Interpretable Vehicle Insurance Claim Fraud Detection Using Categorical Preprocessing, SMOTE-NC and a Decision Tree
यह शोध पत्र यह प्रदर्शित करता है कि सावधानीपूर्वक प्रीप्रोसेस्ड डिसीजन ट्री क्लासिफायर, जो ओवरसैंपलिंग और कैटेगोरिकल एनकोडिंग के लिए SMOTE-NC का उपयोग करता है, एक असंतुलित डेटासेट पर मामूली प्रिसिजन (precision) प्राप्त करने के बावजूद, उच्च रिकॉल (recall) और पूर्ण व्याख्यात्मकता (interpretability) के साथ वाहन बीमा धोखाधड़ी को प्रभावी ढंग से प्राथमिकता दे सकता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
हर साल, बीमा कंपनियाँ लाखों वाहन दावों (क्लेम) को प्रोसेस करती हैं, जो कागजी कार्रवाई का एक विशाल प्रवाह है जिसमें मामूली टक्करों से लेकर पूरी तरह नष्ट हो चुकी गाड़ियों तक सब कुछ शामिल है। जबकि इनमें से अधिकांश अनुरोध वैध होते हैं, एक छोटा लेकिन महंगा हिस्सा धोखाधड़ी से भरा होता है, जिसमें नियोजित दुर्घटनाएं या बढ़ा-चढ़ाकर पेश किए गए मरम्मत बिल शामिल होते हैं। यह धोखा सभी के लिए लागत बढ़ाता है, जिससे बीमा कंपनियाँ ईमानदार ड्राइवरों के लिए प्रीमियम बढ़ाने पर मजबूर होती हैं और मानव जांचकर्ताओं को नकली दावों को खोजने के लिए फाइलों को छानने में अनगिनत घंटे बिताने पड़ते हैं। डेटा वैज्ञानिकों के लिए चुनौती एक ऐसा सिस्टम बनाने की है जो लाखों सामान्य दावों के शोर के बीच इन दुर्लभ धोखेबाजों को पहचान सके। इसकी कठिनाई दो मुख्य क्षेत्रों में निहित है: धोखाधड़ी की अत्यधिक दुर्लभता, जिसके कारण कंप्यूटर के लिए केवल "धोखा नहीं है" का अनुमान लगाना और अधिकांश समय सही रहना आसान हो जाता है, और स्वयं डेटा की अव्यवस्थित प्रकृति, जो संख्याओं के बजाय कार ब्रांड, पॉलिसी प्रकार और दुर्घटना स्थानों जैसी टेक्स्ट-आधारित श्रेणियों से भरी हुई है।
भारत में संजीवनी यूनिवर्सिटी के एक शोधकर्ता ने यह देखने के लिए हाथ में लिया कि क्या एक कंप्यूटर बहुत ही सरल, पारदर्शी पद्धति का उपयोग करके इन धोखाधड़ियों को पहचानना सीख सकता है, बशर्ते डेटा को अत्यधिक सावधानी से तैयार किया गया हो। एक जटिल, 'ब्लैक-बॉक्स' आर्टिफिशियल इंटेलिजेंस बनाने के बजाय जिसे समझना कठिन हो, इस अध्ययन ने एक एकल 'डिसीजन ट्री' (निर्णय वृक्ष) पर ध्यान केंद्रित किया, जो एक प्रकार का मॉडल है जो हाँ-या-ना वाले प्रश्नों के फ्लोचार्ट की तरह काम करता है। लक्ष्य यह निर्धारित करना था कि सफलता की कुंजी मॉडल की जटिलता में थी या कंप्यूटर द्वारा डेटा को देखने से पहले उसे साफ करने और व्यवस्थित करने के अनुशासन में थी। शोधकर्ता ने 15,000 से अधिक वाहन बीमा दावों के एक सार्वजनिक डेटासेट का उपयोग किया, जहाँ केवल लगभग छह प्रतिशत वास्तव में धोखाधड़ी वाले थे, और जानकारी को साफ करने के लिए कड़े चरणों को लागू किया। इसमें उन विशिष्ट पहचानकर्ताओं (यूनिक आइडेंटिफायर) को हटाना शामिल था जो कंप्यूटर को विशिष्ट मामलों को रटने के लिए भ्रमित कर सकते थे, टेक्स्ट श्रेणियों को ऐसे प्रारूप में बदलना जिसे मशीन समझ सके, और प्रशिक्षण डेटा को सावधानीपूर्वक संतुलित करना ताकि कंप्यूटर दुर्लभ धोखाधड़ी के मामलों को अनदेखा करने के बजाय उन पर ध्यान दे सके।
