spol, poklic, geografska lokacija) med originalnimi in generiranimi podatki. Če se na primer delež določene starostne ali poklicne skupine, ki je imela v preteklosti določeno število nezgod, v generiranih podatkih bistveno razlikuje od realnega, je to že prvi znak morebitne pristranskosti. Uporabimo lahko statistične teste, kot je Kolmogorovo-Smirnovljev test za primerjavo distribucij, ali pa Jensen-Shannonovo divergenco za merjenje podobnosti med porazdelitvami verjetnosti.

Nadalje se pristranskosti lahko manifestirajo tudi na ravni napovednih sposobnosti modelov tveganja, zgrajenih na teh podatkih. Kvantitativna analiza vključuje tudi vrednotenje, ali modeli tveganja, ki so usposobljeni na GAN-generiranih podatkih, delujejo enako natančno za vse demografske skupine. To pomeni, da preverimo, ali je natančnost napovedi (npr. verjetnost nezgode, pričakovani strošek škode) konsistentna med različnimi zaščitenimi atributi. Če na primer model tveganja, usposobljen na generiranih podatkih, dosledno podcenjuje tveganje za mlajše moške ali precenjuje tveganje za starejše ženske, je to kvantitativni dokaz pristranskosti, ki jo je treba nasloviti. To zahteva napredne analitične pristope in poglobljeno razumevanje tako modelov kot tudi izvornih podatkov.

Vpliv pristranskosti na določanje premij in obravnavo strank

Neprepoznane in nekorigirane pristranskosti v GAN-generiranih podatkih imajo lahko resne posledice za določanje premij nezgodnih zavarovanj in celostno obravnavo strank. Če so sintetični podatki pristranski na način, da precenjujejo tveganje za določeno skupino zavarovancev, bo model, usposobljen na teh podatkih, tej skupini dodelil neupravičeno višjo premijo. Na primer, če GAN pretirano generira scenarije nezgod za delavce v pisarniškem okolju in hkrati podcenjuje tveganje za delavce na gradbišču, se bodo premije za pisarniške delavce nepošteno zvišale, za gradbene delavce pa potencialno znižale. To ne le povzroča nelagodje in nezaupanje pri strankah, ampak lahko vodi tudi do diskriminacije, kar je v nasprotju z Zakonom o zavarovalništvu (ZZavar-1), ki prepoveduje neupravičeno diskriminacijo zavarovancev. Dolgoročno to lahko privede do odhoda strank, zmanjšanja tržnega deleža in škode ugledu zavarovalnice.

Poleg določanja premij pristranskost vpliva tudi na obravnavo strank in upravljanje škod. Če so modeli za oceno in reševanje škod, ki temeljijo na teh pristranskih podatkih, nepošteni, lahko to povzroči neenakomerno obravnavo škodnih zahtevkov. Zamislite si scenarij, kjer algoritem, ki je bil usposobljen na pristranskih podatkih, sistematično ocenjuje manjšo resnost poškodb pri eni demografski skupini in večjo pri drugi, kljub enaki naravi nezgode. To bi lahko vodilo do neustreznega izplačila odškodnin ali daljših postopkov reševanja škode za določene stranke. Moja etika narekuje, da moramo vsakega zavarovanca obravnavati pošteno in objektivno, kar vključuje tudi zagotavljanje, da so algoritmi, ki jih uporabljamo, pravični in transparentni. Brez proaktivnega pristopa k odpravljanju pristranskosti tvegamo izgubo zaupanja in ugleda, kar v zavarovalništvu, ki temelji na obljubah, ni sprejemljivo.

