JP2021026383A - 保険条件包含可能性判断プログラム及び保険金支払額判断プログラム - Google Patents
保険条件包含可能性判断プログラム及び保険金支払額判断プログラム Download PDFInfo
- Publication number
- JP2021026383A JP2021026383A JP2019142218A JP2019142218A JP2021026383A JP 2021026383 A JP2021026383 A JP 2021026383A JP 2019142218 A JP2019142218 A JP 2019142218A JP 2019142218 A JP2019142218 A JP 2019142218A JP 2021026383 A JP2021026383 A JP 2021026383A
- Authority
- JP
- Japan
- Prior art keywords
- insurance
- association
- past
- degree
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000006378 damage Effects 0.000 claims description 21
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
【課題】対象に対する保険条件の包含可能性を容易に判断することが可能な保険条件包含可能性判断プログラムを提供する。【解決手段】対象に対する保険条件の包含可能性を判断する保険条件包含可能性判断プログラムにおいて、対象の保険条件と、当該対象の状態を示す状態情報と、を取得する情報取得ステップと、過去の保険条件と過去の状態情報との組み合わせと、当該組み合わせに対する保険条件の包含可能性との3段階以上の連関度を予め取得する連関度取得ステップと、上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した保険条件及び状態情報に基づき、当該保険条件の包含可能性を判断する判断ステップとをコンピュータに実行させることを特徴とする。【選択図】図3
Description
本発明は、対象に対する保険条件の包含可能性を判断する保険条件包含可能性判断プログラム及び対象に対する保険条件に基づいて、保険加入者に支払う保険金支払額を判断する保険金支払額判断プログラムに関する。
従来、車両の運転者が過失による事故を起こした場合において補償が行われる運転保険や家屋等の火災が発生した場合に補償が行われる火災保険等の各種保険が普及している。
近年において、個人個人に合わせたオーダーメイド型の保険も普及しつつある。このオーダーメイド型の保険条件を個人個人に設定する場合には、保険加入者の資質、年齢、運転歴、事故歴、居住年数等に基づいて最適な条件を探索する作業を行うことになるが、当該作業の負担は過大なものとなる。
個人個人に合わせたオーダーメイド型の保険を意図する場合には、その保険の利用者が免責事項や特約条項に当てはまるか否かを検討し、また当てはまるか否かに応じて保険条件をリーゾナブルに変更する必要がある。しかしながら、このような判断を全ての利用者ごとに判断し、本件条件を変える作業を行うのは、多大な労力を伴う。このため、これらの作業を人工知能を活用してアシストすることを考えていく必要が出てくるが、保険条件を検討する上で人工知能を活用する技術は以前より提案されているものの(例えば、特許文献1、2参照。)、何れも個人個人に合わせたオーダーメイド型の保険を意図したものではない。
特に、保険加入者が免責事項や特約条項を含めた保険条件に包含するか否かを判断する作業労力の負担は非常に大きなものとなっており、これらの作業を人工知能を活用してアシストする技術は未だ提案されていないのが現状であった。
また、保険会社は、損害が発生した場合には、契約に基づいて保険金支払義務を負うものの、その保険金支払額を算定する作業労力の負担は非常に大きなものとなっており、これらの作業を人工知能を活用してアシストする技術は未だ提案されていないのが現状であった。
そこで、本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、個人個人に合わせた最適なオーダーメイド型の保険条件において、利用者に対して保険条件の包含性を自動的に判断することが可能な保険条件包含可能性判断プログラム、及び保険金支払額判断プログラムを提供することにある。
本発明を適用した保険条件包含可能性判断プログラムは、対象に対する保険条件の包含可能性を判断する保険条件包含可能性判断プログラムにおいて、対象の保険条件と、当該対象の状態を示す状態情報と、を取得する情報取得ステップと、過去の保険条件と過去の状態情報との組み合わせと、当該組み合わせに対する保険条件の包含可能性との3段階以上の連関度を予め取得する連関度取得ステップと、上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した保険条件及び状態情報に基づき、当該保険条件の包含可能性を判断する判断ステップとをコンピュータに実行させることを特徴とする。
本発明を適用した保険金支払額判断プログラムは、対象に対する保険条件に基づいて、保険加入者に支払う保険金支払額を判断する保険金支払額判断プログラムにおいて、対象の保険条件と、当該対象の状態を示す状態情報と、を取得する情報取得ステップと、過去の保険条件と過去の状態情報との組み合わせと、当該組み合わせに対する保険金支払額との3段階以上の連関度を予め取得する連関度取得ステップと、上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した保険条件及び状態情報に基づき、保険金支払額を判断する判断ステップとをコンピュータに実行させることを特徴とする。
上述した構成からなる本発明によれば、個人個人に合わせた最適なオーダーメイド型の保険条件の包含性を自動的に判断し、保険条件に基づいて支払われる保険金支払額を判断することが可能となる。
保険条件包含可能性判断プログラム
以下、本発明を適用した保険条件包含可能性判断プログラムについて、図面を参照しながら詳細に説明をする。
以下、本発明を適用した保険条件包含可能性判断プログラムについて、図面を参照しながら詳細に説明をする。
