Безопасная архитектура автоматизированных страховых систем на основе искусственного интеллекта: выявление мошенничества и оценка рисков

Частный страховой сектор считается одной из наиболее быстро растущих отраслей. Стремительный рост способствовал значительным преобразованиям на протяжении последнего десятилетия. В настоящее время существуют страховые продукты для большинства дорогостоящих активов, таких как транспортные средства, ювелирные изделия, здоровье и жизнь, а также жильё. Страховые компании находятся в авангарде внедрения передовых операций, процессов и математических моделей для максимизации прибыли при обслуживании требований клиентов. Традиционные методы, основанные исключительно на моделях с участием человека, требуют много времени и характеризуются низкой точностью. В данной статье мы разрабатываем защищённую и автоматизированную архитектуру страховой системы, которая сокращает участие человека, обеспечивает безопасность страховой деятельности, предупреждает и информирует о клиентах с высоким уровнем риска, выявляет мошеннические требования и уменьшает финансовые потери страхового сектора. После представления основанной на блокчейне архитектуры, обеспечивающей безопасные транзакции и обмен данными между различными взаимодействующими агентами страховой сети, мы предлагаем использовать алгоритм машинного обучения экстремального градиентного бустинга (XGBoost) для указанных страховых услуг и сравниваем его производительность с показателями других современных алгоритмов. Полученные результаты показывают, что при применении к набору данных по автострахованию XGBoost обеспечивает значительный прирост производительности по сравнению с другими существующими алгоритмами обучения. Например, при выявлении мошеннических требований он достигает точности на 7% выше, чем модели деревьев решений. Полученные результаты показывают, что при применении к набору данных по автострахованию XGBoost обеспечивает значительный прирост производительности по сравнению с другими существующими алгоритмами обучения. Например, при выявлении мошеннических требований он достигает точности на 7% выше, чем модели деревьев решений. Кроме того, мы предлагаем решение на основе онлайн-обучения для автоматической обработки обновлений страховой сети в реальном времени и показываем, что оно превосходит другой современный алгоритм онлайн-обучения. Наконец, мы объединяем разработанный мак...