KR101974521B1 - 인공지능 기반의 보험금 부당청구 탐지 장치 및 방법 - Google Patents

Abstract

보험금 부당청구 탐지 장치 및 방법이 개시되며, 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치는, 보험청구 내역 데이터를 정형화하여 특질 변수를 도출하는 데이터 전처리부, 상기 특질 변수 및 정상 청구 데이터를 입력으로 하는 지도 학습 기반의 부당청구 탐지 모형을 구축하는 부당청구 탐지부 및 상기 부당청구 탐지 모형에 기초하여 신규 보험청구 내역의 부당 여부를 판단하는 부당청구 판단부를 포함할 수 있다.

Description

인공지능 기반의 보험금 부당청구 탐지 장치 및 방법{DEVICE AND METHOD FOR INSURANCE UNFAIR CLAIM DETECTION BASED ON ARTIFICIAL INTELLIGENCE}

본원은 인공지능 기반의 보험금 부당청구 탐지 장치 및 방법에 관한 것이다.

기존의 보험사기 방지시스템은 비즈니스 룰 기반으로 청구된 보험 사건에 대해 심사자의 경험과 지식을 바탕으로 룰을 도출하는 방법으로 조사대상 룰과 조사대상 제외 룰로 구분하여 산출하고 있다 그러나 보험사기는 점점 지능화 및 고도화됨에 따라 새로운 부당청구 패턴 내지 사기패턴에 대한 지속적인 갱신이 필요하다.

또한 보험회사는 보험사기에 대해 아무런 조치도 취하지 않은 채 보험금 누수를 방치할 수도 없고, 보험사기를 완전히 밝혀낸다는 목적 하에 무한대의 조사비용을 지출할 수도 없다. 이에 보험회사는 보험사기로부터 누수보험금을 줄이는 한편 지나치게 많은 조사비용을 지출하지 않는 적정한 선에서 조사노력의 수준을 결정할 필요가 있다.

본원의 배경이 되는 기술은 한국등록특허공보 제10-0862181호에 개시되어 있다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 보험금 청구의 부당청구를 판별할 수 있는 탐지 모형을 제공하는 인공지능 기반의 보험금 부당청구 탐지 장치 및 방법을 제공하는 것을 목적으로 한다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 보험금 청구 관련 데이터를 학습하여 신규 청구건에 대한 부당을 판별하는 인공지능 기반의 보험금 부당청구 탐지 장치 및 방법을 제공하는 것을 목적으로 한다.

다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들도 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치는, 보험청구 내역 데이터를 정형화하여 특질 변수를 도출하는 데이터 전처리부, 상기 특질 변수 및 정상 청구 데이터를 입력으로 하는 지도 학습 기반의 부당청구 탐지 모형을 구축하는 부당청구 탐지부 및 상기 부당청구 탐지 모형에 기초하여 신규 보험청구 내역의 부당 여부를 판단하는 부당청구 판단부를 포함할 수 있다.

본원의 일 실시예에 따르면, 상기 보험청구 내역 데이터, 상기 특질 변수 및 상기 정상 청구 데이터 중 적어도 하나를 기록하는 데이터베이스를 더 포함하고, 상기 보험청구 내역 데이터는 청구 데이터, 계약 데이터, 지급 데이터, 보험설계사 데이터, 고객 데이터 중 적어도 하나를 포함할 수 있다.

본원의 일 실시예에 따르면, 상기 부당청구 탐지부는, 상기 지도 학습 기반의 분류/예측 알고리즘에 기초하여 상기 부당청구 탐지 모형을 구축할 수 있다.

본원의 일 실시예에 따르면, 신규 패턴 분석부를 더 포함하고, 상기 신규 패턴 분석부는, 상기 특질 변수를 입력으로 하는 비지도 학습 기반의 군집 알고리즘에 기초하여 부당청구의 신규 패턴을 분류하는 부당청구 패턴 분류부, 지도 학습 기반의 의사결정 알고리즘에 기초하여 신규 패턴 판별 모형을 구축하는 판별 모형 구축부 및 상기 신규 패턴 판별 모형에 기초하여 신규 청구의 패턴 유형을 판별하는 신규 패턴 판별부를 포함할 수 있다.

본원의 일 실시예에 따르면, 상기 부당청구 패턴 분류부는, 상기 특질 변수의 빈도에 기초하여 상기 군집 알고리즘을 통해 상기 특질 변수를 복수개의 청구 패턴으로 군집하고, 상기 청구 패턴의 군집간 분리도에 기초하여 상기 신규 패턴을 검출할 수 있다.

본원의 일 실시예에 따르면, 상기 부당청구 패턴 분류부는, 상기 신규 패턴 상호간의 유사도에 기초하여 상기 신규 패턴을 복수개의 유사 패턴 그룹으로 분류할 수 있다.