図1は、本発明を適用した保険条件包含可能性判断プログラムが実装される保険条件包含可能性判断システム1の全体構成を示すブロック図である。保険条件包含可能性判断システム1は、情報取得部9と、情報取得部9に接続された判断装置2と、判断装置2に接続されたデータベース3とを備えている。
情報取得部9は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部9は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部9は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部9は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部9は、後述する判断装置2と一体化されていてもよい。情報取得部9は、検知した情報を判断装置2へと出力する。また情報取得部9は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部9は、温度センサ、湿度センサ、流量センサ、その他物質や物性を特定することが可能なセンサも含む。情報取得部9は、インターネット上のサイトに掲載されている文字列やデータを自動的に取り込んでくる手段で構成されていてもよい。
データベース3は、解探索を行う上で必要な様々な情報が蓄積される。データベース3には、保険条件に関する情報が蓄積される。保険は、ドライバー保険、自動車保険等の運転保険を含む。保険とは、死亡保険、医療保険、介護保険、生存保険、がん保険、傷害保険、女性の保険、年金保険、こども保険等の生命保険を含む。保険は、火災保険、地震保険等の家屋や住居に関する保険を含む。保険は、傷害保険、個人賠償責任保険、所得補償保険等の身体に関する保険を含む。保険は、国内旅行傷害保険、海外旅行保険、ゴルファー保険、レジャー保険、ペット保険等の保険を含む。保険は、保険は、個人に対する保険や法人に対する保険も含む。保険は、家具、家電、物品に対する動産保険を含む。保険は、これら以外に、保険の免責事項又は保険の特約条項の一方又は両方が含まれるものであってもよい。保険条件とは、保険に入るためのあらゆる条件、並びに保険が適用されるためのあらゆる条件を示すものである。
データベース3は、過去の対象の状態を示す過去の状態情報が記憶される。状態情報とは、対象の状態を示すあらゆる情報を含むものである。過去の状態情報は、以前に取得した状態情報である。対象は、保険の対象であり、例えば、保険加入者、家屋、自動車等の車両、家具、家電、物品等の動産等が含まれる。状態情報は、対象の状態を示し、例えば被害状態を示す被害情報、故障状態を示す故障情報、疾患状態を示す疾患情報を含む。状態情報は、様々な対象に関して状態に関する情報を収集することにより得られるものである。
状態情報は、対象の状態が画像情報として含まれていてもよいし、対象の状態をテキスト情報として含まれていてもよい。状態情報は、例えば被害情報が画像であってもよいし、故障情報が画像であってもよいし、疾患情報が画像であってもよい。画像情報は、スマートフォン、カメラ等により撮像された画像であってもよいし、人工衛星により撮像される衛星画像であってもよい。例えば、状態情報は、家屋の浸水状況、台風の被害状況、自動車の被害状況、家電の損傷状況、火災後の家屋の被害状況、医師の診断書等が画像情報として含まれていてもよい。
対象が家屋の場合、過去の状態情報として、過去の台風による家屋の被害状態や、過去の大雨による家屋の被害状態や、火災後の家屋の被害情報を含む。被害情報は、全壊、半壊、一部損壊等の被害状態である。例えば、対象が家電等の動産の場合、過去の状態情報として、過去の故障情報を含む。故障情報としては、全損、半損、一部破損等の故障情報である。例えば、対象が保険加入者の場合、過去の状態情報として、過去の疾患情報である。疾患情報としては、糖尿病に罹患している、血糖値が高い等の疾患状態である。
データベース3には過去の属性情報も蓄積される。属性情報は、対象の属性に関するものである。過去の属性情報は、以前に取得した属性情報である。属性情報は、例えば、対象が保険加入者の場合には、保険加入者の年齢、性別、職業、出身地、居住地、年収、賞罰等、その保険加入者に関するあらゆる情報が含まれる。対象が家屋の場合には、家屋の場所、竣工時期、地価等の家屋に関するあらゆる情報が含まれる。対象が家電等の動産の場合、購入時期、購入場所、製品バージョン、製品の保証書、取扱説明書等の動産に関するあらゆる情報が含まれる。
また、データベース3には、保険条件の包含可能性に関する情報も蓄積される。この包含可能性のデータは、過去の状態情報の事例に基づいて、ある保険条件を満たすものと判断されたか否かについての情報である。これらの包含可能性のデータは、過去の状態情報の事例と保険条件を照らし合わせ、当該保険条件を満たすものと判断された場合、或いはそのように判断されなかった場合についてのデータを収集し、蓄積したものである。
つまり、データベース3には、対象の過去の状態情報と、当該対象の過去の保険条件との組み合わせと、当該組み合わせに対する保険条件の包含可能性の各データが互いに紐づけられて記憶されている。またこのデータベース3には、対象の過去の状態情報と、対象の過去の属性情報と、当該対象の保険条件の組み合わせと、当該組み合わせに対する保険条件の包含可能性の各データが互いに紐づけられて記憶されている。
判断装置2は、例えば、パーソナルコンピュータ(PC)等を始めとした電子機器で構成されているが、PC以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この判断装置2による探索解を得ることができる。
図2は、判断装置2の具体的な構成例を示している。この判断装置2は、判断装置2全体を制御するための制御部24と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部25と、有線通信又は無線通信を行うための通信部26と、各種判断を行う推定部27と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部28とが内部バス21にそれぞれ接続されている。さらに、この内部バス21には、実際に情報を表示するモニタとしての表示部23が接続されている。
制御部24は、内部バス21を介して制御信号を送信することにより、判断装置2内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部24は、操作部25を介した操作に応じて各種制御用の指令を内部バス21を介して伝達する。