Metrike za merjenje poštenosti algoritmov: kvantitativni pristop

Za objektivno oceno poštenosti algoritmov, ki uporabljajo GAN-generirane podatke, potrebujemo robustne kvantitativne metrike. Te metrike nam omogočajo, da preidemo od subjektivnih ocen k objektivnim, merljivim indikatorjem. Ena izmed pogosto uporabljenih metrik je Disparate Impact Ratio (DIR). DIR meri razmerje med verjetnostjo ugodnega izida za privilegirano skupino in verjetnostjo ugodnega izida za neprivilegirano skupino. Formalno, če je P(Y=1|A=0) verjetnost ugodnega izida (npr. nižja premija) za privilegirano skupino (A=0) in P(Y=1|A=1) verjetnost ugodnega izida za neprivilegirano skupino (A=1), potem je DIR = P(Y=1|A=1) / P(Y=1|A=0). Splošno sprejeto pravilo je, da mora biti DIR med 0,8 in 1,25, da se algoritem šteje za poštenega. Če je DIR < 0,8, to kaže na diskriminatorno obravnavo neprivilegirane skupine, medtem ko DIR > 1,25 kaže na obratno. Pomembno je poudariti, da je prag 0,8 : 1,25 zgolj splošna smernica in ga je treba prilagoditi specifičnim kontekstom in regulativam.

Druga ključna metrika je Equal Opportunity Difference (EOD), ki se osredotoča na enake priložnosti med skupinami. EOD meri razliko v stopnji lažnih negativnih napovedi (False Negative Rate – FNR) med različnimi demografskimi skupinami, ko je izid pozitiven (Y=1). Formalno, EOD = |FNR(A=0) - FNR(A=1)|. Če je EOD blizu 0, to pomeni, da imajo vse skupine enake možnosti za pravično obravnavo, ko je dejanski izid ugoden. To je še posebej pomembno pri nezgodnih zavarovanjih, kjer želimo zagotoviti, da so dejanske nezgode enako natančno prepoznane ne glede na demografsko skupino posameznika. Poleg DIR in EOD obstajajo tudi druge metrike, kot so Statistical Parity Difference, Equalized Odds Difference, Predictive Parity Difference, ki se uporabljajo glede na specifične cilje poštenosti in naravo problema. Vsaka metrika zajema drugačen vidik poštenosti, zato je celovita analiza pogosto potrebna za resnično oceno poštenosti algoritma. Moja praksa mi narekuje, da pri teh analizah nikoli ne smemo pozabiti na konkretne stranke in njihov pogled na pravičnost.

Strategije za zmanjšanje pristranskosti v GAN-generiranih podatkih

Odkrivanje pristranskosti je le prvi korak; sledi nujno dejanje zmanjšanja in odpravljanja le-teh. Obstaja več strategij za zmanjšanje pristranskosti v GAN-generiranih podatkih in v modelih, ki jih uporabljajo. Ena izmed učinkovitih metod je predprocesiranje podatkov (angl. pre-processing debiasing), ki vključuje prilagajanje vhodnih podatkov pred usposabljanjem GAN-a. To lahko pomeni tehtanje podatkovnih točk, ponovno vzorčenje (angl. re-sampling) za uravnoteženje demografskih skupin ali transformacijo atributov, da se zmanjšajo korelacije med zaščitenimi atributi in izidi. Cilj je zagotoviti, da so izvorni podatki čim bolj pošteni in uravnoteženi, preden jih GAN začne obdelovati. Vendar je treba biti previden, saj preveč agresivno predprocesiranje lahko povzroči izgubo informacij ali zmanjšanje realizma sintetičnih podatkov.

Druga strategija je vprocesno zmanjšanje pristranskosti (angl. in-processing debiasing), kjer se mehanizmi za zmanjšanje pristranskosti vključijo neposredno v arhitekturo GAN-a ali proces usposabljanja. Sem spada na primer 'adversarial debiasing', kjer se poleg generatorja in diskriminatorja doda še tretji nasprotniški nevron, katerega naloga je preprečiti, da bi diskriminator napovedoval zaščitene atribute na podlagi generiranih podatkov. Cilj je, da se generirani podatki ne morejo uporabiti za razločevanje med demografskimi skupinami, kar zmanjšuje tveganje za pristranskost. Ta pristop je še posebej močan, saj 'sili' GAN, da generira podatke, ki so inherentno bolj pošteni. Poleg tega se lahko uporabijo tudi drugi pristopi, kot so regularizacijske tehnike, ki kaznujejo model, če generira pristranske podatke, ali pa uporaba specializiranih funkcij izgube, ki vključujejo pogoje poštenosti. Poprocesiranje (angl. post-processing debiasing) pa vključuje prilagoditve izidov modela po njegovem usposabljanju, vendar je manj zaželeno, saj se ne odpravlja vzrokov pristranskosti, ampak le blaži njene posledice. Ključno je, da se izbira strategije prilagodi specifičnim izzivom in ciljem zavarovalnice.