본원의 일 실시예에 따르면, 상기 부당청구 패턴 분류부는, 상기 신규 패턴 각각과 연계된 특질 변수 중 상기 특질 변수 각각에 미리 설정된 임계값 이상의 특질 변수의 수에 기초하여 상기 패턴 그룹의 위험 수준을 설정할 수 있다.

본원의 일 실시예에 따르면, 상기 판별 모형 구축부는, 상기 위험 수준별로 상기 패턴 그룹에 포함된 상기 신규 패턴을 입력으로 하는 의사결정 알고리즘에 기초하여 신규 패턴 판별 규칙을 학습하고, 상기 신규 패턴 판별 규칙을 포함하는 상기 신규 패턴 판별 모형을 구축할 수 있다.

본원의 일 실시예에 따르면, 상기 신규 패턴 판별부는, 상기 신규 패턴 판별 규칙에 기초하여 상기 신규 청구가 정상 청구 패턴, 부당청구 패턴 및 신규 패턴 중 어떠한 패턴 유형인지 판별할 수 있다.

본원의 일 실시예에 따른 보험금 부당청구 탐지 방법은, 보험청구 내역 데이터를 정형화하여 특질 변수를 도출하는 단계, 상기 특질 변수 및 정상 청구 데이터를 입력으로 하는 지도 학습 기반의 부당청구 탐지 모형을 구축하는 단계 및 상기 부당청구 탐지 모형에 기초하여 신규 보험청구 내역의 부당 여부를 판단하는 단계를 포함할 수 있다.

본원의 일 실시예에 따르면, 상기 보험청구 내역 데이터, 상기 특질 변수 및 상기 정상 청구 데이터 중 적어도 하나를 기록하는 단계를 더 포함하고, 상기 보험청구 내역 데이터는 청구 데이터, 계약 데이터, 지급 데이터, 보험설계사 데이터, 고객 데이터 중 적어도 하나를 포함할 수 있다.

본원의 일 실시예에 따르면, 상기 부당청구 탐지 모형을 구축하는 단계는, 상기 지도 학습 기반의 분류/예측 알고리즘에 기초하여 상기 부당청구 탐지 모형을 구축할 수 있다.

본원의 일 실시예에 따르면, 신규 패턴을 분석하는 단계를 더 포함하고, 상기 신규 패턴을 분석하는 단계는, 상기 특질 변수를 입력으로 하는 비지도 학습 기반의 군집 알고리즘에 기초하여 부당청구의 신규 패턴을 분류하는 단계, 지도 학습 기반의 의사결정 알고리즘에 기초하여 신규 패턴 판별 모형을 구축하는 단계 및 상기 신규 패턴 판별 모형에 기초하여 신규 청구의 패턴 유형을 판별하는 단계를 포함할 수 있다.

본원의 일 실시예에 따르면, 상기 부당청구의 신규 패턴을 분류하는 단계는, 상기 특질 변수의 빈도에 기초하여 상기 군집 알고리즘을 통해 상기 특질 변수를 복수개의 청구 패턴으로 군집하고, 상기 청구 패턴의 군집간 분리도에 기초하여 상기 신규 패턴을 검출할 수 있다.

본원의 일 실시예에 따르면, 상기 부당청구의 신규 패턴을 분류하는 단계는, 상기 신규 패턴 상호간의 유사도에 기초하여 상기 신규 패턴을 복수개의 유사 패턴 그룹으로 분류할 수 있다.

본원의 일 실시예에 따르면, 상기 부당청구의 신규 패턴을 분류하는 단계는, 상기 신규 패턴 각각과 연계된 특질 변수 중 상기 특질 변수 각각에 미리 설정된 임계값 이상의 특질 변수의 수에 기초하여 상기 패턴 그룹의 위험 수준을 설정할 수 있다.

본원의 일 실시예에 따르면, 상기 신규 패턴 판별 모형을 구축하는 단계는, 상기 위험 수준별로 상기 패턴 그룹에 포함된 상기 신규 패턴을 입력으로 하는 의사결정 알고리즘에 기초하여 신규 패턴 판별 규칙을 학습하고, 상기 신규 패턴 판별 규칙을 포함하는 상기 신규 패턴 판별 모형을 구축할 수 있다.

본원의 일 실시예에 따르면, 상기 패턴 유형을 판별하는 단계는, 상기 신규 패턴 판별 규칙에 기초하여 상기 신규 청구가 정상 청구 패턴, 부당청구 패턴 및 신규 패턴 중 어떠한 패턴 유형인지 판별할 수 있다.

상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 보험금 청구의 부당청구를 판별할 수 있는 탐지 모형을 제공하는 인공지능 기반의 보험금 부당청구 탐지 장치 및 방법을 제공할 수 있다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 보험금 청구 관련 데이터를 학습하여 신규 청구건에 대한 부당을 판별하는 인공지능 기반의 보험금 부당청구 탐지 장치 및 방법을 제공할 수 있다.