操作部25は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部25は、上記実行命令がユーザから入力された場合には、これを制御部24に通知する。この通知を受けた制御部24は、推定部27を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部25は、前述した情報取得部9として具現化されるものであってもよい。
推定部27は、探索解を推定する。この推定部27は、推定動作を実行するに当たり、必要な情報として記憶部28に記憶されている各種情報や、データベース3に記憶されている各種情報を読み出す。この推定部27は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。
表示部23は、制御部24による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部23は、例えば、液晶ディスプレイ(LCD)等によって実現される。
記憶部28は、ハードディスクで構成される場合において、制御部24による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部28には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部24により読み出されて実行されることになる。
上述した構成からなる保険条件包含可能性判断システム1における動作について説明をする。
保険条件包含可能性判断プログラムでは、例えば図3に示すように、過去の状態情報と、過去の保険条件との組み合わせが形成されていることが前提となる。過去の保険条件は、保険に入るためのあらゆる条件、並びに保険が適用されるためのあらゆる条件を示すものである。保険は、これら以外に、保険の免責事項又は保険の特約条項の一方又は両方が含まれるものであってもよい。実際に、過去の状態情報と過去の保険条件は、ある一の対象に着目したとき、その対象の状態と当該対象について設定されていた保険条件とのデータセットで構成される。
入力データとしては、このような過去の状態情報と、過去の保険条件が並んでいる。このような入力データとしての、過去の状態情報に対して、過去の保険条件が組み合わさったものが、図3に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、保険条件を包含する可能性がパーセンテージとして表示されている。
対象に関する過去の状態情報と、過去の保険条件との各組み合わせ(中間ノード)は、この出力解としての保険条件の包含可能性に対して3段階以上の連関度を通じて互いに連関しあっている。過去の状態情報と過去の保険条件とがこの連関度を介して左側に配列し、保険条件の包含可能性が連関度を介して右側に配列している。連関度は、左側に配列された過去の状態情報と過去の保険条件との組み合わせに対して、何れの保険条件の包含可能性と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、過去の状態情報と過去の保険条件との組み合わせが、いかなる保険条件の包含可能性に紐付けられる可能性が高いかを示す指標であり、過去の状態情報と過去の保険条件との組み合わせから最も確からしい保険条件の包含可能性を選択する上での的確性を示すものである。図3の例では、このw13〜w22は以下の表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての保険条件の包含可能性と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての保険条件の包含可能性と互いに関連度合いが低いことを示している。
判断装置2は、このような図3に示す3段階以上の連関度を予め取得しておく。つまり判断装置2は、実際の保険条件の包含可能性の判断を行う上で、各対象の状態情報と、当該対象が加入している保険条件のデータ、並びに保険会社において実際に各事例を保険条件に包含するものとして適用したか否かのデータを蓄積しておき、これらを分析、解析することで図3に示す連関度を作り上げておく。この分析、解析は人工知能により行うようにしてもよい。
また、この図3に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力としての包含可能性に対する重み付け係数が、上述した連関度に対応することとなる。
図3に示す連関度の例では、ノード61aは、過去の状態情報P11に対して、過去の保険条件P20の組み合わせのノードであり、保険条件の包含可能性「30%」が連関度w13、「60%」が連関度w14とされている。ノード61bは、過去の状態情報P11に対して、過去の保険条件P18の組み合わせのノードであり、保険条件の包含可能性「85%」が連関度w15、「70%」が連関度w16とされている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに判断を行う対象に対して、当該保険が適用されるにあたり、必要な保険条件を満たしている可能性を判断していく。
新たに取得する運転成績情報は、上述した情報取得部9により入力される。このようにして新たに取得した状態情報と保険条件に基づいて、実際にいかなる保険条件の包含可能性を適用すべきかを推定する。かかる場合には、これから新たに保険を受けようとする対象に関する状態情報を取得する。同様にその対象が受けようとする保険に関する保険条件も同様に取得する。保険条件の取得は、例えばスマートフォン等により保険条件の文章を撮像して、これを文字認識させ、テキストデータを抽出するようにしてもよいし、当該保険条件が記載されている電子データにインターネット等を介してアクセスし、テキストデータを抽出するようにしてもよい。またその利用者が受けようとする保険に関する条件が予めこのシステム側において入力されている場合にはそれをそのまま用いるようにしてもよい。
対象の状態情報がP11に対して同一又は類似であり、同様に取得した保険条件がP20に対して同一又は類似である場合には、ノード61aに該当し、そのノード61aに付された連関度に応じた保険条件適用の可能性を出力する。つまり、適用の可能性が30%であることをW13の重みづけを以って助言し、適用の可能性が60%であることをw14の重みづけを以って助言する。その結果、本システムの利用者又は保険会社は、対象の状態から、当該対象に加入されている保険条件の包含の可能性を理解することができる。
