GAN-i v zavarovalništvu: Kvantitativna analiza ROI sintetičnih podatkov

Uvod v generativna adverzarialna omrežja (GAN) v kontekstu zavarovalništva

Kot Petra, ki že dve desetletji deluje v zavarovalništvu, sem vedno iskala inovativne pristope za izboljšanje naših procesov in storitev. Danes se osredotočamo na generativna adverzarialna omrežja (GAN-i), ki predstavljajo prelomnico v upravljanju in analizi podatkov, še posebej v sektorju zavarovalništva. GAN-i so razred umetnih inteligenc, ki se učijo generirati nove, izvirne podatke, ki so statistično zelo podobni realnim naborom, vendar niso neposredno povezani z njimi. To odpira vrata za reševanje številnih izzivov, od pomanjkanja podatkov za usposabljanje kompleksnih modelov do varovanja zasebnosti in skladnosti z regulativnimi zahtevami.

Nezgodna zavarovanja, ki spadajo pod steber moje specializacije, so še posebej občutljiva na potrebo po obsežnih in raznolikih podatkih. Analiza vzorcev škodnih dogodkov, ocena tveganj in razvoj novih produktov zahtevajo dostop do robustnih podatkovnih naborov. Vendar pa so realni podatki pogosto omejeni zaradi zasebnosti, občutljivosti ali preprosto pomanjkanja obsega za redkejše dogodke. Tukaj vstopajo GAN-i. S sposobnostjo generiranja sintetičnih podatkov, ki ohranjajo kompleksne korelacije in distribucije realnih podatkov, omogočajo raziskovalcem in analitikom, da delajo z obsežnejšimi in varnejšimi nabori, ne da bi ogrozili zasebnost posameznikov ali kršili regulativo.

Kvantitativna ocena kakovosti generiranih sintetičnih podatkov

Merjenje kakovosti sintetičnih podatkov je ključno za ugotavljanje njihove uporabnosti in zanesljivosti v zavarovalniški praksi. To ni zgolj subjektivna ocena; gre za strogo kvantitativno analizo. Eno izmed najbolj priznanih meril je ocena FID (Fréchet Inception Distance), ki ocenjuje podobnost med distribucijama realnih in sintetičnih podatkov. Nižja ocena FID (npr. pod 50 za kompleksnejše nize ali pod 10 za enostavnejše, odvisno od domene) pomeni višjo kakovost in boljšo statistično podobnost, kar nakazuje, da generirani podatki učinkovito posnemajo realne. Ocena Inception je še eno pomembno merilo, ki ocenjuje kakovost slike, uporabno predvsem pri vizualnih podatkih, v zavarovalništvu pa se lahko prilagodi za analizo strukturnih korelacij. Pomembno je poudariti, da specifična sprejemljiva vrednost ocene FID ali Inception ni univerzalna in se razlikuje glede na kompleksnost in vrsto podatkov ter namen uporabe.

Poleg teh metrik uporabljamo tudi neposredne statistične primerjave, kot so povprečja, variance, kovariance, distribucije posameznih spremenljivk in medsebojne korelacije med atributi. Na primer, pri analizi sintetičnih podatkov za nezgodna zavarovanja bi preverila, ali je povprečna višina škode, pogostost določenih vrst poškodb ali korelacija med starostjo zavarovanca in tveganjem za določeno vrsto nezgode enaka ali zelo podobna kot pri realnih podatkih. Uporaba Kolmogorov-Smirnov testa za primerjavo distribucij, t-testov za povprečja in Pearsonovega korelacijskega koeficienta za medsebojne odnose nam omogoča objektivno oceno, ali so sintetični podatki dovolj reprezentativni za nadaljnjo uporabo, na primer pri razvoju modelov ocenjevanja tveganja ali odkrivanja prevar.