도 1은 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치의 구성을 도시한 도면이다.
도 2는 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치의 신규 패턴 분석부의 구성을 도시한 도면이다.
도 3은 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치의 신규 패턴 검출의 예를 도시한 도면이다.
도 4는 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치의 유사 패턴 그룹 분류의 예를 도시한 도면이다.
도 5는 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치의 부당청구 탐지 모형의 평가 지표를 도시한 도면이다.
도 6은 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치의 알고리즘간 성능 비교를 도시한 도면이다.
도 7은 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치의 알고리즘간 안정성 및 유연성을 비교한 도면이다.
도 8은 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치의 Deep Learning 알고리즘으로 구축된 부당청구 탐지 모형을 도시한 도면이다.
도 9는 본원의 일 실시예에 따른 보험금 부당청구 탐지 방법의 흐름을 도시한 도면이다.
도 10은 본원의 일 실시예에 따른 보험금 부당청구 탐지 방법의 신규 부당 청구 패턴 분석의 흐름을 도시한 도면이다.

아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.

본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.

본원 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.

도 1은 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치의 구성을 도시한 도면이다.

도 1을 참조하면, 보험금 부당청구 탐지 장치(100)는 데이터 전처리부(110), 부당청구 탐지부(120), 부당청구 판단부(130), 신규 패턴 분석부(140) 및 데이터 베이스(150)를 포함할 수 있다. 데이터 전처리부는 데이터 전처리부(110)는 보험청구 내역 데이터를 정형화하여 특질 변수를 도출할 수 있다.

후술하는 설명은 보험금의 부당청구 뿐만 아니라 보조금, 지원금, 보증금 등의 부당청구를 포함하는 것은 자명하나, 설명의 편의를 위해 보험금 부당청구를 중심으로 설명한다. 상기 보험청구 내역 데이터는 예시적으로, 보험금을 청구한 청구 데이터, 보험 또는 보조금 관련 계약 데이터, 보험금의 지급 데이터, 보험 설계사 데이터, 고객 데이터 및 보험사기 적발 결과 데이터 중 적어도 하나를 포함할 수 있다. 데이터 전처리부(110)는 상기 보험청구 내역 데이터를 정형화하여 특질 변수를 도출할 수 있다. 보험청구 내역 데이터의 정형화는 예를 들어, 고객 데이터인 경우, 고객의 소득 수준, 고객이 방문한 병원의 수, 고객이 신청한 질병 사유의 개수 등을 수치화하는 것을 의미한다. 또한 데이터 전처리부(110)에 의해 도출되는 특질 변수는 보험금 청구와 관련되어 수치화된 값을 가질 수 있는 변수로, 예를 들어, 고객 ID 번호, 보험사기자 여부, 동일 병명으로 중복 신청한 개수, 계약 체결 년월 개수, 하루최대 계약 개수, 지불 승인된 증권 개수, 지불 신청한 증권 개수, 고객이 체결한 증권 개수, 보장성 보험 청구 횟수, 신용 등급 변화량, 가입한 계약의 종류, 유의 병원 방문 총 횟수, 고객이 신청한 질병 사유의 개수, 고객이 만난 의사의 명수, 고객이 방문한 병원의 개수, 유효 입/통원 총 일수, 진료 과목 개수, 고객 소득 수준, FP(Financial Planner) 변경 횟수, 실손 처리 개수, 사기 FP 계약 개수 중 적어도 하나를 포함할 수 있다. 데이터베이스(150)는 보험청구 내역 데이터, 상기 특질 변수 및 정상 청구 데이터 중 적어도 하나를 기록할 수 있다.

부당청구 탐지부(120)는 상기 특질 변수 및 정상 청구 데이터를 입력으로 하는 지도 학습 기반의 부당청구 탐지 모형을 구축할 수 있다. 지도 학습이란, 미리 구축된 학습용 데이터(training data)를 활용하여 모델을 학습하는 것을 의미한다. 상기 부당청구 탐지부(120)는 상기 지도 학습 기반의 분류/예측 알고리즘에 기초하여 상기 부당청구 탐지 모형을 구축할 수 있다. 예시적으로 상기 분류/예측 알고리즘은 Random Forest알고리즘 SVM(support vector machine) 알고리즘, Extra Tree알고리즘, XG Boost알고리즘 및 Deep Learning 알고리즘 중 적어도 하나를 포함할 수 있다. Random Forest알고리즘은 수많은 Decision Tree들이 Forest를 구성하여 각각의 예측결과를 하나의 결과변수로 평균화 하는 알고리즘이고, SVM알고리즘은 데이터의 분포공간에서 가장 큰 폭의 경계를 구분하여 데이터가 속하는 분류를 판단하는 비확률적 알고리즘이다. Extra Tree알고리즘은 Random forest와 비슷하나 속도가 Random forest에 비해 빠른 알고리즘이며, XGBoost알고리즘은 Random Forest의 Tree는 독립적이라면 XGBoost의 Tree의 결과를 다음 트리에 적용하는 boost방식의 알고리즘이다. Deep Learning알고리즘은 다층구조의 Neural Network을 기반으로 변수의 패턴이 결과에 미치는 영향을 가중치로 조절하며 학습하는 알고리즘이다.

