کاربرد یادگیری ماشین در کشف تقلبات و کلاهبرداری‌های بیمه

علی محمدی * یکی از مسائلی که در سراسر جهان، با بروز خود هزینه‌ها و خسارات گوناگونی را به بخش‌های مختلف اقتصادی وارد کرده، تقلب و کلاهبرداری است. این پدیده به کسب هدفمند منفعت مالی از سوی اشخاص حقوقی یا حقیقی به صورت فردی یا سازمان‌یافته، خارج از هنجارهای موجود بازمی‌گردد.

صنعت بیمه نیز به عنوان یکی از بخش‌های مهم اقتصاد کشورها از این پدیده به دور نبوده و بروز آن، هرساله ضررهای سنگینی را به شرکت‌های بیمه تحمیل می‌کند. به عنوان مثال بر مبنای اعلام پلیس آمریکا (FBI) تخمین زده می‌شود که در این کشور ضررهای تحمیل‌شده سالانه به شرکت‌های بیمه، در بخش غیردرمان، بالغ بر ۴۰ میلیارد دلار باشد.

این موضوع ممکن است در هر یک از مراحل خرید بیمه‌نامه یا پرداخت خسارت رخ دهد. برای نمونه: مشتری هنگام صدور بیمه‌نامه به عمد اطلاعات نادرست را به شرکت بیمه ارائه و در ارائه آنها به طریقی عمل کند که واقعیت کتمان شود و یا آنکه هنگام دریافت خسارت، حادثه‌ای را به شرکت بیمه اطلاع دهد که جنبه واقعی نداشته یا با موضوع بیمه‌نامه مرتبط نباشد و یا میزان خسارت وارده را بسیار بیشتر از خسارت واقعی نشان دهد.

شرکت‌های بیمه در سراسر جهان تلاش‌های مختلفی را به عمل آورده‌اند تا بتوانند از بروز تقلب یا کلاهبرداری از سوی مشتریان نامطلوب جلوگیری کرده و یا با بهره‌گیری از سازوکارهای مختلف، در صورت بروز تقلب آن را شناسایی و از تحمیل هزینه‌های مرتبط، جلوگیری کنند. اما انجام این اقدامات به صورت سنتی و با اتکا بر نیروی انسانی خبره، کاری زمانبر و پرهزینه است. بدان دلیل که کارشناس یا نماینده بیمه‌ای شرکت، باید تک‌تک پرونده‌های صدور بیمه‌نامه یا پرداخت خسارت تشکیل شده را مورد بررسی قرار داده و تعیین کند که آیا در آن تقلبی رخ داده و یا آنکه آن پرونده به درستی تشکیل شده است. علاوه بر موضوع هزینه و زمان، تربیت اشخاص متخصص در ارتباط با تشخیص تقلب‌ها و کلاهبرداری‌ها موضوع دیگری است که بر پیچیدگی موضوع می‌افزاید.

در چنین شرایطی، بهترین راهبرد، استفاده از رایانه و سامانه‌های مرتبط است. اما در گذشته فناوری امکانات محدودی را برای انجام تحلیل‌های ابتدایی با صحت پایین در اختیار شرکت‌های بیمه برای تحقق این امر قرار می‌داد و کارشناس مربوطه باید بررسی‌های اضافی را برای صحه‌گذاری بر تحلیل‌های رایانه‌ای به انجام رساند. ضمن آنکه به منظور بررسی و ارزیابی داده‌های مشکوک به تقلب این داده‌ها باید در قالبی خاص به رایانه وارد شوند.

با پیشرفت‌های به وجود آمده در فناوری اطلاعات و پردازش‌های پیچیده بر مبنای این فناوری و گسترش کاربردهای آن در زمینه‌های مختلف، شرکت‌های بیمه نیز به فکر بهره‌گیری از ابزارهای نوین ارائه شده به واسطه آن افتاده‌اند تا بدین شکل بتوانند، از بروز تقلب پیش‌گیری کرده و در موعد مناسب آن را کشف و خنثی کنند. یکی از این ابزارها، استفاده از یادگیری ماشین است.

این رویکرد، شاخه‌ای از هوش مصنوعی است که امکان اتخاذ تصمیمات و انجام پیش‌بینی‌ها بر پایه داده‌های نمونه را فراهم می‌سازد، بدون آنکه صریحا برای آن برنامه‌ریزی شده باشد. در این ارتباط، اساس یادگیری ماشین بر توسعه سامانه‌ای استوار است که بتواند از داده‌ها یاد گرفته و در مسائل پیچیده درگیر شود.

در جای‌جای دنیای دیجیتال امروزی، حضور یادگیری ماشین و سامانه‌های ایجاد شده بر پایه آن قابل لمس است.

– دستیارهای صوتی تلفن‌های همراه،

– پیشنهادهای ارائه شده توسط سایت‌های اینترنتی برای خرید یک کالای خاص و یا مشاهده یک محتوای موجود،

– امنیت مجازی،

– تجزیه و تحلیل تصاویر پزشکی،

– خودروهای خودران و

– کشف تقلب و کلاهبرداری‌های مالی

نمونه‌هایی از کاربرد یادگیری ماشین در دنیای امروزی هستند.

به منظور بهره‌گیری از یادگیری ماشین در مورد آخر، کشف تقلب و کلاهبرداری مالی و به ویژه در موضوع بیمه، با استفاده از دانش ایجاد مدل‌ها و سازوکارهای مرتبط، سامانه تشخیص تقلب برپایه این رویکرد ایجاد شده و داده‌های موجود در خصوص تقلب‌های شناسایی شده در گذشته به آن داده می‌شود تا به واسطه آنها، سامانه بتواند الگوهای بروز تقلب را شناسایی کرده و در برخورد با یک مورد مشکوک تقلب جدید بتواند به درستی بروز این امر را شناسایی کند. در صورت توسعه سامانه زیرساختی مرتبط، بر مبنای مدل‌های یادگیرنده در طول زمان، این سامانه می‌تواند خود را بهینه کرده و الگوهای جدید تقلب و کلاهبرداری را نیز شناسایی و کشف کند.

در پایان باید گفت که بهره‌مندی از چنین فناوری می‌تواند پیامدهای مستقیم و غیر‌مستقیم گوناگونی را برای به‌کارگیرندگان آن به دنبال داشته باشد. در این خصوص، نمونه‌هایی از منافعی که کشف تقلب به واسطه یادگیری ماشین می‌تواند به همراه داشته باشد، را می‌توان در موارد زیر جست‌وجو کرد:

– شناسایی صحیح موارد مشکوک به تقلب

– پردازش داده‌ها در زمانی کوتاه

– شناسایی فاکتورهای موثر در تشخیص تقلب نامحسوس برای پردازش‌های انسانی

– شناسایی قالب‌های جدید تقلب و کلاهبرداری

نکته پایانی:

بهره‌گیری از فناوری‌های نوین و به کنار گذاشتن ساختارهای سنتی، همانند تزریق واکسنی است که با وجود ایجاد عوارض کوتاه‌مدت، منافع بلندمدتی را با خود به دنبال خواهد داشت و حرکت به سمت استفاده از فناوری‌های نوین در صنعت بیمه، یک سرنوشت محتوم برای همه نقش‌آفرینان این صنعت است.

* پژوهشگر و دانشجوی دکتری مدیریت فناوری اطلاعات دانشگاه علامه طباطبایی

اخبار برگزیدهیادداشت