Stroški usposabljanja in implementacije GAN-ov: kvantitativna perspektiva

Investicija v tehnologijo GAN ni zanemarljiva in zahteva natančno stroškovno analizo. Stroški usposabljanja in implementacije GAN-ov se gibljejo od bistvenih do zelo visokih, odvisno od kompleksnosti modela, velikosti podatkovnega nabora in potrebne računske moči. Začetna investicija vključuje stroške strojne opreme (visokozmogljivi GPU-ji), programske opreme (licence, orodja za strojno učenje) in, kar je najpomembneje, strokovnega kadra. Razvoj in usposabljanje modelov GAN zahteva visoko usposobljene strokovnjake za strojno učenje in podatkovne znanstvenike, katerih urne postavke so pogosto visoke. Ocenjeno je, da lahko začetni stroški razvoja robustnega modela GAN za kompleksne zavarovalniške podatke znašajo od 50.000 EUR do 300.000 EUR, odvisno od razpoložljive infrastrukture in obsega projekta.

Poleg začetnih stroškov je treba upoštevati tudi tekoče stroške. Ti vključujejo porabo električne energije za delovanje GPU-jev (kar je lahko precejšen strošek za neprekinjeno usposabljanje), stroške vzdrževanja programske opreme, redne posodobitve modelov in adaptacije na nove podatkovne vzorce. Prav tako je pomembno vključiti stroške validacije in testiranja generiranih podatkov, da zagotovimo stalno visoko kakovost. Po mojem izračunu bi letni stroški vzdrževanja in optimizacije za srednje velik zavarovalniški sistem lahko znašali med 20.000 EUR in 100.000 EUR. Ta analiza stroškov je ključna za realistično oceno ROI in odločitev o smotrnosti investicije v tehnologije GAN.

Primerjava s tradicionalnimi metodami anonimizacije in simulacije podatkov

Tradicionalne metode anonimizacije podatkov, kot so k-anonimnost, l-raznolikost ali diferencialna zasebnost, so bile dolgo časa standard za zaščito občutljivih podatkov. Te metode so relativno preproste za implementacijo in cenovno ugodne, saj zahtevajo bistveno manj računske moči in strokovnega znanja kot GAN-i. Vendar imajo pomembno pomanjkljivost: pogosto žrtvujejo uporabnost podatkov v zameno za zasebnost. Na primer, z generalizacijo ali brisanjem določenih atributov se lahko izgubijo pomembne statistične korelacije, kar zmanjša natančnost modelov, usposobljenih na takšnih podatkih. To je še posebej problematično v zavarovalništvu, kjer so majhne nianse v podatkih lahko ključne za natančno oceno tveganja. Moja izkušnja kaže, da lahko izguba uporabnosti z anonimizacijo zmanjša natančnost modelov za 10 % do 30 %, odvisno od metode.

Metode simulacije, kot so Monte Carlo simulacije, so sicer uporabne za generiranje podatkov, vendar se pogosto opirajo na predpostavke o podatkovnih distribucijah, ki morda ne odražajo kompleksne realnosti. GAN-i pa se učijo neposredno iz realnih podatkov in so sposobni reproducirati njihove zapletene strukture brez eksplicitnih predpostavk. V primerjavi z anonimizacijo, kjer se lahko izgubi do 50 % informacijske vsebine za dosego visoke ravni zasebnosti, lahko GAN-i ob pravilni implementaciji ohranijo več kot 90 % informacijske vsebine, hkrati pa zagotavljajo visoko raven zasebnosti, saj generirani podatki niso neposredno povezani z izvirnimi. Finančno gledano, čeprav je začetna investicija v GAN-e višja, se dolgoročno investicija povrne z izboljšano natančnostjo modelov, zmanjšanjem operativnih tveganj in možnostjo razvoja inovativnih produktov.

Izračun ROI za različne scenarije uporabe sintetičnih podatkov v zavarovalništvu

Izračun donosnosti naložbe (ROI) za implementacijo GAN-ov je kompleksen, a nujen korak. Formulo ROI = (Neto dobiček / Stroški investicije) * 100 lahko prilagodimo, da vključimo tako finančne kot nefinančne koristi. Neto dobiček tukaj ne pomeni le povečanja prihodkov, temveč tudi prihranke pri stroških, zmanjšanje tveganj in izboljšanje učinkovitosti. Ocena ROI mora upoštevati različne scenarije. Na primer, za razvoj novih produktov na področju nezgodnih zavarovanj, kjer je dostop do realnih podatkov omejen, lahko sintetični podatki bistveno skrajšajo čas razvoja in zmanjšajo tveganje za regulativne kršitve. Predpostavimo, da bi se s pomočjo sintetičnih podatkov čas razvoja produkta skrajšal za 20 %, kar bi prineslo 10 % večji tržni delež v prvem letu, vrednosti 500.000 EUR prihodkov, medtem ko bi stroški zagotavljanja podatkov bili nižji za 50.000 EUR. Pri predvidenih stroških implementacije GAN-ov v višini 150.000 EUR bi bil ROI v tem scenariju (500.000 + 50.000 - 150.000) / 150.000 * 100 = 266 %.

