Interpretable Vehicle Insurance Claim Fraud Detection Using Categorical Preprocessing, SMOTE-NC and a Decision Tree
Diese Arbeit zeigt auf, dass ein sorgfältig vorverarbeiteter Entscheidungsbaum-Klassifikator, der SMOTE-NC zur Überabtastung und kategorialen Kodierung nutzt, effektiv Fahrzeugversicherungsbetrug mit hoher Recall und voller Interpretierbarkeit priorisieren kann, obwohl er bei einem unbalancierten Datensatz eine moderate Präzision erreicht.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Jedes Jahr bearbeiten Versicherungsgesellschaften Millionen von Fahrzeugschadenmeldungen, ein massiver Strom an Papierkram, der alles von kleinen Blechschäden bis hin zu Totalschäden umfasst. Während die meisten dieser Anfragen legitim sind, ist ein kleiner, aber kostspieliger Bruchteil betrügerisch und beinhaltet etwa inszenierte Unfälle oder überhöhte Reparaturrechnungen. Diese Täuschung treibt die Kosten für alle in die Höhe, was Versicherer dazu zwingt, die Prämien für ehrliche Fahrer zu erhöhen, und menschliche Ermittler dazu veranlasst, unzählige Stunden mit dem Durchforsten von Akten zu verbringen, um die Fälschungen zu finden. Die Herausforderung für Datenwissenschaftler besteht darin, ein System zu entwickeln, das diese seltenen böswilligen Akteure aufspüren kann, ohne sich in den Millionen normalen Schadensmeldungen zu verlieren. Die Schwierigkeit liegt in zwei Hauptbereichen: der extremen Seltenheit von Betrug, was es einem Computer leicht macht, einfach „kein Betrug“ zu raten und damit meistens richtig zu liegen, und der ungeordneten Natur der Daten selbst, die voller textbasierter Kategorien wie Automarken, Policenarten und Unfallorte sind, statt aus ordentlichen Zahlen zu bestehen.
Ein Forscher an der Sanjivani University in Indien setzte sich zum Ziel zu prüfen, ob ein Computer lernen kann, diesen Betrug mithilfe einer sehr einfachen, transparenten Methode zu erkennen, vorausgesetzt, die Daten werden mit äußerster Sorgfalt vorbereitet. Anstatt eine komplexe, Black-Box-artige künstliche Intelligenz zu entwickeln, die schwer zu verstehen ist, konzentrierte sich die Studie auf einen einzigen Entscheidungsbaum, eine Art von Modell, das wie ein Flussdiagramm aus Ja-oder-Nein-Fragen funktioniert. Das Ziel war festzustellen, ob der Schlüssel zum Erfolg in der Komplexität des Modells oder in der Disziplin bei der Bereinigung und Organisation der Daten lag, bevor der Computer sie überhaupt sieht. Der Forscher nahm einen öffentlichen Datensatz mit über 15.000 Fahrzeugversicherungsfällen, von denen nur etwa sechs Prozent tatsächlich betrügerisch waren, und wandte eine strenge Serie von Schritten zur Bereinigung der Informationen an. Dies beinhaltete das Entfernen eindeutiger Identifikatoren, die den Computer dazu verleiten könnten, spezifische Fälle auswendig zu lernen, das Umwandeln von Textkategorien in ein Format, das die Maschine verstehen kann, und das sorgfältige Ausbalancieren der Trainingsdaten, damit der Computer den seltenen Betrugsfällen Aufmerksamkeit schenkt, anstatt sie zu ignorieren.
Die Ergebnisse zeigten, dass dieser disziplinierte Ansatz für ein einfaches Werkzeug bemerkenswert gut funktionierte. Als das Modell mit einem neuen Satz von Schadensmeldungen getestet wurde, die es zuvor noch nie gesehen hatte, identifizierte es mehr als die Hälfte der betrügerischen Fälle korrekt und entlarvte 150 von 277 versteckten Fälschungen. Dies war eine signifikante Verbesserung gegenüber einem Standardansatz, der einfach jeden Schaden als ehrlich einstufen würde, was jeden einzelnen Betrug übersehen hätte. Die Studie verdeutlichte jedoch auch einen notwendigen Kompromiss: Um so viele Fälschungen zu finden, markierte das System auch etwa 700 ehrliche Ansprüche als verdächtig, was bedeutete, dass von sechs durch das System generierten Warnmeldungen nur eine tatsächlich ein Betrug war. Dies ist eine vertraute Realität in der Betrugserkennung, in der die Kosten für das Übersehen eines Betrugs hoch sind, aber auch die Kosten für die Verärgerung eines ehrlichen Kunden real existieren. Das Modell versuchte nicht, Ansprüche automatisch abzulehnen; stat stattdessen fungierte es als ein hocheffizienter Filter, der den riesigen Stapel an Papierkram sortierte und die verdächtigsten Fälle den menschlichen Ermittlern zur genaueren Betrachtung übergab.
Was diese Arbeit auszeichnete, war nicht die Komplexität des Algorithmus, sondern die Klarheit der Regeln, die es hervorgab. Da das Modell ein Entscheidungsbaum ist, kann jede seiner Vorhersagen auf eine spezifische Reihe von Bedingungen zurückverfolgt werden, wie etwa den Fahrzeugtyp, die Policendetails oder die Art des Unfalls. Die Studie fand heraus, dass die wichtigsten Faktoren für das Aufspüren von Betrug die dem Unfall zugewiesene Schuld, die Basis-Policenart und die spezifische Art der Versicherungspolice waren. Diese Erkenntnisse stimmen mit dem überein, was menschliche Ermittler bereits vermuten, aber der Computer gelangte allein durch das Lernen aus den Datenmustern zu diesen Schlussfolgerungen. Die Forschung legt nahe, dass für Branchen, in denen Transparenz erforderlich ist, wie etwa die Versicherungsbranche, ein gut vorbereitetes einfaches Modell wertvoller sein kann als ein komplexes, das seine Begründung nicht erklären kann.
Die Studie kommt zu dem Schluss, dass das System zwar nicht perfekt ist und menschliche Aufsicht erfordert, um die Fehlalarme zu handhaben, es aber eine leistungsstarke, kostengünstige Möglichkeit bietet, Untersuchungen zu priorisieren. Indem sie sich darauf konzentriert, wie die Daten vorbereitet werden, anstatt kompliziertere Maschinen zu bauen, demonstrierte der Forscher, dass ein einzelner, interpretierbarer Entscheidungsbaum effektiv das Signal vom Rauschen in einem Meer von Versicherungsansprüchen trennen kann. Dieser Ansatz ermöglicht es Regulierungsbehörden und Unternehmen, genau zu sehen, warum ein Anspruch markiert wurde, was Vertrauen in das System schafft, während gleichzeitig sichergestellt wird, dass die wenigen böswilligen Akteure nicht in der Menge der Millionen ehrlichen Fahrer untertauchen. Die Arbeit dient als Erinnerung daran, dass im Bereich der Datenwissenschaft das effektivste Werkzeug manchmal nicht das mächtigste ist, sondern dasjenen, das am sorgfältigsten auf die Realität des Problems abgestimmt ist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.