Prototype Learning with Concept Bottleneck Models for Interpretable Insurance Fraud Detection
यह शोध पत्र एक अंतर्निहित रूप से व्याख्या योग्य बीमा धोखाधड़ी पहचान ढांचे का प्रस्ताव करता है जो शोर वाले दावा डेटा पर प्रतिस्पर्धी प्रदर्शन प्राप्त करने के साथ-साथ निष्ठावान, मानव-समझने योग्य स्पष्टीकरण प्रदान करने के लिए प्रोटोटाइप लर्निंग को कॉन्सेप्ट बॉटलनेक मॉडल के साथ जोड़ता 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 लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
बीमा की उच्च-दांव वाली दुनिया में, कंपनियाँ धोखाधड़ी के खिलाफ एक निरंतर लड़ाई का सामना करती हैं। जब कोई दावा (क्लेम) आता है, तो एल्गोरिदम को यह तय करना होता है कि क्या यह मदद के लिए एक वास्तविक अनुरोध है या पैसे चुराने के लिए बनाया गया एक चतुर छल। वर्षों से, इन निर्णयों को लेने के लिए सबसे शक्तिशाली उपकरण जटिल "ब्लैक बॉक्स" प्रणालियाँ रही हैं। ये प्रणालियाँ पैटर्न पहचानने में उत्कृष्ट हैं, लेकिन वे यह नहीं बतातीं कि उन्होंने एक विशिष्ट विकल्प क्यों चुना। वे केवल एक जोखिम स्कोर (रिस्क स्कोर) आउटपुट करती हैं, जिससे मानव ऑडिटर्स को यह अनुमान लगाने के लिए मजबूर होना पड़ता है कि अलार्म क्यों बजा। यह एक खतरनाक अंतर पैदा करता है: यदि कोई सिस्टम किसी दावे को धोखाधड़ी के रूप में चिह्नित करता है, लेकिन यह नहीं बता पाता कि क्यों, तो ऑडिटर्स काल्पनिक कारणों के पीछे समय बर्बाद करते हैं, और ईमानदार ग्राहकों पर गलत तरीके से आरोप लग सकते हैं। इसे हल करने के लिए, शोधकर्ता "इंट्रिन्सिक इंटरप्रिटेबिलिटी" (आंतरिक व्याख्यात्मकता) नामक एक अलग दृष्टिकोण की ओर मुड़ रहे हैं। एक शक्तिशाली मशीन बनाने और बाद में उसके रहस्यों को समझाने के बजाय, यह विधि मशीन के डिज़ाइन में ही स्पष्टीकरण को शामिल कर देती है। यह सिस्टम को कच्चे नंबरों के बजाय मानव-समझने योग्य विचारों के संदर्भ में सोचने के लिए मजबूर करती है, जैसे कि "दावे की राशि असामान्य रूप से अधिक है" या "विजिट का समय संदिग्ध है"। लक्ष्य एक ऐसा सिस्टम बनाना है जो न केवल स्मार्ट हो बल्कि पारदर्शी भी हो, जिससे मनुष्य देख सके कि निर्णय तक कैसे पहुँचा गया।
एक शोधकर्ता ने अब इस दिशा में एक महत्वपूर्ण कदम उठाया है, जिसमें उन्होंने एक नया ढांचा बनाने के लिए दो अलग-अलग विचारों को मिलाया है। उन्होंने एक ऐसी विधि को मिलाया जो विशिष्ट "कॉन्सेप्ट्स" (अवधारणाओं) की पहचान करती है, और दूसरी विधि को जो नए मामलों की तुलना ज्ञात उदाहरणों से करती है। उनके सिस्टम का पहला भाग एक अनुवादक की तरह कार्य करता है, जो दावे के कच्चे डेटा को सात स्पष्ट, मानव-पठनीय संकेतों (फ्लैग्स) में परिवर्तित करता है। ये संकेत विसंगतियों के विशिष्ट प्रकारों का प्रतिनिधित्व करते हैं, जैसे कि एक अजीब समय पैटर्न, एक असामान्य डॉलर राशि, विवरण में संदिग्ध टेक्स्ट, शामिल लोगों के बीच अजीब संबंध, एक समस्याग्रस्त इतिहास, सहयोग की कमी, या इन समस्याओं का एक संयोजन। सिस्टम का दूसरा भाग इन संकेतों को लेता है और वर्तमान मामले की तुलना पिछले धोखाधड़ी के उदाहरणों, या "प्रोटोटाइप्स" के पुस्तकालय से करता है। यदि कोई नया दावा जाली दस्तावेजों के ज्ञात मामले के बहुत समान दिखता है, तो सिस्टम उस विशिष्ट पिछले उदाहरण की ओर इशारा कर सकता है और कह सकता है, "हम इस कारण से संदिग्ध हैं।" यह दो-स्तरीय दृष्टिकोण सिस्टम को भविष्यवाणी करने के साथ-साथ मानव ऑडिटर को निर्णय के पीछे के विशिष्ट कारणों और ऐतिहासिक पूर्ववृत्तों को दिखाने की अनुमति देता है।