Transparentnost algoritmov in skladnost z regulativnimi zahtevami

V dobi umetne inteligence in obdelave velikih podatkov je transparentnost algoritmov postala ključnega pomena, še posebej v visoko reguliranih industrijah, kot je zavarovalništvo. Stranke imajo pravico razumeti, kako se določajo njihove premije in kako se obravnavajo njihovi škodni zahtevki. Uporaba GAN-generiranih podatkov lahko sicer pripomore k robustnosti modelov, vendar hkrati poveča kompleksnost in potencialno zmanjša razložljivost (angl. explainability) algoritmov. Zato je nujno razviti metode, ki omogočajo 'razpakiranje' delovanja GAN-ov in modelov, ki jih ti napajajo. Sem spadajo tehnike, kot so SHAP (SHapley Additive exPlanations) in LIME (Local Interpretable Model-agnostic Explanations), ki pomagajo razložiti, kateri atributi najbolj vplivajo na določeno napoved. Zgolj s transparentnostjo lahko zgradimo zaupanje med zavarovalnico in zavarovanci ter dokažemo, da so naši procesi pravični in etični.

Poleg etičnih načel moramo biti pri uporabi GAN-ov v zavarovalništvu izjemno pozorni tudi na skladnost z regulativnimi zahtevami. Zakon o zavarovalništvu (ZZavar-1) jasno določa načela enake obravnave in prepovedi diskriminacije. Prav tako je izjemno pomembna skladnost z Zakonom o varstvu osebnih podatkov (ZVOP-2) in Splošno uredbo o varstvu podatkov (GDPR), ki določata stroga pravila glede obdelave in varovanja osebnih podatkov. Čeprav GAN-i generirajo sintetične podatke, ki niso neposredno povezani z individualnimi osebami, je ključnega pomena zagotoviti, da ti sintetični podatki ne omogočajo 're-identifikacije' posameznikov iz originalne zbirke. Poleg tega mora biti proces odločanja, ki vključuje GAN-generirane podatke, dokumentiran in preverljiv, da se lahko preveri skladnost z vsemi zakonskimi določili in dobrimi poslovnimi praksami. Sodelovanje z regulatorji in strokovnjaki za varstvo podatkov je v tem procesu neprecenljivo. Zavarovalnice moramo prevzeti aktivno vlogo pri oblikovanju standardov in dobrih praks za etično in odgovorno uporabo AI tehnologij.

Kaj je krito in kaj ni krito: pomen natančnega modeliranja tveganj pri nezgodnih zavarovanjih

Pri nezgodnem zavarovanju so pogoji kritja izjemno specifični in natančni. Razumevanje, kaj je krito in kaj ne, je temeljno tako za zavarovance kot tudi za zavarovalnico pri učinkovitem in etičnem poslovanju. Standardno nezgodno zavarovanje pokriva telesne poškodbe, ki nastanejo kot posledica nenadnega in od volje zavarovanca neodvisnega dogodka – nezgode. To vključuje smrt, trajno invalidnost, začasno nezmožnost za delo, stroške zdravljenja ter bolečine in prestrašenost. Primeri kritih dogodkov so zlom roke pri padcu s kolesom, poškodba hrbtenice pri smučanju ali opekline pri domačem delu. Vse te dogodke je treba strokovno analizirati in kvantificirati njihovo tveganje, pri čemer lahko GAN-i pomagajo pri obravnavi redkih scenarijev, za katere imamo malo realnih podatkov. Moja praksa kaže, da se s kakovostnim modeliranjem tveganj izognemo neprijetnim presenečenjem in zagotovimo transparentnost, kar je ključno za zaupanje.

