هدف ماژول تحلیل ریسک تقلب بیمه شخص ثالث، محاسبه امتیاز ریسک تقلب پرونده‌ها، ارائه هشدار و اعلام موارد مشکوک بر اساس داده‌های ثبت‌شده در سامانه‌های عملیاتی شرکت‌های بیمه ازجمله اطلاعات حادثه، زیان‌دیده‌ها و غیره است. ازجمله موارد مشکوک به تقلب در پرونده‌ها می‌توان به بروز حادثه در جاده‌های برون‌شهری و خلوت، تصادف در ساعات پایانی شب و رده سنی یکسان افراد زیان‌دیده (35 الی 40 سال) اشاره کرد.

ازجمله فعالیت‌های انجام‌شده برای انجام تحلیل ریسک تقلب توسط شرکت متقاضی، می‌توان به موارد زیر اشاره کرد:

• تهیه دیتاست دارای برچسب از داده‌های واقعی شامل 70 پرونده خسارت متقلبانه و 969 پرونده خسارت سالم
• استفاده از روش‌های مبتنی بر قاعده و روش‌های تشخیص ناهنجاری آماری نظیر z-score
• استفاده از الگوریتم‌های نظارت‌شده نظیر Random Forest، Decision Tree، SVM و غیره
• استفاده از روش‌های تحلیل شبکه اجتماعی با هدف شناسایی باندهای تقلب

روش‌های مورد استفاده فعلی قادر به تشخیص موارد متقلبانه هستند، اما نیاز به افزایش نرخ تشخیص صحیح موارد متقلبانه و کاهش مثبت‌های کاذب وجود دارد. دقت روش‌های استفاده‌شده بر دیتاست نمونه حدود 80 درصد است اما با توجه به تغییر سناریوهای تقلب، اتکا به روش‌های موجود و انتظار برای باقی ماندن در این دقت درست نیست. از طرفی جمع‌آوری برچسب داده بسیار گران و زمان‌بر است، بنابراین استفاده از رویکردها و روش‌های یادگیری بدون نظارت موردتوجه قرار گرفته است.

در حال حاضر علاوه بر دیتاست برچسب‌دار اشاره‌شده در بالا، یک دیتاست شامل 10،000 پرونده خسارت بدون برچسب برای تحلیل بدون نظارت در دسترس است. این دیتاست شامل کلیه اطلاعات مربوط به پرونده خسارت است که توسط کارشناسان در سامانه عملیاتی ثبت می‌شود (مانند مشخصات حادثه، مشخصات زیان‌دیدگان، مشخصات و تعهدات بیمه‌نامه و …). تعداد کل ویژگی‌ها اعم از خام و محاسبه‌شده، 144 ویژگی شامل 29 ویژگی باینری (مانند آیا راننده‌ی مقصر، گواهی معتبر داشته است؟)، 55 ویژگی دست‌ه‎ای (مانند گروه خودرو شامل سواری، موتورسیکلت، بارکش، کشاورزی و راه‌سازی)، 29 ویژگی عددی (مانند تعداد سال‌های عدم خسارت خودرو) و 31 ویژگی ترتیبی (روز حادثه در ماه یا هفته) است. لازم به توضیح است اسناد و مدارک مرتبط به‌صورت تصویر و متن موجود نیست. همچنین مقادیر مرتبط با ویژگی‌های دسته‌‎ای

گاه تا بیش از 100 مقدار، منحصربه‌فرد خواهد بود (به‌طور مثال رنگ خودرو). با توجه به گمنام‌سازی داده‌ها، امکان دسترسی به کد ملی و نام افراد وجود ندارد، اما اطلاعات دموگرافیک افراد شامل جنسیت، سن، ملیت (ایرانی و غیر ایرانی) و وضعیت تاهل موجود می‌باشد و سابقه خسارت‌ها به صورت تعداد در مجموعه ویژگی‌ها قابل دسترسی است.

در این پروژه انتظار می‌رود مجری تحقیق، مدل تحلیل ریسک تقلب مبتنی بر هوش مصنوعی با استفاده از روش‌های یادگیری ماشین بدون نظارت ارائه نماید. به این صورت که مدل، امتیاز ریسک برای پرونده‌های ورودی را مشخص کند. به‌طور مثال عددی بین 1 تا 5 که 5 بیشترین میزان ریسک است. همچنین هشدارهایی در مورد موارد مشکوک ارائه کند (به‌طور مثال، پرونده به علت ناهنجار بودن تعداد خسارات زیان‌دیده‌ها مشکوک است)، منظور از هشدار، علائمی است که کاربر انسانی با دیدن آن متوجه شود که چرا این پرونده مشکوک تلقی شده است. ارائه هشدارها به این جهت حائز اهمیت است که کارشناس بیمه با کمک آن‌ها سرنخی برای پیگیری مسئله خواهد داشت. همچنین نیاز است دقت سامانه ارائه‌شده برای پرونده‌های ورودی جدید حداقل 70 درصد و تعداد مثبت‌های کاذب حداکثر 30 درصد باشد. لازم به توضیح است رویکرد مدل، تنها ارائه هشدار و غربالگری پرونده‌های مشکوک است و ارائه ادله و اثبات حقوقی تقلب، خارج از حوزه طرح محسوب می‌شود.