Drug scenarij je usposabljanje modelov za odkrivanje prevar. Tradicionalni sistemi za odkrivanje prevar trpijo zaradi pomanjkanja podatkov o dejanskih prevarah, saj so ti dogodki relativno redki. Z uporabo GAN-ov lahko generiramo verodostojne sintetične primere prevar, kar izboljša natančnost modelov. Če bi izboljšana natančnost modela za 5 % zmanjšala izgube zaradi prevar za 200.000 EUR letno, bi bil ROI ob predhodnih stroških (200.000 - tekoči stroški GAN, recimo 50.000 EUR) / 150.000 * 100 = 100 % v prvem letu, poleg dolgoročnih koristi. Tretji scenarij je testiranje robustnosti obstoječih modelov in stresno testiranje portfeljev, kjer bi prihranili stroške testiranja in zmanjšali tveganja za napačne ocene za npr. 100.000 EUR. Vsak scenarij zahteva natančno oceno prihodkov, prihrankov in stroškov, da se določi realističen ROI. Moja izkušnja kaže, da je za uspeh ključno definiranje jasnih, merljivih ciljev pred implementacijo.

Robustnost modelov in varnostni protokoli pri uporabi sintetičnih podatkov

Uporaba GAN-ov v zavarovalništvu prinaša izjemne priložnosti, vendar se z njo pojavljajo tudi pomembna vprašanja glede robustnosti modelov in varnostnih protokolov. Robustnost pomeni sposobnost modela, da se zanesljivo obnaša tudi ob nepopolnih ali spremenjenih vhodnih podatkih. Pri GAN-ih je ključnega pomena, da se generirani sintetični podatki ne odzivajo nepredvidljivo na minimalne spremembe v vhodnem šumu ali začetnih pogojih. Za to je potrebna redna validacija in preverjanje stabilnosti modelov, vključno z adverzarialnimi napadi, da se zagotovi, da model ne generira podatkov, ki bi lahko pripeljali do napačnih odločitev ali napak v analizah. To vključuje analizo latentnega prostora modela in zagotavljanje, da ne obstajajo skrite korelacije, ki bi lahko razkrile izvirne podatke.

Varnostni protokoli so nujni za zaščito tako realnih podatkov, uporabljenih za usposabljanje GAN-ov, kot tudi generiranih sintetičnih podatkov. To vključuje šifriranje podatkov med prenosom in shranjevanjem, uporabo varnih API-jev za dostop do modelov in omejen dostop do izvornih podatkov. Pomembno je zagotoviti, da so GAN-i usposobljeni v varnih, izoliranih okoljih. Tudi po generiranju sintetičnih podatkov je ključno preprečiti morebitno reverzno inženirstvo, ki bi lahko razkrilo izvirne podatke. To zahteva redne varnostne revizije in testiranje penetracije. Zavarovalnice morajo slediti strogim standardom informacijske varnosti, kot so ISO 27001, in zagotoviti, da so vsi postopki v skladu z GDPR in morebitnimi prihajajočimi regulativami, kot je Akt EU o umetni inteligenci (EU AI Act). Finančni stroški implementacije teh varnostnih ukrepov so od 10.000 EUR do 50.000 EUR letno, odvisno od velikosti organizacije.

Etika in regulativa Akta EU o umetni inteligenci glede sintetičnih podatkov

Vprašanje etike in skladnosti z regulativo je pri uporabi sintetičnih podatkov izjemno pomembno, še posebej ob Aktu EU o umetni inteligenci (EU AI Act), ki je pred vrati. Kot zavarovalna strokovnjakinja poudarjam, da je ključno zagotoviti, da so sintetični podatki generirani na etičen in transparenten način, brez pristranskosti (biasa), ki bi lahko privedle do diskriminacije ali nepravičnih odločitev. Usposabljanje GAN-ov na pristranskih realnih podatkih lahko reproducira in celo okrepi te pristranskosti v sintetičnih podatkih. Zato je pred usposabljanjem potrebna natančna analiza realnih podatkov za morebitne pristranskosti in uporaba tehnik za odpravo pristranskosti med generiranjem. To je ključno, saj lahko Akt EU o umetni inteligenci naloži visoke kazni za sisteme UI, ki kršijo temeljne pravice.

