保険詐欺防止リスク管理の実践

1. 保険業界における詐欺防止に関する問題点とよくある事例

保険業界における詐欺問題はますます深刻化しています。統計によると、詐欺の浸透率は20％に達しています。保険金詐欺の特徴は、主に多様な形態、専門的な手段、ギャングベースの組織として現れます。業界が直面している問題点としては、発見、確認、回復の難しさなどが挙げられます。

• 検出が困難:違法行為や保険金詐欺の形態が多様化するにつれて、不正行為を検出することがますます困難になっています。
• 確認が難しい：従来の金融業界では、顧客に良いサービスを提供するために、リスク問題に遭遇したときに、モデル側から直接ブロックすることは不可能です。したがって、モデルの動作の説明可能性を向上させるには、ビジネス担当者が不正行為や関連するリスクを発見できるように支援するためのポートレートをさらに増やす必要があります。
• 回復の難しさ:保険金請求のニーズは特殊であるため、多くの請求が完了するまでリスクは発見されません。さらに、歴史的な事件で賠償を求める場合には、時効の問題にも対処する必要があります。

保険業界では発生頻度の高い自動車保険と健康保険の意味と識別方法についてご紹介します。

1. 自動車保険

自動車保険には主にギャングリスクが含まれます。自動車保険には、主に内部および外部の共謀、演出シーン、偽の交通事故などのリスクが含まれており、上記のリスクに対抗するために、通常はマップアプローチを使用してリスクを防止します。しかし、高品質の部品を入手するために低品質の修理を行ったり、クレームを繰り返したりといったリスクについては、保険会社の内部データだけでは対応しきれない可能性があり、さらなる予防のためには業界ビッグデータの導入が必要です。さらに、リスク プロファイルとスコアリング モデルを構築することで、日付を遡った注文、飲酒運転、車両の交換、盗難や強盗の虚偽報告を特定できます。

2. 健康保険

健康保険には、ギャング関連のリスクや個人の幸運なケースなどのリスクもあります。医師と患者の共謀やなりすましなどのギャングリスクについては、グラフを通じて防止できます。病気の状態で保険に加入したり、虚偽の請求資料を作成したりといった、運の悪い個別事例のリスクについては、スコアリングカードモデルを使用して請求事例をスコアリングし、リスクを特定します。さらに、過剰医療化、薬物乱用、損失誇張などの不合理な医療行為のリスクに対処するために、医療グラフとコスト予測モデルを組み合わせてそれらを識別する不合理な医療識別エンジンを構築します。

II. 保険詐欺対策コア能力構築計画

上記のリスクに対応するため、Taiping Financial Technology は、主に次の 3 つの側面を含む保険詐欺防止の中核機能を構築しました。

1. 不正検出コアエンジン

当社は、保険詐欺識別のためのコアエンジンを構築するために、ビッグデータ、機械学習、AI アルゴリズムなどの最先端技術を積極的に研究しています。

2. リスクスコアリング、プロファイリング、プロンプト

私たちの焦点は、リスクをブロックするためにモデルに完全に依存するのではなく、エンジンがビジネス担当者に適切に機能し、リスクの特定を支援するようにすることです。したがって、ビジネス担当者がリスクを特定し、それに応じてケースレビュー、クレーム解決、品質検査などのタスクを完了できるように、エンジン機能をスコアリング、プロファイリング、リスク警告の形式に変換する必要があります。

3. プロセス中の問題の特定と処理

リスクが発見された後の回復が困難であるという問題を解決するには、さまざまな業務プロセスにエンジン機能を組み込む必要があります。業務プロセス全体と統合することで、プロセス中にリスクを発見して対処する役割を実現し、早期検出、早期確認、早期回復を実現します。

3. 保険詐欺防止ストーリー

以下は 2 つの保険詐欺事件です。1 つは自動車保険の集団詐欺、もう 1 つは健康保険の集団詐欺です。

まず、自動車保険詐欺の事例を見てみましょう。当社のフロントエンド認識エンジンは、3 つのリスクを発見しました。1 つ目は、グラフから胡氏が複数の異なる車両を運転中に複数の事故を起こしたことを発見したこと、2 つ目は、画像認識エンジンを使用して画像検索を行い、胡氏が 2 台の異なる車両を運転し、同じボラードに衝突したことを特定したこと、3 つ目は、スコアリング モデルを使用して、ケースによってトリガーされた条件に基づいて高リスク スコアの警告を計算したことです。さらに、ケースのマークされた車両、運転手、被保険者、および関連する過去のケースがポートレート エンジンを通じて関連付けられ、請求査定人に表示されます。肖像画から、この請求事件は28件の過去の事件と関連付けられており、17台の車両に拡大されていることがわかります。また、自然言語アルゴリズムは、事件に関係する人物はすべて胡姓であると示唆しています。最後に、銀行、保険、信託に関連するデータなどの外部データを取得し、他の保険会社の過去の事例にまで範囲を拡大します。以上の捜査により、同暴力団が199件の事件と9つの保険会社に関与していたことが判明した。