शोधकर्ता ने इस नए ढांचे का परीक्षण बीमा दावों के एक यथार्थवादी सिमुलेशन का उपयोग करके किया, क्योंकि वास्तविक क्लेम डेटा निजी होता है और साझा नहीं किया जा सकता। उन्होंने 5,000 दावों का एक डेटासेट बनाया जहाँ धोखाधड़ी का संकेत जानबूझकर कमजोर और शोर (नॉइजी) वाला था, जो वास्तविक दुनिया की कठिन और अव्यवस्थित वास्तविकता की नकल करता है। इन परीक्षणों में, उनका पारदर्शी सिस्टम बेहतरीन "ब्लैक बॉक्स" सिस्टम के लगभग बराबर प्रदर्शन करता है, जिसमें केवल एक छोटा, सांख्यिकीय रूप से महत्वहीन नुकसान हुआ। जबकि पारंपरिक, अस्पष्ट मॉडलों ने लगभग 0.814 से 0.819 का AUC प्राप्त किया, नए पारदर्शी मॉडल ने 0.806 का AUC प्राप्त किया। यह परिणाम बताता है कि स्पष्टता प्राप्त करने के लिए सिस्टम को सटीकता से समझौता करने की आवश्यकता नहीं है, हालांकि लेखक नोट करते हैं कि यह सिम्युलेटेड डेटा पर एक व्यवहार्यता अध्ययन है और तैनाती से पहले वास्तविक, डी-आइडेंटिफाइड दावों पर इन नंबरों को पुन: सत्यापित किया जाना चाहिए। इससे भी महत्वपूर्ण बात यह है कि सिस्टम ने 80.1% की औसत सटीकता के साथ सात विशिष्ट धोखाधड़ी-संबंधी अवधारणाओं की सफलतापूर्वक पहचान की। इसने 36.4% मामलों में धोखाधड़ी के प्रकार को सही ढंग से वर्गीकृत करने में भी सफलता प्राप्त की, जो रैंडम गेसिंग (यादृच्छिक अनुमान) की 25% सफलता दर की तुलना में एक बड़ा सुधार है। लेखक इस एट्रिब्यूशन परिणाम को "मामूली लेकिन ईमानदार" बताते हैं, यह स्वीकार करते हुए कि नॉइजी कॉन्सेप्ट फ्लैग्स से धोखाधड़ी के प्रकारों की पहचान करना स्वाभाविक रूप से कठिन है।
इस कार्य का वास्तविक मूल्य इस बात में निहित है कि यह कंप्यूटर और मानव ऑडिटर के बीच के संबंध को कैसे बदलता है। अतीत में, यदि एक ब्लैक-बॉक्स सिस्टम ने किसी दावे को चिह्नित किया, तो एक ऑडिटर हफ्तों तक गलत विवरणों, जैसे कि कुल लागत की जांच करने में बिता सकता था, केवल यह पता लगाने के लिए कि कुछ भी गलत नहीं है। इस नए सिस्टम के साथ, ऑडिटर तुरंत देख सकता है कि सिस्टम ने दावे को इसलिए चिह्नित किया क्योंकि इसमें एक टेक्स्ट विसंगति और डॉक्टर एवं रोगी के बीच एक अजीब संबंध था, न कि लागत के कारण। सिस्टम तर्क का एक स्पष्ट, चरण-दर-चरण मार्ग प्रदान करता है जिसे सत्यापित किया जा सकता है। शोधकर्ता ने प्रदर्शित किया कि यह पारदर्शिता न्यूनतम प्रदर्शन हानि के साथ प्राप्त की जा सकती है, जो अंतर्दृष्टि का एक ऐसा स्तर प्रदान करती है जो पहले असंभव था। विशिष्ट चेतावनी संकेतों को पहचानने की क्षमता और समान पिछले मामलों को याद करने की क्षमता को जोड़कर, यह ढांचा एक "व्हाइट बॉक्स" समाधान प्रदान करता है जो नियामक पारदर्शिता की आवश्यकता को पूरा करता है। यह दर्शाता है कि बीमा जैसे महत्वपूर्ण क्षेत्रों में, हमें एक स्मार्ट सिस्टम और एक स्पष्ट सिस्टम के बीच चयन करने की आवश्यकता नहीं है; हम एक ऐसा सिस्टम बना सकते हैं जो दोनों 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।