شبکه عصبی باور عمیق

تقلب در مطالبات بیمه درمان تکمیلی، چالشی بزرگ است که منجر به زیان های مالی قابل توجه و تضعیف اعتماد عمومی می گردد. در این پژوهش، یک چارچوب جامع برای شناسایی تقلب با استفاده از الگوریتم های شبکه عصبی ارائه شده است. این چارچوب از سه معماری شبکه عصبی بهره می برد: الف) پرسپترون چندلایه (MLP)، ب) شبکه عصبی عمیق (DNN) پیاده سازی شده با Keras، و ج) شبکه حافظه بلندمدت (LSTM). داده های خام از منابع مختلف شامل اطلاعات بیمه نامه ها، بیمه شدگان، پرونده های خسارت، فهرست بیماری ها و اطلاعات شعب جمع آوری و پس از آن با مراحل پاک سازی، تبدیل، نرمال سازی و حذف داده های پرت (با استفاده از روش فاصله بین چارکی یا IQR) پیش پردازش شدند. مدل ها با استفاده از روش اعتبارسنجی متقاطع K-تایی و معیارهایی نظیر دقت، ماتریس سردرگمی، دقت (Precision)، بازخوانی (Recall)، امتیاز F1 و ROC-AUC  ارزیابی شدند. نتایج تجربی نشان دادند که همه مدل ها دقت بسیار بالایی (در حدود ۹۹.۹٪) دارند و این موضوع اثبات می کند که سیستم های مبتنی بر شبکه عصبی قادر به تفکیک قابل اعتماد میان ادعاهای مشروع و جعلی هستند. این سیستم پیشنهادی می تواند مسیر را برای نظارت لحظه ای مؤثرتر بر تقلب در صنعت بیمه هموار کند. این مدل ها دقت بسیار بالایی در شناسایی تقلب ها داشتند و می توانند در کاربردهای عملی و دنیای واقعی به طور مؤثر به کار گرفته شوند. نتایج این تحقیق نشان دهنده توانایی بالای این مدل ها در پردازش داده های پیچیده و غیرخطی است و این الگوریتم ها می توانند به عنوان راه حل های مؤثری برای تشخیص تقلب در بیمه های درمان تکمیلی و سایر سیستم های مشابه به کار روند. در نتیجه، این تحقیق گامی مهم در جهت توسعه مدل های هوشمند برای شناسایی تقلب در سیستم های بیمه ای است.