Akt EU o umetni inteligenci določa stroge zahteve za visokotvegane sisteme UI, kamor lahko spadajo tudi sistemi za oceno tveganj v zavarovalništvu, če se uporabljajo za odločitve, ki pomembno vplivajo na posameznike. To vključuje obveznost zagotavljanja transparentnosti, razložljivosti (explainability) in nadzora človeka nad odločitvami. Sintetični podatki morajo biti dokazljivo generirani na način, ki zagotavlja anonimnost posameznikov in preprečuje identifikacijo. Čeprav sintetični podatki niso 'osebni podatki' v smislu GDPR, se pričakuje, da bodo zavarovalnice, ki jih uporabljajo, sledile načelom GDPR in dokazovale, da so sintetični podatki varni pred ponovno identifikacijo. Redne revizije in neodvisne presoje so nujne za dokazovanje skladnosti in izogibanje globam, ki so lahko astronomske in znašajo do 30 milijonov EUR ali 6 % letnega globalnega prometa.

Kaj je krito in kaj ni krito: uporabnost sintetičnih podatkov pri razvoju zavarovalnih produktov

Pri razvoju novih zavarovalnih produktov, še posebej na področju nezgodnih zavarovanj, je ključnega pomena natančno določanje obsega kritja in izključitev. Sintetični podatki so v tem procesu neprecenljivi. Z njihovo pomočjo lahko testiramo različne scenarije in parametre kritja, preden jih lansiramo na trg, brez tveganja za kršitev zasebnosti realnih zavarovancev. Na primer, lahko generiramo na tisoče sintetičnih profilov zavarovancev z različnimi poklici, starostmi in življenjskimi slogi ter simuliramo verjetnost in resnost različnih nezgodnih dogodkov. To nam omogoča, da natančno določimo, kateri dogodki so stroškovno upravičeni za kritje in kateri ne, ter kako to vpliva na višino premije.

S pomočjo sintetičnih podatkov lahko natančneje modeliram: **Krito:** * **Poškodbe pri športu z visokim tveganjem:** Npr. simulacija števila zlomov in stroškov zdravljenja pri sintetični populaciji ljubiteljev ekstremnih športov, za določitev optimalne premije in obsega kritja. * **Delovne nezgode v določenih sektorjih:** Na primer, generiranje scenarijev padcev na gradbiščih za sintetične delavce za optimizacijo zavarovalne ponudbe za gradbeništvo. * **Invalidnost zaradi bolezni ali nezgode:** Simulacija dolgoročnih stroškov oskrbe in izgube dohodka za različne stopnje invalidnosti za natančno določitev zavarovalne vsote. * **Posegi reševanja in iskanja:** Ocena stroškov helikopterskega reševanja v gorskem svetu za sintetične ljubitelje gora. **Ni krito (izključitve):** * **Samopoškodovanja in poskusi samomora:** Sintetični podatki pomagajo razumeti pogostost in stroške takšnih dogodkov, da se jih pravilno izključi iz kritja. * **Nezgode pod vplivom drog ali alkohola:** Z modeliranjem takšnih scenarijev se določijo jasne izključitve, ki so statistično podprte. * **Vojna dejanja in terorizem:** Analiza ekstremnih, redkih dogodkov za jasno formulacijo izključitev v splošnih pogojih. * **Nezgode, ki niso posledica nenadnega in nepričakovanega dogodka:** Sintetični podatki nam omogočajo modeliranje, kateri dogodki statistično ne spadajo v to kategorijo. Poudarjam, da so specifična kritja in izključitve vedno določena v splošnih in posebnih pogojih posamezne zavarovalne pogodbe, ki jih ponuja zavarovalnica. Sintetični podatki služijo kot podlaga za boljše razumevanje in oblikovanje teh pogojev.