परिणामों ने दिखाया कि यह अनुशासित दृष्टिकोण एक सरल उपकरण के लिए उल्लेखनीय रूप से प्रभावी रहा। जब इसे दावों के एक नए सेट पर परखा गया जिसे इसने पहले कभी नहीं देखा था, तो मॉडल ने आधे से अधिक धोखाधड़ी वाले मामलों की सही पहचान की, जिससे 277 छिपे हुए फर्जीवाड़ों में से 150 को पकड़ा गया। यह एक मानक दृष्टिकोण की तुलना में एक महत्वपूर्ण सुधार था, जो केवल हर दावे को ईमानदार लेबल कर देता, जिससे हर एक धोखाधड़ी छूट जाती। हालाँकि, अध्ययन ने एक आवश्यक समझौते (ट्रेड-ऑफ) को भी रेखांकित किया: इतने सारे फर्जीवाड़ों को पकड़ने के लिए, सिस्टम ने लगभग 700 ईमानदार दावों को भी संदिग्ध के रूप में चिह्नित किया, जिसका अर्थ था कि सिस्टम द्वारा उत्पन्न प्रत्येक छह अलर्ट में से केवल एक ही वास्तव में धोखाधड़ी थी। यह धोखाधड़ी का पता लगाने में एक परिचित वास्तविकता है, जहाँ एक घोटाले को चूक जाने की लागत अधिक होती है, लेकिन एक ईमानदार ग्राहक को परेशान करने की लागत भी वास्तविक होती है। मॉडल ने दावों को स्वचालित रूप से अस्वीकार करने की कोशिश नहीं की; इसके बजाय, यह एक अत्यधिक कुशल फिल्टर के रूप में कार्य करता था, जो कागजी कार्रवाई के विशाल ढेर को छांटता था और सबसे संदिग्ध दावों को गहन जांच के लिए मानव जांचकर्ताओं के पास भेजता था।
जिसे इस कार्य को विशिष्ट बनाया, वह एल्गोरिदम की जटिलता नहीं, बल्कि इसके द्वारा उत्पन्न नियमों की स्पष्टता थी। क्योंकि यह मॉडल एक डिसीजन ट्री है, इसलिए इसके द्वारा किया गया प्रत्येक अनुमान को स्थितियों के एक विशिष्ट सेट तक ट्रैक किया जा सकता है, जैसे कि वाहन का प्रकार, पॉलिसी विवरण, या दुर्घटना की प्रकृति। अध्ययन में पाया गया कि धोखाधड़ी को पहचानने के लिए सबसे महत्वपूर्ण कारक दुर्घटना में सौंपी गई गलती (फॉल्ट), मूल पॉलिसी प्रकार और बीमा पॉलिसी का विशिष्ट प्रकार थे। ये निष्कर्ष उन बातों के अनुरूप हैं जो मानव जांचकर्ता पहले से ही समझते हैं, लेकिन कंप्यूटर इन निष्कर्षों तक अकेले डेटा पैटर्न से सीखकर पहुँचा। शोध यह सुझाव देता है कि उन उद्योगों के लिए जहाँ पारदर्शिता की आवश्यकता होती है, जैसे कि बीमा, एक अच्छी तरह से तैयार किया गया सरल मॉडल उस जटिल मॉडल से अधिक मूल्यवान हो सकता है जो अपने तर्क को समझाने में असमर्थ है।
अध्ययन यह निष्कर्ष निकालता है कि हालांकि यह प्रणाली पूर्ण नहीं है और गलत चेतावनियों (फॉल्स अलार्म) को संभालने के लिए मानव निरीक्षण की आवश्यकता है, फिर भी यह जांच को प्राथमिकता देने का एक शक्तिशाली, कम लागत वाला तरीका प्रदान करती है। अधिक जटिल मशीनें बनाने के बजाय डेटा को तैयार करने के तरीके पर ध्यान केंद्रित करके, शोधकर्ता ने प्रदर्शित किया कि एक एकल, व्याख्या योग्य डिसीजन ट्री लाखों ईमानदार ड्राइवरों की भीड़ में सिग्नल को शोर से प्रभावी ढंग से अलग कर सकता है। यह दृष्टिकोण नियामकों और कंपनियों को यह देखने की अनुमति देता है कि किसी दावे को क्यों चिह्नित किया गया था, जिससे सिस्टम में विश्वास पैदा होता है और यह सुनिश्चित होता है कि कुछ बुरे तत्व लाखों ईमानदार ड्राइवरों की भीड़ में छिपे न रहें। यह कार्य एक अनुस्मारक के रूप में कार्य करता है कि डेटा विज्ञान की दुनिया में, कभी-कभी सबसे प्रभावी उपकरण सबसे शक्तिशाली वाला नहीं होता, बल्कि वह होता है जिसे समस्या की वास्तविकता के लिए सबसे सावधानी से ट्यून किया गया हो।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।