کلاهبرداری بیمه‌ای از ابتدای تأسیس سازمان‌های بیمه وجود داشته است. جرایم متنوع و پیچیده‌ای که اغلب مورد توجه قرار نمی‌گیرند و سالانه میلیاردها دلار برای صنعت بیمه هزینه می‌تراشند. تنها در ایالات متحده، خسارت ناشی از مطالبات بیمه جعلی در سال 2019 به 34 میلیارد دلار رسید. انواع مختلف بیمه مستعد جرائم مختلف هستند، اما در بیشتر موارد، خسارت عمدی به کالای بیمه شده یا به دست آوردن کالا بدون پرداخت هزینه گزارش شده است. تشخیص تقلب بیمه‌ای می تواند دشوار باشد زیرا هر ادعایی را نمی‌توان به طور کامل بررسی کرد.
تجزیه و تحلیل سنتی در تقابل با تشخیص تقلب بر اساس یادگیری ماشینی
در حالت ایده‌آل، یک نماینده بیمه می‌تواند هر یک از موارد تخلف را بررسی کند و به این نتیجه برسد که آیا واقعی است یا خیر. با این حال، این فرآیند نه تنها زمانبر بلکه هزینه‌بر نیز هست. تأمین منابع و تأمین مالی نیروی کار ماهر مورد نیاز برای بررسی هر یک از هزاران ادعایی که در روز ثبت می‌شوند، غیرممکن به نظر می‌رسد.
کارآمدترین استراتژی شناخته شده تاکنون یک سیستم محاسبه‌ی کامپیوتری است. با این حال، فناوری‌های موجود در گذشته تنها امکان تحلیل ابتدایی را با دقت محدود فراهم می‌کردند. حتی با توجه به شناسایی یک ادعای تقلبی بالقوه، یک نماینده بیمه باید تحقیقات بیشتری را انجام دهد.
پرچم‌های قرمز در سیستم‌های رایانه‌ای سنتی به عنوان نشانگرهای تقلبی شناخته می‌شوند.
سیستم‌های رایانه‌ای سنتی به دنبال پرچم‌های قرمز بودند که به عنوان نشانگرهای تقلبی شناخته می‌شوند. اینها از قبل برنامه ریزی شده بودند، به این معنی که ادعاهای تقلبی باید در قالب خاصی قرار می‌گرفتند وگرنه شناسایی نمی‌شدند. از آن زمان فناوری‌های پیشرفته‌تری توسعه یافته‌اند و امکان تجزیه و تحلیل پویاتر از داده‌های خسارت بیمه را فراهم می‌کنند.
یادگیری ماشینی: گامی بزرگ در تشخیص تقلب
یادگیری ماشین بخشی از هوش مصنوعی (AI) است. ایده پشت هوش مصنوعی ایجاد یک سیستم کامپیوتری است که می‌تواند در تجزیه و تحلیل پیچیده شرکت کند و نه تنها جایگزین ورودی‌های انسانی شود، بلکه آن را بهبود بخشد. یادگیری ماشینی از هوش مصنوعی استفاده می‌کند و به سیستم‌ها توانایی یادگیری و بهبود از تجربه، بدون برنامه‌نویسی اضافی را می‌دهد. برای انجام این کار، سیستم ها مجموعه داده‌های بزرگ و برچسب گذاری شده را تجزیه و تحلیل می کنند. هوش مصنوعی می‌تواند وظایف اولیه را به عهده بگیرد و عوامل انسانی را آزاد کند تا تجزیه و تحلیل پیچیده‌تری انجام دهند.
یادگیری ماشین می‌تواند چه مزایایی برای ارزیابی و حل تقلب‌های بیمه‌ای به همراه داشته باشد؟
- تمام ادعاهای مشکوک به کلاهبرداری با دقت بیشتری شناسایی خواهند شد.
- داده‌ها در بازه‌های زمانی بسیار کوتاهی پردازش می‌شوند.
- این سیستم می‌تواند نشان دهد که در کجا ارتباط بین عوامل مختلفی وجود دارد که ممکن است از چشم انسان مخفی بمانند.
- بازنگری مستمر این نوع طرح‌ها و اعمال تغییرات در تجزیه و تحلیل داده‌ها، امکان پیش‌بینی کشف طرح‌های تقلب جدید را فراهم می‌کند.
همانطور که دیدیم، کشف تقلب فعالیت و دانشی است که به میزان زیادی دانش و تجریه و اطلاعات نیاز دارد و امکان طبقه‌بندی صحیح برای صحیح یا تقلبی بودن معامله یا ادعا را فراهم می‌کند.
شکل رایج یادگیری ماشینی که در صنعت بیمه اعمال می‌شود، تشخیص ناهنجاری عمیق نام دارد. تشخیص ناهنجاری با تجزیه و تحلیل ادعاهای عادی و واقعی توسط مشتری و تشکیل مدلی از ظاهر یک ادعای معمولی کار می‌کند. سپس این مدل برای مجموعه داده‌های بزرگ اعمال می‌شود.
سایر جنبه‌های هوش مصنوعی نیز با این روش تشخیص ناهنجاری قابل ساخت هستند. یکی از این پیشرفت‌ها، روش تجزیه و تحلیل پیش‌بینی‌کننده است که می‌تواند برای طراحی برنامه به منظور کاهش بیشتر حجم کار استفاده شود. تجزیه و تحلیل پیش‌بینی‌کننده از طریق روش مشابهی از یادگیری ماشینی کار می‌کند. با این حال، مجموعه داده‌های اولیه بیشتری مشخص خواهد بود. این برنامه مدلی خواهد ساخت که نه تنها ویژگی‌های ادعاهای معمولی یا غیر معمول را جستجو می‌کند، بلکه ویژگی‌های یک ادعای غیرمعمول را که نشانگر تقلبی تعیین کرده است، تجزیه و تحلیل می‌کند.
ترجمه و تلخیص: ارژنگ طالبی‌نژاد
منبع: Detecting Insurance Fraud with Machine Learning