تشخیص و کشف تقلب در بیمه درمان با استفاده از الگوریتم های شبکه باور عمیق و شبکه عصبی مصنوعی پرسپترون سه لایه

در دنیای امروز معماری سازمانی یکی از پرکاربردترین راهکارهای سازمان برای همسویی استراتژیک فناوری اطلاعات با کسب و کار سازمان و ابزار قدرتمندی برای ساماندهی به سیستم های اطلاعاتی پیچیده می باشد. در کسب و کار بیمه معماری داده یکی از وجوه اساسی معماری در کنار معماری کسب و کار، معماری اپلیکیشن و معماری تکنولوژی است و استفاده از تحلیل داده در راستای گسترش ضریب نفوذ بیمه، پیشگیری و کشف تقلب بسیار کاربردی می باشد. بیمه درمانی محدوده وسیعی از برنامه های بیمه ای است که هزینه های ناشی از بیماری ها، تصادفات و ناتوانی ها را تحت پوشش قرار می دهد. متاسفانه با توجه به گسترش نظام بیمه در کشور ایران، رویکرد تقلب و سوء استفاده از انواع بیمه ها نیز گسترش یافته است، و هر ساله زیانه ای بسیاری را متوجه شرکت های بیمه ای می کند. رویکرد پیشنهادی استفاده از روش های داده کاوی جهت استخراج دانش از انبوه داده ها و کشف تقلب است. در ایران اکثر تحقیقات انجام شده در این زمینه متعلق به رشته اتومبیل بوده و رشته درمان تاحدودی مورد غفلت قرار گرفته است. در تحقیقات خارج از ایران نیز سابقه استفاده از الگوریتم SVM با درصد کشف خطای ۶۳ درصد در این رشته وجود دارد. در این پژوهش پس از شناسایی برخی از تقلبات مختص بیمه درمان، از شبکه عصبی مصنوعی پرسپترون و باور عمیق جهت کشف تقلب در داده های بیمه درمانی استفاده شد. بهترین نتیجه مربوط به مدل باور عمیق با ۸۸/۴۸ درصد تشخیص صحیح بود. نتایج شبیه سازی نشان می دهد استفاده از روش های داده کاوی به خصوص شبکه های عصبی مصنوعی با قابلیت یادگیری، توانایی تشخیص تخلف در داده های مربوط به بیمه را دارد.

کلیدواژه ها:

بیمه درمان ، خسارت ، کشف تقلب ، شبکه عصبی مصنوعی ، پرسپترون ، شبکه باور عمیق