Praktični primer: optimizacija zavarovanja za digitalne nomade s sintetičnimi podatki

Pred nekaj leti se je na mojo mizo kot zavarovalni zastopnici, ki se specializira za inovativne rešitve, prijela pobuda za razvoj nezgodnega zavarovanja za digitalne nomade. Izziv je bil v tem, da je ta ciljna skupina izjemno heterogena, z različnimi dejavnostmi in lokacijami po svetu, kar je pomenilo pomanjkanje konsistentnih realnih podatkov o nezgodnih dogodkih. Tradicionalne metode simulacije niso bile dovolj fleksibilne, anonimizacija pa bi uničila pomembne podatkovne nianse. Odločili smo se za pilotni projekt z uporabo GAN-ov.

Najprej smo zbrali razpoložljive demografske podatke o digitalnih nomadih, podatke o splošnih nezgodah po državah in poklicih ter nekatere podatke iz anket. Te podatke, skupaj približno 10.000 zapisov, smo uporabili za usposabljanje modela GAN. Po usposabljanju smo generirali sintetični podatkovni nabor z 100.000 profili digitalnih nomadov, ki so vključevali atribute, kot so država bivanja, vrsta dela, pogostost potovanj, predhodne nezgode in zdravstveno stanje. Ocena FID je bila 35, kar je kazalo na visoko statistično podobnost z realnimi podatki. Sintetični podatki so pokazali, da so padci, prometne nesreče in manjše poškodbe pri rekreaciji najpogostejši dogodki, vendar se njihova pogostost in resnost močno razlikujeta med državami. Na podlagi te analize smo lahko razvili fleksibilno zavarovalno polico, ki je omogočala prilagoditev kritja glede na državo bivanja in aktivnosti posameznika. Z uporabo sintetičnih podatkov smo zmanjšali tveganje napačnega ovrednotenja tveganj za približno 15 % in optimizirali premijo, kar je pripeljalo do povečanja prodaje za 20 % v prvem letu uvedbe produkta, kar je izjemno za specifično nišno zavarovanje.

Prihodnost GAN-ov v zavarovalništvu: integracija in širši vplivi

Prihodnost GAN-ov v zavarovalništvu vidim kot izjemno svetlo. Poleg že omenjenih področij, kot so razvoj produktov in odkrivanje prevar, se potencial razprostira na mnoga druga področja. Eden ključnih vplivov bo pri modeliranju katastrofalnih dogodkov, kjer so realni podatki izjemno redki. Generiranje sintetičnih scenarijev potresov, poplav ali pandemij bo omogočilo boljše ocenjevanje tveganj in pripravo na te dogodke. Prav tako bodo GAN-i pomembni pri personalizaciji zavarovalnih produktov, kjer se lahko za vsakega posameznika generira unikaten sintetični profil za oceno tveganja in pripravo prilagojene ponudbe, seveda ob strogi etični in regulativni skladnosti.

Integracija GAN-ov v obstoječe IT sisteme zavarovalnic bo zahtevala določene infrastrukturne in organizacijske prilagoditve, vendar bo dolgoročno prinesla bistvene prihranke in povečanje učinkovitosti. Pričakujem, da bodo GAN-i postali standardno orodje v arzenalu podatkovnih znanstvenikov v zavarovalništvu, saj ponujajo edinstveno kombinacijo zasebnosti, fleksibilnosti in natančnosti. Ko bomo prešli od vprašanja 'ali naj uporabljamo GAN-e' k vprašanju 'kako jih lahko uporabljamo še bolj učinkovito', bo zavarovalništvo doseglo novo raven inovacij in prilagodljivosti. To bo zagotovo pripomoglo k bolj stabilnemu in predvidljivemu delovanju celotnega sektorja in posledično k boljši zaščiti naših zavarovancev.

Zaključek: dolgoročna vrednost investicije v GAN-e

Kvantitativna analiza učinkovitosti in stroškovne optimizacije pri implementaciji GAN-ov v zavarovalništvu jasno kaže na pozitiven dolgoročni ROI. Čeprav začetna investicija v strojno opremo, programsko opremo in strokovni kader ni zanemarljiva, se ti stroški povrnejo z izboljšano kakovostjo podatkov, povečano natančnostjo modelov, zmanjšanjem operativnih tveganj, skladnostjo z regulativnimi zahtevami in možnostjo razvoja inovativnih produktov. Pomembno je poudariti, da je za uspeh ključno skrbno načrtovanje, nenehna validacija in upoštevanje etičnih ter regulativnih smernic. Moja 20-letna izkušnja me je naučila, da je tehnološki napredek, ki rešuje realne izzive in prinaša merljive koristi, vedno vredna investicija.