なお、連関度の点数のより高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる、連関度の点数がより低いものを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論である。即ち、最適解の選択は、連関度が高いものから順に選択される場合に限定されるものではなく、ケースに応じて連関度が低いものから順に選択されるものであってもよいし、その他いかなる優先順位で選択されるものであってもよい。このようにして、入力データを参照用入力パラメータの何れかに割り当てた後、当該参照用入力パラメータに設定された連関度に基づいて出力解としての包含可能性を選択することになる。
また、入力から伸びている連関度w1〜w12の例を以下の表2に示す。
この入力から伸びている連関度w1〜w12に基づいて中間ノード61が選択されていてもよい。つまり連関度w1〜w12が大きいほど、中間ノード61の選択における重みづけを重くしてもよい。しかし、この連関度w1〜w12は何れも同じ値としてもよく、中間ノード61の選択における重みづけは何れも全て同一とされていてもよい。
図4は、上述した過去の状態情報と、過去の保険条件に加えて、更に過去の属性情報との組み合わせと、当該組み合わせに対する保険条件の包含可能性との3段階以上の連関度が設定されている例を示している。
ちなみに属性情報として、例えば、年齢、性別、職業、出身地、居住地、年収、過去の賞罰の何れか1以上を取得する場合には、過去の属性情報として、例えば、保険加入者の年齢、性別、職業、出身地、居住地、年収、過去の賞罰を、状態情報と共に、保険条件との間で予め学習させておく必要がある。そして、実際に取得した年齢、性別、職業、出身地、居住地、年収、過去の賞罰に応じた過去の属性情報を介して、その保険条件の包含可能性を探索することになる。
このとき、上述した連関度を年齢、性別、職業、出身地、居住地、年収、過去の賞罰の何れか2以上の組み合わせで構成するようにしてもよい。そして、その組み合わせに対する探索解としての保険条件の包含可能性を学習させておくことにより、解探索をさせるようにしてもよい。
かかる場合において、連関度は、図4に示すように、過去の状態情報と、過去の属性情報と、過去の保険条件との組み合わせの集合が上述と同様に中間ノードのノード61a〜61eとして表現されることとなる。
例えば、図4において、ノード61cは、過去の状態情報P12が連関度w3であり、過去の属性情報P15が連関度w7であり、過去の保険条件P21が連関度w11で連関している。同様にノード61eは、過去の状態情報P13が連関度w5であり、過去の属性情報P15が連関度w8であり、過去の保険条件P20が連関度w10で連関している。
このような連関度が設定されている場合も同様に、新たに取得した状態情報と、属性情報と、保険条件とに基づいて探索解を判別する。
この探索解を判別する上で予め取得した図4に示す連関度を参照する。例えば、取得した状態情報が過去の状態情報P12に同一又は類似であり、取得した属性情報が過去の属性情報P15に対応し、また取得した保険条件が過去の保険条件P21に対応する場合、その組み合わせはノード61cが関連付けられており、このノード61cは、保険条件の包含の可能性が「60%」が連関度w17であり、また保険条件の包含の可能性が「45%」が連関度w18である。このような連関度の結果、w17、w18に基づいて、実際に探索解を求めていくことになる。
また保険条件としては、保険の免責事項に基づく免責判断基準との組み合わせが形成されていてもよい。例えば、免責事項が「1年間故障なし」等であるものとする。このような免責事項が存在する中で、過去の状態情報と、必要に応じて過去の属性情報と、過去の保険条件としての保険の免責事項に基づく免責判断基準との各組み合わせ(中間ノード)を、この出力解としての、保険適用の可能性に対して3段階以上の連関度を通じて互いに連関しあう学習済みモデルを形成するようにしてもよい。
このような学習済みモデルを作った後に、実際にこれから新たに保険を受けようとする対象に対して、当該保険に関する免責事項の適用の可能性を判断していく。かかる場合には、これから新たに保険を受けようとする対象に関する状態情報を、必要に応じて更に属性情報を、取得する。同様にその対象が受けようとする保険に関する免責事項も同様に取得する。その対象が受けようとする保険に関する免責事項の取得は、例えばスマートフォン等により免責事項が記載されている文章を撮像して、これを文字認識させ、テキストデータを抽出するようにしてもよいし、当該免責事項が記載されている電子データにインターネット等を介してアクセスし、テキストデータを抽出するようにしてもよい。またその対象が受けようとする保険に関する免責事項が予めこのシステム側において入力されている場合にはそれをそのまま用いるようにしてもよい。
このようにして新たに取得した免責事項について、過去の保険条件として分類されている免責事項と照らし合わせ、取得した免責事項に対応する過去の保険条件を介して包含可能性の判断を求める。
また過去の保険条件としては、保険の特約条項との組み合わせが形成されていてもよい。このような特約条項が存在する中で、過去の保険条件と、必要に応じて過去の属性情報と、参照用運転保険情報としての保険の特約条項との各組み合わせ(中間ノード)を、この出力解としての、保険適用の可能性に対して3段階以上の連関度を通じて互いに連関しあう学習済みモデルを形成するようにしてもよい。
これから新たに保険を受けようとする対象に対して、当該保険に関する特約条項の適用の可能性を判断していく。かかる場合には、これから新たに保険を受けようとする対象に関する状態情報を、必要に応じて更に属性情報を、取得する。同様にその対象が受けようとする保険に関する特約条項も同様に取得する。その対象が受けようとする保険に関する特約条項の取得は、免責事項の取得方法と同様であってもよい。
このようにして新たに取得した特約条項について、過去の保険条件として分類されている特約条項と照らし合わせ、取得した特約条項に対応する過去の保険条件を介して保険条件の包含可能性の判断を求める。