Kljub širokemu spektru kritja pa obstajajo določene izključitve, ki so del splošnih pogojev vsake zavarovalnice, neodvisno od regulativnih določil (npr. ZZavar-1). Tipično niso krite poškodbe, ki so posledica namernega samopoškodovanja, vojaških operacij, terorističnih dejanj, udeležbe v ekstremnih športih brez dodatnega kritja, bolezni (razen če bolezen nastane neposredno kot posledica nezgode) ali poškodbe, nastale pod vplivom alkohola ali drog. Če se pri modeliranju tveganj z GAN-i pojavijo pristranskosti, ki npr. ne upoštevajo določene poklicne skupine, izpostavljene določenim tveganjem, bi to lahko vodilo do napačnega določanja premij ali celo nepravilnega razumevanja izključitev. Zato je izjemno pomembno, da je modeliranje tveganj na podlagi generiranih podatkov usklajeno z dejanskimi pogoji zavarovanja in ne povzroča nepoštene obravnave zaradi statističnih anomalij, ki jih je algoritem sam ustvaril. Analitičen pristop nam omogoča, da se izognemo takšnim pastem.

Praktični primer: Optimizacija premij z GAN-generiranimi podatki in izzivi poštenosti

Predstavljajmo si zavarovalnico, ki želi optimizirati določanje premij za nezgodna zavarovanja s pomočjo GAN-generiranih podatkov, še posebej za scenarije z nizko pogostostjo, kot so npr. poškodbe pri specifičnih, a redkih amaterskih športih (npr. ultramaraton). Zavarovalnica ima zgodovinske podatke o nezgodah, vendar so ti za določene skupine ali dogodke redki. Odloči se za usposabljanje GAN-a na obstoječih podatkih, da bi generirala dovolj obsežen sintetični nabor podatkov za bolj robustno modeliranje tveganj. Cilj je ustvariti model, ki bo natančneje napovedoval verjetnost nezgode in stroške zdravljenja za različne profile zavarovancev. Po usposabljanju in integraciji GAN-a v sistem za določanje premij se opazi, da so nekatere premije za določene demografske skupine, npr. za mlajše moške med 25 in 35 letom, ki se ukvarjajo z visokorizičnimi športi, bistveno višje, kot bi se pričakovalo na podlagi predhodnih modelov, medtem ko so za starejše ženske v bolj statičnih poklicih nespremenjene.

Kvantitativna analiza poštenosti z uporabo Disparate Impact Ratio (DIR) pokaže, da je za to skupino mlajših moških DIR = 0,65, kar pomeni, da imajo 35 % manjšo verjetnost za ugodno premijo v primerjavi s privilegirano skupino. Nadaljnja preiskava pokaže, da so bili v izvornih podatkih za to specifično kategorijo tveganja primeri sicer redki, a so vključevali nekaj zelo visokih škodnih zahtevkov. GAN je te redke, a visoke škodne primere prekomerno poudaril v generiranih podatkih, kar je vodilo do precenjevanja tveganja za celotno demografsko skupino. Zavarovalnica se odloči za implementacijo tehnike adversarial debiasing med usposabljanjem GAN-a in ponovno testiranje. Po tej korekciji se DIR za to skupino izboljša na 0,92, kar je v sprejemljivih mejah poštenosti (0,8–1,25). To kaže na pomen iterativnega pristopa, kjer se poleg natančnosti modela nenehno spremlja in optimizira tudi njegova poštenost. To je konkreten dokaz, da so tehnične rešitve za poštenost izvedljive in nujne.

Zaključek: Pomen etičnega in robustnega pristopa v dobi AI

Vstopamo v obdobje, kjer umetna inteligenca, vključno z GAN-i, postaja neizogiben del zavarovalniškega poslovanja. Potencial za optimizacijo procesov, izboljšanje natančnosti modeliranja tveganj in ponudbo bolj prilagojenih produktov je ogromen. Vendar pa je nujno, da se zavedamo odgovornosti, ki jo prinaša uporaba tako močnih orodij. Moja izkušnja me uči, da je v zavarovalništvu zaupanje valuta, ki se najtežje pridobi in najlažje izgubi. Zato moramo kot strokovnjaki in zavarovalne zastopnice zagotoviti, da so vse tehnološke inovacije implementirane na etičen, pošten in transparenten način. To pomeni nenehno spremljanje pristranskosti, uporabo robustnih metrik za poštenost in vlaganje v strategije za zmanjšanje nepoštene obravnave. Samo tako lahko zagotovimo dolgoročno vzdržnost in integriteto našega poslovanja.