次に、代理人が病院の資源を組み合わせて補助金を詐取した医療保険詐欺事件を見てみましょう。マップ上でエージェントと病院の関係、事故の頻度、事故の種類（骨折、呼吸器疾患、腰痛）などを把握することで、リスクの特定と早期警告が可能になります。

4. 不正行為防止コア機能プラットフォームのブループリント

現在、不正行為防止コア機能プラットフォームを構築中です。全体的な青写真は、データ基盤レイヤー、機能レイヤー、プラットフォームレイヤー、製品レイヤーで構成されています。

1. データ基盤

生命・金融・介護のあらゆる顧客・事業所のデータ、グループのデータ、外部産業のビッグデータを活用し、データ基盤層を構築します。

2. 機能レイヤー

機能レイヤーは、次の 3 つの側面に分けられます。

（１）デジタル化

基盤となる統合データを直接使用して、リスクポートレートラベリングシステムやナレッジグラフを構築したり、プライバシーコンピューティングを通じてさまざまな業界のビッグデータに接続したりします。同時に、ウェアラブルデバイスや IoT デバイスを通じてリアルタイムのユーザーデータを収集し、デジタル機能を構築していきます。

（２）モデリング

ポートレートタグのデータ分析とビッグデータモデリングを実施し、価格設定、引受、運用、請求、その他のビジネスリンクに適用するさまざまな種類のモデルを構築して、モデルの意思決定を完了します。

（３）知能

当社は、自動画像分類、画像データ構造化、重複画像クレーム、画像PS検出、音声感情認識、声紋認識などの機能を構築することで、詐欺リスクに対抗します。

3. プラットフォーム層

技術レベルでは、当社のプラットフォームは、健康保険リスク識別エンジン、自動車保険リスク識別エンジン、財産保険リスク識別エンジン、保険インテリジェントリスク管理プラットフォームの 4 つのコアモジュールを提供します。

（１）健康保険リスク特定エンジン

主に、賠償予測モデル、請求事例階層化モデル、グラフ不正防止モデル、不当医療行為識別モデル、画像リスク識別モデルなどのタスクを担当します。これらのモデルは、健康保険のリスクをより適切に評価し、管理するのに役立ちます。

（２）自動車保険リスク識別エンジン

自動車保険事業分野におけるリスクスコアリング、プロファイリング、アラートのフルプロセスシステムが確立されました。このシステムは自動車保険詐欺のリスクを効果的に評価できます。

（３）損害保険リスク識別エンジン

当社は、関連企業のリスクマップの構築に注力しており、IoT（モノのインターネット）やAIデジタル農業保険のリスク監視に関する予備研究も行っています。これらの機能により、損害保険のリスクをより適切に評価および管理できるようになります。

（4）保険インテリジェントリスク管理プラットフォーム

リスクの価格設定、インテリジェントな引受、請求予測、リスク警告、請求中の漏洩防止、請求後のリスク マッピングなどに重点を置いています。このプラットフォームは、保険リスクをより効果的に管理し、ビジネス効率を向上させるのに役立ちます。

4. 製品レベル

当社は、顧客に「引受」インテリジェントアシスタント、「モノのインターネット」リスクマネージャー、「請求」保険格付けサービスを提供しています。これらの製品は、モデルを通じてビジネスをブロックするのではなく、ビジネスを可能にするように設計されています。当社は、事業会社との緊密な協力を通じて、お客様により良いサービスを提供し、保険業界の課題に共同で取り組んでいきたいと考えています。

5. 自動車保険リスク識別エンジン

上記プラットフォームをベースに、自動車保険リスク識別エンジンの構築方法について詳しく説明します。

ケースリスクを特定するために、まず、ビッグデータ機械学習モデリング機能を使用して、銀行がケースのスコアリングと予測に使用するものと同様のスコアリングカードモデルを構築します。通報、対象車両、被保険者のリスクスコアを分析することで、ケースを迂回させ、顧客サービスのエクスペリエンスを向上させることができます。