このとき、免責事項と特約条項の双方を過去の保険条件に盛り込んでおくことで、双方同時に包含性の判断を行うようにしてもよい。即ち、保険の免責事項又は保険の特約条項の一方又は両方を含めた保険条件を有する上記組み合わせと、当該組み合わせに対する保険条件の包含可能性との3段階以上の連関度を利用し、新たに取得した保険の免責事項又は保険の特約条項の一方又は両方を含めた保険条件から、包含可能性を判断していくことになる。
保険金支払額判断プログラム
次に、本発明を適用した保険金支払額判断プログラムについて説明をする。保険金支払額判断プログラムも同様に、 図1に示すブロック図に記載の構成要素を用いる。保険金支払額判断プログラムを実行する上で必要となる情報取得部9、判断装置2、データベース3は、上述した図1、2についての説明を引用することにより、以下での説明を省略する。
次に、本発明を適用した保険金支払額判断プログラムについて説明をする。保険金支払額判断プログラムも同様に、 図1に示すブロック図に記載の構成要素を用いる。保険金支払額判断プログラムを実行する上で必要となる情報取得部9、判断装置2、データベース3は、上述した図1、2についての説明を引用することにより、以下での説明を省略する。
上述した構成からなる保険金支払額判断プログラムの動作について説明をする。
保険金支払額判断プログラムでは、例えば図5に示すように、過去の状態情報と、過去の保険条件との組み合わせが形成されていることが前提となる。過去の保険条件は、保険に入るためのあらゆる条件、並びに保険が適用されるためのあらゆる条件を示すものである。保険は、これら以外に、保険の免責事項又は保険の特約条項の一方又は両方が含まれるものであってもよい。実際に、過去の状態情報と過去の保険条件は、ある一の対象に着目したとき、その対象の状態と当該対象について設定されていた保険条件とのデータセットで構成される。
入力データとしては、このような過去の状態情報と、過去の保険条件が並んでいる。このような入力データとしての、過去の状態情報に対して、過去の保険条件が組み合わさったものが、図5に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、保険金支払額が表示されている。
対象に関する過去の状態情報と、過去の保険条件との各組み合わせ(中間ノード)は、この出力解としての保険金支払額に対して3段階以上の連関度を通じて互いに連関しあっている。過去の状態情報と過去の保険条件とがこの連関度を介して左側に配列し、保険金支払額が連関度を介して右側に配列している。連関度は、左側に配列された過去の状態情報と過去の保険条件との組み合わせに対して、何れの保険金支払額と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、過去の状態情報と過去の保険条件との組み合わせが、いかなる保険金支払額に紐付けられる可能性が高いかを示す指標であり、過去の状態情報と過去の保険条件との組み合わせから最も確からしい保険金支払額を選択する上での的確性を示すものである。図5の例では、このw13〜w22は以下の表3に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての保険金支払額と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての保険金支払額と互いに関連度合いが低いことを示している。
判断装置2は、このような図5に示す3段階以上の連関度を予め取得しておく。つまり判断装置2は、実際の保険金支払額の判断を行う上で、各対象の状態情報と、当該対象が加入している保険条件のデータ、並びに保険会社において実際に各事例を保険金支払額として適用したか否かのデータを蓄積しておき、これらを分析、解析することで図3に示す連関度を作り上げておく。この分析、解析は人工知能により行うようにしてもよい。
また、この図5に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力としての保険金支払額に対する重み付け係数が、上述した連関度に対応することとなる。
図5に示す連関度の例では、ノード61aは、過去の状態情報P11に対して、過去の保険条件P20の組み合わせのノードであり、保険金支払い額「100万円」が連関度w13、「10万円」が連関度w14とされている。ノード61bは、過去の状態情報P11に対して、過去の保険条件P18の組み合わせのノードであり、保険条件の包含可能性「50万円」が連関度w15、「5万円」が連関度w16とされている。
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに判断を行う対象に対して、当該保険が適用されるにあたり、必要な保険金支払額を判断していく。
新たに取得する状態情報及び保険条件は、上述した情報取得部9により入力される。このようにして新たに取得した状態情報と保険条件に基づいて、実際にいかなる保険金支払額を適用すべきかを推定する。かかる場合には、これから新たに保険を受けようとする対象に関する状態情報を取得する。同様にその対象が受けようとする保険に関する保険条件も同様に取得する。保険条件の取得は、例えばスマートフォン等により保険条件の文章を撮像して、これを文字認識させ、テキストデータを抽出するようにしてもよいし、当該保険条件が記載されている電子データにインターネット等を介してアクセスし、テキストデータを抽出するようにしてもよい。またその利用者が受けようとする保険に関する条件が予めこのシステム側において入力されている場合にはそれをそのまま用いるようにしてもよい。
対象の状態情報がP11に対して同一又は類似であり、同様に取得した保険条件がP20に対して同一又は類似である場合には、ノード61aに該当し、そのノード61aに付された連関度に応じた保険金支払額を出力する。つまり、保険金支払額が100万円であることをW13の重みづけを以って助言し、保険金支払額が10万円であることをw14の重みづけを以って助言する。その結果、本システムの利用者又は保険会社は、対象の状態から、当該対象に加入されている保険による保険金支払額を理解することができる。
なお、連関度の点数のより高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる、連関度の点数がより低いものを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論である。即ち、最適解の選択は、連関度が高いものから順に選択される場合に限定されるものではなく、ケースに応じて連関度が低いものから順に選択されるものであってもよいし、その他いかなる優先順位で選択されるものであってもよい。このようにして、入力データを参照用入力パラメータの何れかに割り当てた後、当該参照用入力パラメータに設定された連関度に基づいて出力解としての保険金支払額を選択することになる。
