مونا پرستش

پیشینه و اهداف: یکی از چالش های بزرگ در صنعت بیمه، مقابله با تقلب در فرایند اعلام خسارت هاست که به ویژه در روش های دیجیتالی، از جمله ارسال عکس های خسارت از طریق اپلیکیشن ها، به چشم می خورد و به نظر می رسد صنعت بیمه بیش از هر زمان دیگری به بررسی روش های کشف تقلب نوین و نیز ایمن سازی اطلاعات نیاز دارد. همچنین امنیت و اصالت اطلاعات مکانی و زمانی تصاویر ارسالی از طریق اپلیکیشن نقش مهمی در کاهش تقلب دارد. در این پژوهش، روشی نوین ارائه شده است که با استفاده از تکنیک پنهان نگاری ، اطلاعات مکانی و زمانی عکس های ارسالی ازسوی بیمه گذاران رمزنگاری و مستقیماً در فایل تصویر جاسازی شده، سپس در مقصد رمزگشایی می شود. این رویکرد نه تنها امکان احراز اصالت اطلاعات ارائه شده را افزایش می دهد، بلکه امنیت داده ها را نیز تضمین می کند و خطر تقلب را کاهش می دهد. پیاده سازی این روش می تواند به بهبود اعتماد بین بیمه گر و بیمه گذار و کاهش هزینه های ناشی از تخلفات کمک کند. روش شناسی: در این پژوهش، از رویکرد استگانوگرافی مبتنی بر شبکه های مولد متخاصم (GAN) برای جاسازی اطلاعات مکانی و زمانی تصاویر خسارت استفاده شده است ابتدا اطلاعات مربوط به زمان و مکان عکس با استفاده از الگوریتم رمزنگاری AES-GCM رمزنگاری شده تا امنیت داده های حساس تضمین شود. برای ارزیابی سیستم، داده های پنهان شده از تصاویر استخراج و با داده های اصلی مقایسه شدند. سیستم روی یک مجموعه داده 100تایی از تصاویر خسارت بیمه ای خودرو آزمایش و سه روش مقایسه ای بررسی شد. روش پایه (LSB)، استگانوگرافی مبتنی بر شبکه های مولد متخاصم، و ترکیب شبکه های مولد متخاصم با رمزنگاری AES-GCM. معیارهای ارزیابی شامل کیفیت تصویر (PSNR)، ظرفیت پنهان سازی (SSIM)، میانگین خطای بیت تحت حملات استاندارد و نرخ تشخیص دستکاری در فراداده ها محاسبه شد. یافته ها : در این پژوهش مشخص شد تصاویر حاوی داده های پنهان میانگین PSNR برابر با 41 dB داشتند که نشان دهنده حفظ کیفیت بصری بالای تصاویر است. روش شبکه های مولد متخاصم، میانگین PSNR ≈ 40.6 ± 0.8 dB (در مقابل 36.7 ± 1.1 dB برای روش پایه) و SSIM بالاتری نشان داد؛ میانگین BER در برابر فشرده سازی و نویز برای شبکه های مولد متخاصم تقریباً نصف روش پایه بود (به ترتیب ≈19–12% در برابر ≈34–29%). افزودن AES-GCM تأثیری بر کیفیت تصویری نداشت، اما امنیت انتها –   به –  انتها را افزایش داد. آزمون t زوجی نشان داد این تفاوت از نظر آماری در سطح اطمینان ۹۵٪ معنادار است (p < 0.001). در آزمون های دستکاری فراداده در آزمایش حاضر، در مجموعه داده آزمایشی 100 تصویری، تمامی موارد دستکاری فراداده (meta data) با موفقیت شناسایی شد. زمان پردازش میانگین پیاده سازی موبایلی برای کل زنجیره رمزنگاری+جاسازی تقریباً 2 ثانیه در هر تصویر بود. نتیجه گیری: این پژوهش نشان داد که استفاده از استگانوگرافی مبتنی بر یادگیری عمیق می تواند چالش های امنیتی در فرایند اعلام خسارت آنلاین را برطرف کند. روش پیشنهادی ضمن تضمین کیفیت و امنیت تصاویر، امکان تأیید صحت اطلاعات مکانی و زمانی را فراهم می کند و می تواند به کاهش تقلب در بیمه کمک شایان توجهی کند. نتایج نشان می دهد که ترکیب استگانوگرافی مبتنی بر روش پیشنهادی با AES-GCM بهترین تعادل بین کیفیت تصویری، پایداری در برابر حملات و قابلیت تشخیص دستکاری فراداده را فراهم می آورد.