상기 부당청구 탐지 모형은 상기 특질 변수 및 정상 청구 데이터를 입력으로 하여 부당청구 탐지 결과를 출력할 수 있다. 예시적으로, 부당청구 탐지 모형은 특질 변수와 정상 청구 데이터 간의 유사도에 기초하여 부당청구 참지 결과를 출력할 수 있다. 상기 유사도가 미리 설정된 임계값 미만이면 특질 변수와 연계된 보험청구를 정상으로 판단하고, 상기 유사도가 미리 설정된 임계값 이상이면 특질 변수와 연계된 보험청구를 부당청구로 판단할 수 있다. 상기 유사도는 K-means 클러스터링 알고리즘, SOM(Self-Organizing-Maps) 알고리즘 EM & Canopy 알고리즘 중 적어도 하나의 알고리즘에 의해 연산될 수 있다. K-means 클러스터링 알고리즘은 전통적인 분류기법으로 대상집단을 거리의 평균값(유사도)을 기준으로 K개의 군집으로 반복 세분화 하는 기법이고, SOM알고리즘은 인공신경망을 기반으로 훈련집합의 입력 패턴을 가중치로 학습하여 군집화하는 기법이다. 또한 EM & Canopy 알고리즘은 주어진 초기값으로 가능성이 최대인 것부터 반복 과정을 통해 파라미터 값을 갱신하여 군집화 하는 기법을 의미한다. 부당청구 탐지부(120)는 입력에 의한 출력의 도출을 반복적으로 수행함으로써 부당청구 탐지 모형의 정확도를 향상시킬 수 있다.

부당청구 판단부(130)는 부당청구 탐지 모형에 기초하여 신규 보험청구 내역의 부당 여부를 판단할 수 있다. 부당청구 탐지부(120)에 의해 구축된 부당청구 탐지 모형에 새로운 신규 보험청구 내역이 입력되면, 전술한 바와 같이 유사도에 기초하여 신규 보험청구 내역의 부당 여부가 판단될 수 있다.

도 2는 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치의 신규 패턴 분석부의 구성을 도시한 도면이다.

본원의 일 실시예에 따른 보험금 부당청구 탐지 장치는 부당청구의 새로운 패턴 즉 신규 패턴을 분석하여 새로운 보험 청구(신규 청구)의 패턴 유형을 결정할 수 있다. 도 2를 참조하면, 신규 패턴 분석부(140)는 부당청구 패턴 분류부(141), 판별 모형 구축부(142) 및 신규 패턴 판별부(143)를 포함할 수 있다. 부당청구 패턴 분류부(141)는 특질 변수를 입력으로 하는 비지도 학습 기반의 군집 알고리즘에 기초하여 부당청구의 신규 패턴을 분류할 수 있다. 비지도 학습이란 학습용 데이터를 구축하는 것이 아닌 데이터 자체를 분석하거나 군집하면서 학습하는 알고리즘을 의미한다. 이는 공지된 사항이므로 구체적인 설명은 생략한다. 부당청구 패턴 분류부(141)는 보험청구 내역 데이터의 빈도에 기초하여 특질 변수를 복수개의 청구 패턴으로 군집할 수 있다. 예시적으로, 부당청구 패턴 분류부(141)는 K-means 클러스터링 알고리즘, SOM(Self-Organizing-Maps) 알고리즘 EM & Canopy 알고리즘 중 적어도 하나의 알고리즘에 기초하여 부당청구의 신규 패턴을 분류할 수 있다.

도 3은 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치의 신규 패턴 검출의 예를 도시한 도면이다.

도 3은 특질 변수의 빈도에 따라 군집된 청구 패턴을 나타내며, 서로 다른 청구 패턴에 속한 특질 변수들의 빈도가 유사한 경우, 도3에 도시된 바와 같이 동일 내지 유사한 색(파란색)으로 구분될 수 있다. 즉 청구 패턴 상호간 색이 동일 내지 유사한 경우 군집간 분리도가 낮다고 할 수 있다. 또한, 특질 변수간 유사한 빈도로 군집된 청구 패턴은 정상적인 보험 청구로 인해 발생하는 특질 변수의 빈도에 기초하여 군집된 청구 패턴 즉, 부당청구가 아닌 정상적인 청구 패턴인 것으로 판단할 수 있다.