また、入力から伸びている連関度w1〜w12の例を以下の表4に示す。
この入力から伸びている連関度w1〜w12に基づいて中間ノード61が選択されていてもよい。つまり連関度w1〜w12が大きいほど、中間ノード61の選択における重みづけを重くしてもよい。しかし、この連関度w1〜w12は何れも同じ値としてもよく、中間ノード61の選択における重みづけは何れも全て同一とされていてもよい。
図6は、上述した過去の状態情報と、過去の保険条件に加えて、更に過去の属性情報との組み合わせと、当該組み合わせに対する保険金支払額との3段階以上の連関度が設定されている例を示している。
ちなみに属性情報として、例えば、年齢、性別、職業、出身地、居住地、年収、過去の賞罰の何れか1以上を取得する場合には、過去の属性情報として、これらに応じた年齢、性別、職業、出身地、居住地、年収、過去の賞罰を状態情報と共に、保険条件との間で予め学習させておく必要がある。そして、実際に取得した年齢、性別、職業、出身地、居住地、年収、過去の賞罰に応じた過去の属性情報を介して、その保険金支払額を探索することになる。
このとき、上述した連関度を年齢、性別、職業、出身地、居住地、年収、過去の賞罰等の属性情報のうちの何れか2以上の組み合わせで構成するようにしてもよい。そして、その組み合わせに対する探索解としての保険金支払額を学習させておくことにより、解探索をさせるようにしてもよい。
かかる場合において、連関度は、図6に示すように、過去の状態情報と、過去の属性情報と、過去の保険条件との組み合わせの集合が上述と同様に中間ノードのノード61a〜61eとして表現されることとなる。
例えば、図6において、ノード61cは、過去の状態情報P12が連関度w3であり、過去の属性情報P15が連関度w7であり、過去の保険条件P21が連関度w11で連関している。同様にノード61eは、過去の状態情報P13が連関度w5であり、過去の属性情報P15が連関度w8であり、過去の保険条件P20が連関度w10で連関している。
このような連関度が設定されている場合も同様に、新たに取得した状態情報と、属性情報と、保険条件とに基づいて探索解を判別する。
この探索解を判別する上で予め取得した図6に示す連関度を参照する。例えば、取得した状態情報が過去の状態情報P12に同一又は類似であり、取得した属性情報が過去の属性情報P15に対応し、また取得した保険条件が過去の保険条件P21に対応する場合、その組み合わせはノード61cが関連付けられており、このノード61cは、保険金支払額が「10万円」が連関度w17であり、また保険金支払額が「5万円」が連関度w18である。このような連関度の結果、w17、w18に基づいて、実際に探索解を求めていくことになる。
また保険条件としては、保険の免責事項に基づく免責判断基準との組み合わせが形成されていてもよい。例えば、免責事項が「1年間故障なし」等であるものとする。このような免責事項が存在する中で、過去の状態情報と、必要に応じて過去の属性情報と、過去の保険条件としての保険の免責事項に基づく免責判断基準との各組み合わせ(中間ノード)を、この出力解としての、保険金支払額に対して3段階以上の連関度を通じて互いに連関しあう学習済みモデルを形成するようにしてもよい。
このような学習済みモデルを作った後に、実際にこれから新たに保険を受けようとする対象に対して、当該保険に関する免責事項を含んだ保険条件に基づいて、保険金支払額を判断していく。かかる場合には、これから新たに保険を受けようとする対象に関する状態情報を、必要に応じて更に属性情報を、取得する。同様にその対象が受けようとする保険に関する免責事項も同様に取得する。その対象が受けようとする保険に関する免責事項の取得は、例えばスマートフォン等により免責事項が記載されている文章を撮像して、これを文字認識させ、テキストデータを抽出するようにしてもよいし、当該免責事項が記載されている電子データにインターネット等を介してアクセスし、テキストデータを抽出するようにしてもよい。またその対象が受けようとする保険に関する免責事項が予めこのシステム側において入力されている場合にはそれをそのまま用いるようにしてもよい。
このようにして新たに取得した免責事項について、過去の保険条件として分類されている免責事項と照らし合わせ、取得した免責事項に対応する過去の保険条件を介して保険金支払額の判断を求める。
また過去の保険条件としては、保険の特約条項との組み合わせが形成されていてもよい。このような特約条項が存在する中で、過去の保険条件と、必要に応じて過去の属性情報と、参照用運転保険情報としての保険の特約条項との各組み合わせ(中間ノード)を、この出力解としての、保険金支払額に対して3段階以上の連関度を通じて互いに連関しあう学習済みモデルを形成するようにしてもよい。
これから新たに保険を受けようとする対象に対して、当該保険に関する特約条項を含んだ保険条件に基づいて、保険金支払額を判断していく。かかる場合には、これから新たに保険を受けようとする対象に関する状態情報を、必要に応じて更に属性情報を、取得する。同様にその対象が受けようとする保険に関する特約条項も同様に取得する。その対象が受けようとする保険に関する特約条項の取得は、免責事項の取得方法と同様であってもよい。
このようにして新たに取得した特約条項について、過去の保険条件として分類されている特約条項と照らし合わせ、取得した特約条項に対応する過去の保険条件を介して保険金支払額の判断を求める。
このとき、免責事項と特約条項の双方を過去の保険条件に盛り込んでおくことで、双方同時に包含性の判断を行うようにしてもよい。即ち、保険の免責事項又は保険の特約条項の一方又は両方を含めた保険条件を有する上記組み合わせと、当該組み合わせに対する保険条件の包含可能性との3段階以上の連関度を利用し、新たに取得した保険の免責事項又は保険の特約条項の一方又は両方を含めた保険条件から、保険金支払額を判断していくことになる。
上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に対象の状態情報に基づいて、最適な保険条件の包含可能性、或いは保険金支払額の判断を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能(ニューラルネットワーク等)で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。