調査段階では、自動車保険商品は、現在のケースに関するリスク警告とリスク情報収集のための運用ガイドラインを調査員に提供します。調査員がこれらのガイドラインに従って情報を収集すると、その情報はその後の請求処理に使用できるほか、リスク スコアリング モデルの新たな証拠としても役立ちます。当社の自動車保険リスク識別エンジンは、サービスと請求プロセスの合理化に特化しており、リスクが見つからない場合でも調査員が迅速に調査を実施できます。ただし、警告リスクが発見されると、調査員は的を絞って証拠を収集する必要があります。例えば、被保険者が対象車両を複数所有している、運転者が被保険者本人でないなど、業務内容が変化するリスクが判明した場合、調査員に依頼して対象車両の使用実態をオフラインで確認し、証拠となる録音を行います。対象車両が8年前の古い車で、最近複数のクレームを受けていることが判明した場合、対象車両の過去のクレーム画像を調査員に送信し、自動車保険分類ツールを通じて過去の衝突部品を表示して、調査員がリスク警告に基づいて対象の写真を撮影し、古いマークかどうかを確認することができます。現場設置に危険が疑われる場合は、調査員に環境写真の撮影を重点的に依頼し、画像で検索して類似の環境写真や衝突物があるかどうかを確認します。

ギャング型リスク特定では、まず、過去の報告携帯電話番号、対象車両、対象ドライバー、運行担当者、修理工場などの情報を基に相関マップを構築します。次に、関連マップに基づいて、ビジネスリスクポイントの関連モデルが構築され、リスクマイニングが完了します。エンドツーエンドのグラフニューラルネットワークと機械学習アルゴリズムを使用して請求をブロックするインターネット業界とは異なり、当社はリスクパターンの発見に重点を置いています。例えば、通報者の携帯電話番号、被保険者、運転者、第三者、修理工場などの情報を紐づけることで、対象を絞ったフォローアップ点検を実施できます。

報告された携帯電話番号の関連付けモデルを例にとり、過去のリスク事例を関連付け、画像検索や顔検索技術を適用することでリスクを発見します。しかし、膨大な症例データに画像検索技術を直接適用すると、誤報率が高くなる可能性があります。この問題を解決するために、グラフの関連モデルを導入します。関連付けられている携帯電話番号を地域ごとに分割し、範囲を狭めることにより、誤検出率を減らし、再現率を高めることができます。

AIアルゴリズムの応用に関しては、メトリック学習を使用して顔認識と画像認識を実行します。自社の保険シナリオ、調査写真、画像の特性をもとに、環境比較や特徴抽出により効率化を図ります。たとえば、同じ環境に異なる車両が存在する可能性がある状況では、通常、セマンティックセグメンテーション技術を使用して車両をモザイク化または塗りつぶし、環境の特徴を抽出します。石橋脚、電柱、木の切り株などの交通障害物については、ターゲットを絞ったターゲット検出を実行し、特徴抽出アルゴリズムを使用して対応する特徴を抽出します。最後に、抽出された特徴を検索用にベクター ライブラリに保存します。

調査員に画像検索機能を提供することで、調査員は現在の請求ケースに類似した過去のケースがあるかどうかを確認できます。このアプローチは、作業効率を向上させるだけでなく、誤判断や不正行為の発生を減らすのにも役立ちます。

自動車保険の識別精度をさらに向上させるために、銀行保険や自動車のインターネットなどの外部ビッグデータも導入しています。さらに、外部のビッグデータをプロファイル指標に組み込んでリスク警告を提供するためのスコアリング メカニズムを設計しました。最後に、スコアとその解釈をレーダーチャートの形式でリスク指標として提示します。このアプローチにより、さまざまな指標のスコアをより直感的に理解し、潜在的なリスクを迅速に特定できるようになります。

6. 健康保険詐欺防止エンジン

当社のプラットフォームに基づいて、医療詐欺防止がどのように構築されるかを説明します。

健康保険詐欺防止の精度を向上させるために、まず、顧客次元、保険機関次元、現在のケースと過去の次元、疾病次元、エージェント次元から健康保険詐欺防止ポートレート指標を構築しました。健康保険ケース詐欺防止スコアリングモデルは、リスクラベルのマイニングと構築に重点を置いています。実際、保険分野では詐欺事件のラベルは少なく、支払い拒否のラベルの方が多いのです。そのため、当社では機械学習を使用して、過去のチャージバックとリスク ラベル プロファイリング システムに基づくスコアカード モデルを取得します。