한편, 유사한 빈도를 가진 특질 변수들과 다른 빈도를 가진 특질 변수들로 군집된 청구 패턴의 경우 도 3에 도시된 바와 같이 전술한 청구 패턴과는 다른 색(빨간색)으로 구분될 수 있다. 이러한 청구 패턴은 정상적인 청구 패턴의 특질 변수의 빈도와는 다르므로(예를 들어, FP변경횟수가 정상적인 청구 패턴의 특질 변수에 비해 상대적으로 많은 경우), 부당청구의 신규 패턴일 수 있고, 부당청구 패턴 분류부(141)에 의해 검출 될 수 있다.

도 4는 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치의 유사 패턴 그룹 분류의 예를 도시한 도면이다.

부당청구 패턴 분류부(141)는 신규 패턴 상호간의 유사도에 기초하여 상기 신규 패턴을 복수개의 유사 패턴 그룹으로 분류할 수 있다. 신규 패턴 상호간의 유사도는 전술한 군집 알고리즘에 기초하여 연산될 수 있으므로 중복되는 설명은 생략한다. 도 4는 신규 패턴 상호간의 유사도에 기초하여 7개의 유사 패턴 그룹으로 분류된 예를 도시한다. 상기 유사 패턴 그룹의 수는 신규 패턴 상호간의 유사도에 따라 변화될 수 있음은 자명하다. 또한, 부당청구 패턴 분류부(141)는 상기 신규 패턴 각각과 연계된 특질 변수 중 상기 특질 변수 각각에 미리 설정된 임계값 이상의 특질 변수의 수에 기초하여 상기 패턴 그룹의 위험 수준을 설정할 수 있다. 예시적으로 상기 위험 수준은 도 4에 도시된 바와 같이 주의군, 저위험군, 중위험군 및 고위험군으로 구분될 수 있으나 이에 한정되는 것은 아니다. 즉, 고위험군으로 분류된 패턴 그룹의 경우, 임계값 이상의 특질 변수가 많은 신규 패턴들을 포함하는 패턴 그룹일 가능성이 높다고 할 수 있다.

판별 모형 구축부(142)는 지도 학습 기반의 의사결정 알고리즘에 기초하여 신규 패턴 판별 모형을 구축할 수 있다. 지도 학습이란, 미리 구축된 학습용 데이터(training data)를 활용하여 모델을 학습하는 것을 의미한다. 또한 의사 결정 알고리즘이란 예를 들어 Decision Tree알고리즘일 수 있으나 이에 한정되는 것은 아니다.

판별 모형 구축부(142)는 위험 수준이 설정된 패턴 그룹으로 분류된 상기 청구 패턴을 입력으로 하는 의사결정 알고리즘에 기초하여 신규 패턴 판별 규칙을 학습할 수 있다. 또한, 판별 모형 구축부(130)는 신규 패턴 판별 규칙을 포함하는 신규 부당청구 패턴 판별 모형을 구축할 수 있다. 전술한 비지도 학습 기반의 신규 패턴 분류는 단순히 빈도에 기초하여 신규 패턴을 분류할 수는 있으나, 어떠한 변수에 의해 분류되었는지는 알 수 없다. 따라서 지도 학습 기반의 의사결정 알고리즘에 기초하여 신규 패턴 판별 규칙을 학습할 수 있다.

상기 신규 패턴 판별 규칙이란, 임계값 이상의 특질 변수에 기초하여 청구 패턴을 신규 패턴으로 판별할 수 있는 규칙을 의미한다. 또한 이러한 신규 패턴 판별 규칙을 종합하여 판별 모형 구축부(142)에 의해 신규 패턴 판별 모형으로 구축될 수 있다. 상기 고위험군으로 설정된 패턴 그룹의 신규 패턴들은 미리 설정된 임계값 이상의 특질 변수를 가질 확률이 다른 위험군에 비해 상대적으로 높은 것은 자명하다. 그러나, 저위험군의 패턴 그룹이라고 하더라도 부당청구의 여지가 있는 특질 변수(즉, 미리 설정된 임계값 이상의 특질 변수)를 가질 확률이 없지 않기 때문에, 모든 위험 수준 별 패턴 그룹에 포함된 신규 패턴을 입력으로 하여 신규 패턴 판별 규칙이 학습될 수 있다. 또한, 신규 패턴 판별 규칙의 학습은 특질 변수의 중요도가 고려될 수 있다. 즉, 다양한 특질 변수 중에도 부당청구의 위험성이 높은 특질 변수의 경우, 상대적으로 높은 중요도를 가질 수 있으며, 신규 패턴 판별 규칙의 학습 시 이러한 특질 변수의 중요도가 고려될 수 있다. 예를 들어, 특질 변수 중 유의 병원 방문 총 횟수는 고객이 만난 의사의 명수보다 높은 중요도가 부여될 수 있다. 판별 모형 구축부(142)는 특질 변수의 중요도를 고려함으로써 보다 정확한 신규 패턴 판별 모형을 구축할 수 있다