本発明によれば、被害情報に基づいて、保険条件の包含可能性、或いは保険金支払額の判断を行うことができる。このため、例えば、家屋等の対象の被害状態から、保険条件の包含可能性、或いは保険金支払額の判断を行うことができる。
本発明によれば、故障情報に基づいて、保険条件の包含可能性、或いは保険金支払額の判断を行うことができる。このため、例えば、家電等の対象の故障状態から、保険条件の包含可能性、或いは保険金支払額の判断を行うことができる。
本発明によれば、疾患情報に基づいて、保険条件の包含可能性、或いは保険金支払額の判断を行うことができる。このため、例えば、保険加入者の疾患状態から、保険条件の包含可能性、或いは保険金支払額の判断を行うことができる。
また、本発明によれば、状態情報が被害の状態を示す画像を示す画像情報を含む。これにより、本システムの利用者は、この画像情報に基づいて、保険条件の包含可能性、或いは保険金支払額の判断を行うことができる。
また、本発明によれば、3段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した5段階以外に、例えば0〜100%までの数値で記述することができるが、これに限定されるものではなく3段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。
このような3段階以上の数値で表される連関度に基づいて最も確からしい運転保険条件の包含可能性、或いは保険金支払額の判断を行うことで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい探索解を優先的に表示することも可能となる。
これに加えて、本発明によれば、連関度が1%のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。
また本発明によれば、このような3段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が1%のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。
更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また地域特性情報を取得し、これ以外に物件情報、外部環境情報と、これらに対する紹介すべき業種や不動産の値段に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。
つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。
また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。
また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。
また上述した各組み合わせの連関度は、一のファクタと他のファクタとを有する組み合わせの連関度であり、これら以外の他の要素が当該連関度に関連付けられていてもよいことは勿論である。
1 保険条件包含可能性判断システム
2 判断装置
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 推定部
28 記憶部
61 ノード
2 判断装置
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 推定部
28 記憶部
61 ノード
Claims (4)
- 対象に対する保険条件の包含可能性を判断する保険条件包含可能性判断プログラムにおいて、
対象の保険条件と、当該対象の状態を示す状態情報と、を取得する情報取得ステップと、
過去の保険条件と過去の状態情報との組み合わせと、当該組み合わせに対する保険条件の包含可能性との3段階以上の連関度を予め取得する連関度取得ステップと、
上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した保険条件及び状態情報に基づき、当該保険条件の包含可能性を判断する判断ステップとをコンピュータに実行させること
を特徴とする保険条件包含可能性判断プログラム。 - 前記情報取得ステップでは、状態の画像を示す画像情報を含む前記状態情報を取得すること
を特徴とする請求項1記載の保険条件包含可能性判断プログラム。 - 前記情報取得ステップでは、対象の被害を示す被害情報、対象の故障状態を示す故障情報、又は疾患の状態を示す疾患情報の少なくともいずれかを含む前記状態情報を取得すること
を特徴とする請求項1又は2記載の保険条件包含可能性判断プログラム。 - 対象に対する保険条件に基づいて、保険加入者に支払う保険金支払額を判断する保険金支払額判断プログラムにおいて、
対象の保険条件と、当該対象の状態を示す状態情報と、を取得する情報取得ステップと、
過去の保険条件と過去の状態情報との組み合わせと、当該組み合わせに対する保険金支払額との3段階以上の連関度を予め取得する連関度取得ステップと、
上記連関度取得ステップにおいて取得した連関度を参照し、上記情報取得ステップを介して取得した保険条件及び状態情報に基づき、保険金支払額を判断する判断ステップとをコンピュータに実行させること
を特徴とする保険金支払額判断プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019142218A JP2021026383A (ja) | 2019-08-01 | 2019-08-01 | 保険条件包含可能性判断プログラム及び保険金支払額判断プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019142218A JP2021026383A (ja) | 2019-08-01 | 2019-08-01 | 保険条件包含可能性判断プログラム及び保険金支払額判断プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021026383A true JP2021026383A (ja) | 2021-02-22 |
Family