これまでの医療背景知識のみに基づいて不正防止リスクを判断する方法と比較して、ビッグデータ技術とビッグデータの次元を導入しました。支払い拒否の事例を研究することで、モデルは顧客ディメンションと営業スタッフディメンションの指標が支払い拒否に与える影響を学習し、リスクラベルを運用担当者に提示することができます。同時に、入力要素を運用プロセスに適用して、顧客管理や営業スタッフの監視を行います。

ポートレートタグを作成してスコアリング カード モデルを構築する目的は、不正行為を見つけることではなく、ビジネス担当者が不正行為を発見できるように支援することです。当社は、保険金請求や引受業務におけるリスクを特定するだけでなく、リスク特定におけるスコアリング項目を業務管理やモニタリングに役立てる運用指標として活用していただきたいと考えています。

グラフを作成した後、携帯電話番号、病院のエージェント、病気の種類、支払い口座に基づいてリスク セットまたはリスク パターンを検出します。

エンドツーエンドのリスクパターン検出とは異なり、モデルアルゴリズムを通じて特定のリスクパターンを検出し、それをルールに固定してからオンラインで適用します。私たちの目標は、グラフ アルゴリズムを通じてエンドツーエンドでケース リスクを直接警告するのではなく、より多くのリスク パターンを発見することです。これは、保険および金融サービス業界では、リスクが説明可能であることが求められるためです。リスクのみに基づいてケースを直接ブロックすることはできませんが、関係する運用担当者に十分な根拠に基づいたリスク警告を提供する必要があります。

複雑なグラフ関係を単純に抽象化した後、医療詐欺防止パターンを病気とイベントのカテゴリに簡単に分類できます。病気のカテゴリでは、ノードには主に営業担当者、被保険者、病気、病院が含まれます。類似した医療行為のパターンの次元には、同時入院と退院が含まれ、偽造文書のパターンの次元には、類似した費用が含まれ、ベッドを吊るすパターンの次元には、不当な入院期間が含まれ、過剰な医療行為のパターンの次元には、不当な費用が含まれます。

さらに、時間に敏感なイベントの場合、グラフの関連付けを使用して短期的および高頻度のリスクを発見できます。

健康保険の分野でも、AI アルゴリズムの適用に取り組んできました。画像検索を使用して重複請求を発見するだけでなく、OCR 技術を使用して、請求書の大文字の不一致や請求書テンプレートの不一致などの改ざんリスクを特定しました。

さらに、画像詐欺PS検出技術についても検討しました。このシナリオでは、非常に高いリコール率ではなく、非常に高い精度率を追求して、警告ケースの調査の成功率を高め、調査コストを削減します。保険業界の請求書のほとんどは圧縮されすぎているため、AI アルゴリズムを使用して改ざんされた部分を検出することは、現在克服する必要がある困難な点です。

VII. ビジネスプロセスと深く統合されたインプロセスリスク管理メカニズム

上記は主に技術的な手段に関するものですが、私たちの実際の仕事は、これらの技術的手段をビジネス環境に組み込むことに重点を置いています。

自動車保険を例にとると、契約更新時に、過去の顧客が確立したリスク指標システムに基づいて顧客にスコアを付け、リスク警告を提供します。危険にさらされたとき、私たちは感情認識を利用して相手が飲酒運転をしているかどうかを判断します。電話で犯罪を通報する際、相手が修理工場の従業員かブラックリストに載っている人物かを判断するために声紋認識が使われます。調査の際にはスコアリングモデルを使用します。損害を評価する際には、環境写真識別、PS テスト、画像検索を通じて関連するリスク警告を発行します。最後に、ナレッジグラフを通じて事後品質検査を実施します。

つまり、当社はサービス指向であり、リスクを直接ブロックするための技術的手段を提供するのではなく、リスクスコアリングとリスク製品のプロファイリングプロンプトを通じてオペレーターがリスクを特定できるように支援します。私たちの能力が製品に反映され、ビジネスパーソンが製品を通じてより立体的なポートレートを発見し、それに基づいて現場でのリスク発見を支援できるようになることを願っています。