신규 패턴 판별부(143)는 상기 신규 패턴 판별 모형에 기초하여 신규 청구의 패턴 유형을 판별할 수 있다. 신규 패턴 판별부(143)는 신규 패턴 판별 규칙에 기초하여 상기 신규 청구가 정상 청구 패턴, 부당청구 패턴 및 신규 패턴 중 어떠한 패턴 유형인지 판별할 수 있다. 다시 말해, 구축된 신규 패턴 판별 모형에 신규 청구의 특질 변수를 입력하여, 정상으로 판단된 청구 패턴인지 부당청구로 판단된 패턴인지 새로운 부당청구의 신규 패턴인지 패턴의 유형을 판별할 수 있다. 또한, 상기 신규 청구가 부당청구로 판단된 패턴 및 부당청구의 신규 패턴으로 판단된 경우, 부당청구 판단의 요인(즉, 특질 변수)으로 작용한 특질 변수를 검출할 수 있다. 예시적으로, 신규 청구 중 건강보험의 분포가 다수이고, 수진자의 나이가 20대 중반이며, 여성이 다수인 특질 변수일 때, 초진 진찰 및 재진 진찰이 높은 분포를 보이는 경우, 유의 해야할 부당 청구의 패턴으로 판단될 수 있다. 또한, 초진에 비해 재진의 비율이 상대적으로 높은 경우 치료, 시술, 수술 전 부당 청구의 패턴으로 판단할 수 있다.

도 5는 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치의 부당청구 탐지 모형의 평가 지표를 도시한 도면이다.

부당청구 탐지 모형은 모형 구축에 기반이 되는 분류/예측 알고리즘에 의해 그 성능이 좌우된다. 도 5를 참조하면, 부당청구 탐지 모형의 평가지표는 Accuracy(정확도), Precison(정밀도), Recall(재현률)를 사용하나, 실제 부당청구 탐지에서는 Y Recall의 향상에 중점을 둔다. Accuracy(정확도)는 부당청구 탐지 모형이 탐지한 결과와 실제 결과가 일치하는 정탐지의 비율로 (TP(True Positive)+TN(True Negative))/Total로 나타낼 수 있으며 100에 가까울수록 좋은 지표인 것으로 해석될 수 있다. Precison(정밀도)는 부당청구 탐지 모형이 부당이라고 탐지한 결과 중에서 실제결과도 부당인 정탐 비율로, (TP) / (TP + FP(False Positive))로 나타낼 수 있으며, 1- Precison으로 오탐률을 나타낼 수 있다.

Recall(재현률)은 전체 부당청구 중에서 부당청구 탐지 모형이 부당청구라고 정확하게 탐지한 정탐 비율로, (TP) / (TP + FN(False Negative))로 나타낼 수 있으며, 1- Recall로 미탐률을 나타낼 수 있다.

도 6은 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치의 알고리즘간 성능 비교를 도시한 도면이다.

도 6은 Random Forest 알고리즘, SVM알고리즘, Extra Tree알고리즘 및 XFBoost알고리즘으로 각각 구축된 부당청구 탐지 모형에 고위험군의 패턴 그룹과 연계된 특질 변수를 입력으로하여 출력되는 결과를 비교한 도면이다. 각 알고리즘으로 구축된 부당청구 탐지 모형의 높은 정확도도 중요하나, 실제 부당청구를 탐지할 수 있는 Y Recall을 보다 비중있게 고려하면, Random Forest 알고리즘 및 Extra Tree알고리즘으로 구축된 부당청구 탐지 모형이 타 알고리즘에 비해 상대적으로 우수한 성능을 나타냄을 확인할 수 있다.

도 7은 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치의 알고리즘간 안정성 및 유연성을 비교한 도면이다.