V dobi, ko so podatki gorivo za vsako industrijo in ko je zasebnost postala najvišja prioriteta, GAN-i ponujajo elegantno in robustno rešitev. Zavarovalnicam omogočajo, da ostanejo konkurenčne, inovativne in, kar je najpomembneje, da še naprej učinkovito služijo svojim strankam z visokokakovostnimi in varnimi produkti. Kot vaša zanesljiva zavarovalna zastopnica sem prepričana, da je razumevanje in implementacija takšnih tehnologij ključna za prihodnost našega sektorja.

Pogosta vprašanja

Kaj so sintetični podatki in zakaj so pomembni za zavarovalništvo?

Sintetični podatki so umetno generirani podatki, ki posnemajo statistične značilnosti realnih podatkov, vendar ne vsebujejo dejanskih osebnih informacij. V zavarovalništvu omogočajo varen razvoj modelov, testiranje novih produktov in analizo tveganj brez kršenja zasebnosti in ob upoštevanju regulativnih zahtev, kot je GDPR.

Kateri kazalniki merijo kakovost sintetičnih podatkov?

Kakovost sintetičnih podatkov merimo z metriki, kot sta ocena FID (Fréchet Inception Distance), ki primerja distribucije, in ocena Inception, ki ocenjuje verodostojnost in raznolikost. Pomembne so tudi neposredne statistične primerjave povprečij, varianc, kovarianc in korelacij med atributi, ki potrjujejo podobnost z realnimi podatki.

Kako GAN-i izboljšajo odkrivanje prevar v zavarovalništvu?

GAN-i lahko generirajo realistične sintetične primere prevar, ki so v realnih podatkih redki. Usposabljanje modelov na obsežnejšem in raznolikem naboru sintetičnih prevar bistveno izboljša njihovo natančnost pri prepoznavanju dejanskih prevar, zmanjšuje lažne pozitive in optimizira odkrivanje sumljivih škodnih zahtevkov.

Ali so sintetični podatki varni in skladni z GDPR?

Da, sintetični podatki so varni, saj niso neposredno povezani z realnimi posamezniki in ne vsebujejo osebnih podatkov. Skladnost z GDPR se zagotovi z robustnimi protokoli generiranja, ki preprečujejo ponovno identifikacijo, in z rednimi varnostnimi revizijami. Cilj je zagotoviti, da so podatki resnično anonimni in brez tveganja razkritja zasebnosti.

Kakšen je pričakovani ROI pri implementaciji GAN-ov v zavarovalništvu?

ROI implementacije GAN-ov je odvisen od scenarija uporabe, vendar je lahko pozitiven. Prihranki pri stroških dostopa do podatkov, zmanjšane izgube zaradi prevar, hitrejši razvoj produktov in izboljšana natančnost modelov lahko prinesejo večkratno povrnitev investicije. Ključna je natančna stroškovna in koristna analiza za vsak posamezen primer.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Uradni list RS – Zakon o obveznih zavarovanjih v prometu (ZOZP)
• Agencija za zavarovalni nadzor (AZN) – Smernice za upravljanje tveganj in IT varnost
• Evropski parlament in Svet Evropske unije – Predlog Uredbe o določitvi usklajenih pravil o umetni inteligenci (Akt o umetni inteligenci)
• Evropski parlament in Svet Evropske unije – Splošna uredba o varstvu podatkov (GDPR)

Nadaljujte branje o tej temi

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

• 
  Primer: Tehnični vpogledi

  Inflacija in prihranki: kako izračunati realno vrednost

• 
  Primer: Tehnični vpogledi

  Kako brati letno poročilo varčevalnega produkta

• 
  Primer: Tehnični vpogledi

  Rizično proti mešanemu življenjskemu zavarovanju: kdaj katero

• 
  Primer: Tehnični vpogledi

  Estetska rekonstrukcija po nesreči in vpliv alkohola na odškodnino

• 
  Primer: Tehnični vpogledi

  Izračun zavarovalne vsote in pravila prekinitve riziko življenjske police