پیشینه و اهداف: یکی از چالش های مهم شرکت های بیمه تعیین نرخ بهینه بیمه نامه های اموال مانند خودرو و آتش سوزی است. اگر شرکت بیمه بتواند امکان وقوع خسارت را در یک بیمه نامه تشخیص دهد، تصمیمات مؤثر و بهتری در تعیین نرخ بیمه ، میزان تخفیف اختصاص یافته به بیمه نامه یا تصمیم گیری درباره تمدید آن بیمه نامه خواهد داشت. شرکت های بیمه و خبرگان رشته صدور و خسارت ، به دنبال روش های جدیدی برای ارزیابی ریسک مشتریان و بیمه نامه ها از طریق پیش بینی وقوع خسارات احتمالی در این رشته هستند. روش های سنتی مانند مدل های خطی عمومی (GLMs) غالباً در شناسایی الگوهای پیچیده در داده های بیمه ناکام اند. یادگیری عمیق با توانایی شناسایی روابط غیرخطی و الگوهای پیچیده می تواند این محدودیت ها را رفع کند. در این مقاله روشی برای بهبود عملکرد یادگیری عمیق با استفاده از تکنیک های رگرسیون عمیق ترتیبی ارائه شده است. رویکرد پیشنهادی ترکیبی از یادگیری عمیق و مدل های ترتیبی است. از شبکه های حافظه طولانی کوتاه مدت (LSTM)   برای مدل سازی داده های سری زمانی استفاده می شود. روش شناسی: در این مقاله از داده های 7 سال اخیر صدور و خسارت بیمه آتش سوزی شرکت بیمه البرز برای بررسی و پیش بینی خسارت در این رشته استفاده شده است. در این مقاله با تمرکز بر پیش پردازش داده ها و استخراج ویژگی های برتر برای ارائه بهترین نتیجه و پس از اعمال روش های مختلف استخراج ویژگی، در نهایت از مجموع 40 ویژگی، 20 ویژگی انتخاب و سپس با استفاده یادگیری عمیق آموزش داده شد. رویکرد پیشنهادی، ترکیبی از یادگیری عمیق و مدل های ترتیبی با استفاده از شبکه های حافظه طولانی کوتاه مدت (LSTM) برای مدل سازی داده های سری زمانی استفاده می کند. یافته ها : در این مقاله با بررسی روش های مختلف یادگیری ماشینی روی داده های صدور و خسارت شرکت بیمه ، این نتیجه به دست آمد که مدل رگرسیون عمیق ترتیبی نسبت به روش های سنتی عملکرد بهتری دارد. بهبود دقت پیش بینی، قابلیت اطمینان بالاتر و تأکید بر اهمیت ویژگی های زمانی از نتایج اصلی اند. نتیجه گیری: بهینه سازی فرایندهای ارزیابی ریسک و خسارت از طریق مدل های یادگیری عمیق می تواند به ارائه نرخ های حق بیمه دقیق تر و کاهش ضررهای ناشی از پرداخت های نامناسب منجر شود. همچنین، استفاده از این مدل ها می تواند به شرکت های بیمه کمک کند تا استراتژی های مدیریت ریسک بهتری اتخاذ کنند و فرایندهای کشف تقلب را بهبود بخشند. این موضوع به ویژه در بیمه های آتش سوزی، که خسارت های مالی سنگینی به همراه دارند، از اهمیت بالایی برخوردار است.

هدف: لزوم افزایش ضریب نفوذ بیمه در ایران ایجاب می کند شرکت های بیمه از روش های نوین برای افزایش توجه مردم به بیمه، جذب مشتریان جدید و نگهداری مشتریان پیشین استفاده کنند. در این بین، بازی وارسازی یکی از امکانات نرم افزارهای جدید در بحث مدیریت ارتباط با مشتری است که قابلیت پیاده سازی راهکارهای جذاب و متنوعی از جمله امتیازدهی، جایزه، اشتراک گذاری و ... را با استفاده از اطلاعات موجود در پایگاه داده شرکت های بیمه فراهم نموده و با استفاده از آن می توان مشتریان را از منظرهای مختلف (وفاداری، سوددهی و...) تقسیم بندی نمود. روش شناسی: در این تحقیق جهت پیاده سازی روش پیشنهادی از داده های بیمه گذاران حقیقی شرکت بیمه ای منتخب در سه سال اخیر با حفظ امنیت و محرمانگی آنها استفاده شد و بیمه گذاران به 4 دسته ویژه، برتر، میانی و ضعیف تقسیم شدند و جهت بهره گیری از تکنیک های مختلف بازی وارسازی، روش های متناسب با هر گروه از آنها با توجه به ویژگی های جنسیتی، سنی و .. به کار گرفته شد. یافته ها: نتایج نشان داد از مواردی که جهت جایزه و تخفیف استفاده می شوند برای بیمه گذارن برتر و ویژه می توان بهره گرفت. همچنین از تکنیک هایی ترغیب و ارتقای سطح بیمه گذار مانند پیشرفت مرحله به مرحله ، برای مشتریان میانی و رساندن آنها به سطح مشتریان ویژه واستفاده کرد. در سطوح مشتریان ضعیف نیز از تکنیک های بازاریابی و افزایش گستره مشتریان بالقوه مانند امکان به اشتراک گذاری یا گردونه شانس می توان استفاده نمود. نتیجه گیری: پیاده سازی سیستم بازی وارسازی در صنعت بیمه با در نظر گرفتن سطوح و ویژگی های منحصربه فرد بیمه گذاران، مقوله گسترده ای است که می تواند زمینه تحقیقات جذاب در آینده باشد.   طبقه بندی موضوعی: G22، C38، .C5