도 7의 a는 Random Forest 알고리즘으로 구축된 부당청구 탐지 모형을 도식화한 도면이고, 도 7의 b는 Deep Learning 알고리즘으로 구축된 부당청구 탐지 모형을 도식화한 도면이다. Random Forest 알고리즘으로 구축된 부당청구 탐지 모형은 조건을 기준으로 분류하는 방식, 예를 들어, “a*청구금액+b*의사수+c*수진수”를 기준으로 판정하거나, 청구금액>a, 의사수>b , 수진수>c이면 ‘이상‘(즉, 부당청구)으로 분류하는 방식이다. Deep Learning 알고리즘으로 구축된 부당청구 탐지 모형은 이상(부당청구)상태에 해당하는 (청구금액, 의사수, 수진수) 조합을 찾아내는 방식으로, Deep Learning 알고리즘의 Convolutional Neural Network(CNN)은 이미지 처리에 적합하고, Recurrent Neural Network(RNN)은 시계열 처리에 적합한 특성이 있다. Random Forest 알고리즘으로 구축된 부당청구 탐지 모형은 선형관계를 가지는 변수를 알려진 규칙에 적용하기 적합하나, 연관변수가 많아지면 오히려 정확성이 떨어지는 단점이 있는 반면, Deep Learning 알고리즘으로 구축된 부당청구 탐지 모형은 변수의 조합을 패턴으로 학습하여 새로운 패턴을 스스로 발견하고, 어떤 패턴에 대해서도 이상가능성을 산출 가능하며, 많은 변수를 대상으로 정확도 높은 예측을 수행할 수 있는 특징이 있다. 따라서, Deep Learning 알고리즘으로 구축된 부당청구 탐지 모형이 Random Forest 알고리즘으로 구축된 부당청구 탐지 모형보다 안정성과 유연성이 높다고 할 수 있다.

한편, Deep Learning 알고리즘은 학습의 개수 즉, 입력에 의해 출력을 산출하는 반복의 수가 적은 경우 그 성능이 저하될 수 있다. 예시적으로 고위험군의 패턴 그룹과 연계된 특질 변수의 수는 다른 위험군의 패턴 그룹과 연계된 특질 변수의 수보다 상대적으로 적을 수 있다. 이러한 경우, Deep Learning 알고리즘으로 구축된 부당청구 탐지 모형은 부당을 판별하는 성능이 저하될 수 있다. 따라서, 부당청구 탐지부(120)는 특질 변수의 수가 미리 설정된 수 미만인 경우, Under Sampling을 통해 부당의 비율을 높임으로써, Deep Learning 알고리즘으로 구축된 부당청구 탐지 모형의 Y Recall을 향상시킬 수 있다.

도 8은 본원의 일 실시예에 따른 보험금 부당청구 탐지 장치의 Deep Learning 알고리즘으로 구축된 부당청구 탐지 모형을 도시한 도면이다.

도 8을 참조하면, Deep Learning 알고리즘으로 구축된 부당청구 탐지 모형은 전술한 바와 같이 학숩이 충분하게 이루어지지 않은 경우 그 성능이 제대로 발휘되지 않는 반면, 학습이 반복될수록 성능이 향상되는 특징이 있다. 또한, Deep Learning 알고리즘의 Hidden Layer의 구조에 따라 성능의 차이기 크게 달라지기 때문에 다양한 Layer구조를 가진 부당청구 탐지 모형을 구축함으로써 Deep Learning 알고리즘으로 구축된 부당청구 탐지 모형의 성능을 최적화 할 수 있다.

도 9는 본원의 일 실시예에 따른 보험금 부당청구 탐지 방법의 흐름을 도시한 도면이고, 도 10은 본원의 일 실시예에 따른 보험금 부당청구 탐지 방법의 신규 부당 청구 패턴 분석의 흐름을 도시한 도면이다.

도 9 및 도10에 도시된 신규 부당 청구 패턴 분석 방법은 앞선 도 1 내지 도 8을 통해 설명된 보험금 부당청구 탐지 장치에 의하여 수행될 수 있다. 따라서 이하 생략된 내용이라고 하더라도 도 1 내지 도 8을 통해 보험금 부당청구 탐지 장치에 대하여 설명된 내용은 도 9 및 도10에도 동일하게 적용될 수 있다.

도 9를 참조하면, 단계 S910에서 데이터 전처리부(110)는 상기 보험청구 내역 데이터를 정형화하여 특질 변수를 도출할 수 있다. 상기 보험청구 내역 데이터는 예시적으로, 보험금을 청구한 청구 데이터, 보험 또는 보조금 관련 계약 데이터, 보험금의 지급 데이터, 보험 설계사 데이터, 고객 데이터 및 보험사기 적발 결과 데이터 중 적어도 하나를 포함할 수 있다. 보험청구 내역 데이터의 정형화는 예를 들어, 고객 데이터인 경우, 고객의 소득 수준, 고객이 방문한 병원의 수, 고객이 신청한 질병 사유의 개수 등을 수치화하는 것을 의미한다. 데이터베이스(150)는 보험청구 내역 데이터, 상기 특질 변수 및 정상 청구 데이터 중 적어도 하나를 기록할 수 있다

단계 S920에서 부당청구 탐지부(120)는 상기 특질 변수 및 정상 청구 데이터를 입력으로 하는 지도 학습 기반의 부당청구 탐지 모형을 구축할 수 있다. 상기 부당청구 탐지부(120)는 상기 지도 학습 기반의 분류/예측 알고리즘에 기초하여 상기 부당청구 탐지 모형을 구축할 수 있다. 예시적으로 상기 분류/예측 알고리즘은 Random Forest알고리즘 SVM(support vector machine) 알고리즘, Extra Tree알고리즘, XG Boost알고리즘 및 Deep Learning 알고리즘 중 적어도 하나를 포함할 수 있다.