Zakonodaja, kot je ZZavar-1, ZPIZ-2 in relevantne določbe ZZVZZ, postavlja pravni okvir, vendar etika presega zgolj skladnost z zakoni. Gre za zavzemanje za pravično obravnavo vsakega posameznika in zagotavljanje, da so naši algoritmi podpora, ne pa ovira pri tem cilju. Pri Petka-zavarovanja.si smo zavezani k temu, da našim strankam ne ponujamo le najboljših zavarovalnih rešitev, temveč tudi, da so te rešitve podprte z najvišjimi etičnimi standardi in tehnološko integriteto. Verjamem, da le s takšnim pristopom lahko v prihodnosti gradimo močno, zaupanja vredno in trajnostno zavarovalno industrijo. Skupaj lahko premostimo izzive in izkoristimo priložnosti, ki jih prinaša digitalna transformacija, in pri tem ostanemo zvesti vrednotam poštenosti in zanesljivosti.

Pogosta vprašanja

Kaj so GAN-i in zakaj so pomembni za zavarovalništvo?

GAN-i (Generative Adversarial Networks) so umetna inteligenca, ki ustvarja sintetične podatke, podobne realnim. V zavarovalništvu so ključni za modeliranje tveganj, zlasti za redke dogodke, varovanje zasebnosti podatkov in testiranje modelov, saj omogočajo robustnejše analize in prilagajanje produktov.

Kaj je pristranskost (bias) v GAN-generiranih podatkih?

Pristranskost je nepoštena ali neenakopravna predstavitev določenih skupin v generiranih podatkih. Lahko nastane iz pristranskih izvornih podatkov ali iz samega algoritma, kar vodi do nepoštenih izidov, kot so neupravičeno višje premije za nekatere demografske skupine v zavarovalništvu.

Kako merimo poštenost algoritmov?

Poštenost algoritmov merimo s kvantitativnimi metrikami, kot sta Disparate Impact Ratio (DIR) in Equal Opportunity Difference (EOD). DIR meri razmerje ugodnih izidov med skupinami, EOD pa razlike v stopnji lažnih negativnih napovedi, kar pomaga pri objektivni oceni diskriminacije.

Katere so strategije za zmanjšanje pristranskosti?

Strategije vključujejo predprocesiranje (prilagoditev izvornih podatkov), vprocesno zmanjšanje (vključitev mehanizmov za poštenost v arhitekturo GAN-a, npr. adversarial debiasing) in poprocesiranje (prilagoditev izidov). Najbolj učinkovite so vprocesne metode, ki zmanjšujejo pristranskost neposredno v procesu generiranja podatkov.

Zakaj je transparentnost algoritmov pomembna v zavarovalništvu?

Transparentnost omogoča razumevanje delovanja algoritmov in kako vplivajo na določitev premij in obravnavo škod. Pomembna je za izgradnjo zaupanja strank in zagotavljanje skladnosti z zakoni (npr. GDPR, ZZavar-1), ki zahtevajo razložljivost in preverljivost avtomatiziranih odločitev.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Uradni list RS – Zakon o pokojninskem in invalidskem zavarovanju (ZPIZ-2)
• Uradni list RS – Zakon o zdravstvenem varstvu in zdravstvenem zavarovanju (ZZVZZ)
• Agencija za zavarovalni nadzor (AZN) – Smernice za uporabo AI v zavarovalništvu (informativne)
• Evropska komisija – Akt o umetni inteligenci (AI Act) – Predlog

Nadaljujte branje o tej temi

Povezave so izbrane samodejno glede na steber zaščite in ključne besede te objave.

• 
  Primer: Tehnični vpogledi

  Določitev upravičencev in izključitve kritja pri življenjskem zavarovanju

• 
  Primer: Tehnični vpogledi

  Družinska anamneza in genetski testi: Kaj morate razkriti ob sklenitvi

• 
  Primer: Tehnični vpogledi

  Odkupna vrednost naložbenih polic in specifičnosti življenjskega zavarovanja za s.p.

• 
  Primer: Tehnični vpogledi

  Anamneza in zdravstveni vprašalnik: Zakaj je iskrenost pogoj za izplačilo

• 
  Primer: Tehnični vpogledi

  Izračun zavarovalne vsote in pravila prekinitve riziko življenjske police