ارائه یک مدل کشف تقلب در کلان داده های بیمه با استفاده از روش های نوین هوش مصنوعی در ترکیب با الگوریتم فراابتکاری

گسترش خدمات الکترونیک و افزایش حجم داده های تراکنشی در صنعت بیمه ای و سازمان های تامین اجتماعی، شناسایی تقلب را به یکی از چالش های راهبردی در مدیریت منابع مالی و ارتقای شفافیت تبدیل کرده است. با توجه به ناتوانی روش های سنتی در تحلیل داده های کلان نامتوازن و پویا، پژوهش حاضر چارچوبی هوشمند و یکپارچه بر پایه مدل های پیشرفته یادگیری عمیق و الگوریتم های هوش گروهی ارائه می دهد. این پژوهش در یک ساختار ترکیبی جدید CNN+JSO+LSTM مراحل پیش پردازش، استخراج و انتخاب ویژگی و طبقه بندی را با دقت بالا مدیریت می کند. در این چارچوب برای مقابله با عدم توازن داده ها و بهبود کیفیت ورودی ها از روش های SMOTE، PCA و Tomek Link استفاده شده است. بخش مدل سازی شامل به کارگیری شبکه های عصبی کانولوشنی (CNN) برای استخراج ویژگی های پیچیده و الگوریتم فراابتکاری Jellyfish Search Optimizer به عنوان یک الگوریتم هوش گروهی کارآمد جهت انتخاب ویژگی های مناسب و شبکه های حافظه طولانی کوتاه (LSTM) جهت تحلیل وابستگی های زمانی و طبقه بندی نهایی پرونده های بیمه ای است. عملکرد این مدل با طبقه بندهای کلاسیک مانند رگرسیون لجستیک، درخت تصمیم، KNN و مدل پیشرفته LightGBM و روش های LSTM، CNN و SVM مقایسه و ارزیابی شده است. یافته های تجربی نشان می دهد که تلفیق توانایی استخراج ویژگی مدل های کانولوشنی و LSTM با قابلیت جست وجوی سراسری الگوریتم عروس دریایی دقت تشخیص تقلب را به طور معناداری ارتقا داده و نرخ مثبت کاذب را کاهش داده است. این رویکرد ضمن ارائه یک الگوی مقیاس پذیر برای پردازش داده های کلان، راهکاری عملیاتی برای استقرار سامانه های هوشمند پایش در سازمان تامین اجتماعی جهت پیشگیری از سوءاستفاده های مالی و تصمیم سازی مبتنی بر داده فراهم می آورد.

کلیدواژه ها:

کشف تقلب ، یادگیری عمیق ، الگوریتم فراابتکاری ، هوش مصنوعی ، داده های کلان