ID=74663876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019142218A Pending JP2021026383A (ja) | 2019-08-01 | 2019-08-01 | 保険条件包含可能性判断プログラム及び保険金支払額判断プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021026383A (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150348282A1 (en) * | 2014-09-26 | 2015-12-03 | Shyp, Inc. | Image processing and item transport |
WO2017168883A1 (ja) * | 2016-03-29 | 2017-10-05 | ソニー株式会社 | 情報処理装置、情報処理方法、プログラム、およびシステム |
JP2018180856A (ja) * | 2017-04-11 | 2018-11-15 | 富士通株式会社 | 情報提供プログラム、情報提供方法及び情報提供装置 |
KR20190024324A (ko) * | 2017-08-31 | 2019-03-08 | 이수연 | 딥러닝을 이용한 보험 상품 제공 방법 |
CN109903168A (zh) * | 2019-01-18 | 2019-06-18 | 平安科技(深圳)有限公司 | 基于机器学习的推荐保险产品的方法及相关设备 |
JP2019114307A (ja) * | 2019-04-22 | 2019-07-11 | ヤフー株式会社 | 決定装置、決定方法、および決定プログラム |
-
2019
- 2019-08-01 JP JP2019142218A patent/JP2021026383A/ja active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150348282A1 (en) * | 2014-09-26 | 2015-12-03 | Shyp, Inc. | Image processing and item transport |
WO2017168883A1 (ja) * | 2016-03-29 | 2017-10-05 | ソニー株式会社 | 情報処理装置、情報処理方法、プログラム、およびシステム |
JP2018180856A (ja) * | 2017-04-11 | 2018-11-15 | 富士通株式会社 | 情報提供プログラム、情報提供方法及び情報提供装置 |
KR20190024324A (ko) * | 2017-08-31 | 2019-03-08 | 이수연 | 딥러닝을 이용한 보험 상품 제공 방법 |
CN109903168A (zh) * | 2019-01-18 | 2019-06-18 | 平安科技(深圳)有限公司 | 基于机器学习的推荐保险产品的方法及相关设备 |
JP2019114307A (ja) * | 2019-04-22 | 2019-07-11 | ヤフー株式会社 | 決定装置、決定方法、および決定プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021079816A1 (ja) | 中古車販売価格推定プログラム | |
JP2021125250A (ja) | デリバティブ取引プログラム | |
Saleh et al. | A benchmarking platform for selecting optimal retinal diseases diagnosis model based on a multi-criteria decision-making approach | |
JP2021144357A (ja) | 不動産ローン借り換え融資条件提案プログラム | |
JP2021026383A (ja) | 保険条件包含可能性判断プログラム及び保険金支払額判断プログラム | |
JP2020184128A (ja) | 疲労度判別プログラム | |
JP6609873B1 (ja) | 保険免責可能性判断プログラム、保険特約条項適用可能性判断プログラム、保険条件提案プログラム | |
WO2020226003A1 (ja) | 融資先信用度判定プログラム及びシステム | |
JP6801902B1 (ja) | 子供虐待兆候判別プログラム及びシステム | |
JP2021012525A (ja) | 運転保険提案プログラム、運転保険条件包含可能性判断プログラム | |
JP2021026384A (ja) | 動産保険提案プログラム、動産保険条件包含可能性判断プログラム | |
JP2022033687A (ja) | 買取価格推定プログラム | |
JP2021140201A (ja) | 不動産融資条件提案プログラム | |
WO2022050342A1 (ja) | 中古車販売価格推定プログラム | |
JP2021039765A (ja) | 保険条件包含可能性判断プログラム | |
WO2022065363A1 (ja) | 不正経費検出プログラム | |
JP2021039404A (ja) | 生活習慣病保険提案プログラム、保険条件包含可能性判断プログラム | |
JP2022042679A (ja) | 中古車販売価格推定プログラム | |
KR102526003B1 (ko) | 상가 부동산 매물 정보 제공 방법 및 서버 | |
JP2022042682A (ja) | 中古車販売価格推定プログラム | |
JP2021140202A (ja) | 不動産融資条件提案プログラム | |
JP2022042680A (ja) | 中古車販売価格推定プログラム | |
JP2022042681A (ja) | 中古車品質推定プログラム | |
JP2021039405A (ja) | 海外旅行保険提案プログラム | |
JP2023049153A (ja) | 書類記載内容検査システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220502 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230404 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20231003 |