Proceedings of the International scientific and practical conference ―Science and Society in Times of War‖ (June 5-7, 2026) / Publisher website: www.naukainfo.com. – Kharkiv, Ukraine, 2026. - 417 p.

29 underwriting). Цей підхід передбачає, що страхові компанії аналізують не лише стандартні анкети клієнтів, а й велику кількість неструктурованих даних: цифровий слід, дані геолокації, фінансову активність, історію онлайн- транзакцій та навіть соціальні мережі. Водночас розвивається концепція страхування, орієнтована на поведінку – behavior-based insurance – яка передбачає персоналізацію страхових тарифів відповідно до фактичної поведінки користувача. Наприклад, телематика в автострахуванні, де митний тариф безпосередньо залежить від стилю водіння, зафіксованого за допомогою спеціальних пристроїв або мобільних додатків. Проте така персоналізація створює умови, в яких невидимі форми дискримінації можуть стати прихованими і тяжко виявлятися за допомогою існуючих контролів захисту. Це і є упередження в проєктуванні алгоритмів як системної проблеми. Воно стає підґрунтям для виникнення алгоритмічної дискримінації. Дослідники Мірко Глінтіч та Мілош Безбрадіца вказують на те, що використання штучного інтелекту неминуче призводить до відхилення між математичною моделлю та реальною соціальною дійсної [3]. У цьому випадку головною причиною алгоритмічної упередженістю буде не помилка в програмному забезпеченні, а саме походження даних моделі. Більшість алгоритмів машинного навчання використовують історичні дані з актуальними соціально-економічними та політичними нерівностями. Технічно об‘єктивна система зберігає ці шаблони та здатна відтворювати їх у майбутніх рішеннях. Таким чином, ця упередженість має потенціал провокувати дискримінацію та нерівне ставлення до страхувальників. Особливо складним прикладом цього явища є проксі-дискримінація. Навіть якщо розробники програмного забезпечення вилучать явні, прямі ознаки – наприклад, за расою, статтю чи релігією – ШІ-система здатна самостійно знайти інші індикатори, які статистично збігаються з цими характеристиками. Такими проксі-індикаторами можуть виступати, але не обмежуються, поштовий індекс, тип використаного гаджету, рівень освіти, а також цифрова активність.