상기 부당청구 탐지 모형은 상기 특질 변수 및 정상 청구 데이터를 입력으로 하여 부당청구 탐지 결과를 출력할 수 있다. 예시적으로, 부당청구 탐지 모형은 특질 변수와 정상 청구 데이터 간의 유사도에 기초하여 부당청구 참지 결과를 출력할 수 있다. 상기 유사도가 미리 설정된 임계값 미만이면 특질 변수와 연계된 보험청구를 정상으로 판단하고, 상기 유사도가 미리 설정된 임계값 이상이면 특질 변수와 연계된 보험청구를 부당청구로 판단할 수 있다. 상기 유사도는 K-means 클러스터링 알고리즘, SOM(Self-Organizing-Maps) 알고리즘 EM & Canopy 알고리즘 중 적어도 하나의 알고리즘에 의해 연산될 수 있다.

단계 S930에서 부당청구 판단부(130)는 부당청구 탐지 모형에 기초하여 신규 보험청구 내역의 부당 여부를 판단할 수 있다. 부당청구 탐지부(120)에 의해 구축된 부당청구 탐지 모형에 새로운 신규 보험청구 내역이 입력되면, 전술한 바와 같이 유사도에 기초하여 신규 보험청구 내역의 부당 여부가 판단될 수 있다.

도 10을 참조하여 신규 부당 청구 패턴 분석의 흐름을 설명하면, 단계 S1010에서 데이터 전처리부(110)는 보험청구 내역 데이터를 정형화하여 특질 변수를 도출할 수 있다. 이는 전술한 단계 S910에서 설명한 데이터 전처리부(110)와 동일하게 이해될 수 있으므로 중복되는 설명은 생략한다.

단계 S1020에서 부당청구 패턴 분류부(141)는 특질 변수를 입력으로 하는 비지도 학습 기반의 군집 알고리즘에 기초하여 부당청구의 신규 패턴을 분류할 수 있다. 부당청구 패턴 분류부(141)는 보험청구 내역 데이터의 빈도에 기초하여 특질 변수를 복수개의 청구 패턴으로 군집할 수 있다. 예시적으로, 부당청구 패턴 분류부(141)는 K-means 클러스터링 알고리즘, SOM(Self-Organizing-Maps) 알고리즘 EM & Canopy 알고리즘 중 적어도 하나의 알고리즘에 기초하여 부당청구의 신규 패턴을 분류할 수 있다. 부당청구 패턴 분류부(141)는 상기 특질 변수의 빈도에 기초하여 상기 군집 알고리즘을 통해 상기 특질 변수를 복수개의 청구 패턴으로 군집할 수 있다. 즉 청구 패턴은 동질성 있는 특질 변수들의 군집일 수 있다. 또한, 청구 패턴의 군집간 분리도 즉 군집간 거리에 기초하여 상기 신규 패턴을 검출할 수 있다.

또한, 부당청구 패턴 분류부(141)는 신규 패턴 상호간의 유사도에 기초하여 상기 신규 패턴을 복수개의 유사 패턴 그룹으로 분류할 수 있다. 신규 패턴 상호간의 유사도는 전술한 군집 알고리즘에 기초하여 연산될 수 있으므로 중복되는 설명은 생략한다

단계 S1030에서 판별 모형 구축부(142)는 지도 학습 기반의 의사결정 알고리즘에 기초하여 신규 패턴 판별 모형을 구축할 수 있다. 지도 학습이란, 미리 구축된 학습용 데이터(training data)를 활용하여 모델을 학습하는 것을 의미한다. 또한 의사 결정 알고리즘이란 예를 들어 Decision Tree알고리즘일 수 있으나 이에 한정되는 것은 아니다. 판별 모형 구축부(130)는 위험 수준이 설정된 패턴 그룹으로 분류된 상기 청구 패턴을 입력으로 하는 의사결정 알고리즘에 기초하여 신규 패턴 판별 규칙을 학습할 수 있다. 또한, 판별 모형 구축부(142)는 신규 패턴 판별 규칙을 포함하는 신규 부당청구 패턴 판별 모형을 구축할 수 있다. 신규 패턴 판별 규칙의 학습은 특질 변수의 중요도가 고려될 수 있다. 즉, 다양한 특질 변수 중에도 부당 청구의 위험성이 높은 특질 변수의 경우, 상대적으로 높은 중요도를 가질 수 있으며, 신규 패턴 판별 규칙의 학습 시 이러한 특질 변수의 중요도가 고려될 수 있다. 예를 들어, 특질 변수 중 유의 병원 방문 총 횟수는 고객이 만난 의사의 명수보다 높은 중요도가 부여될 수 있다. 판별 모형 구축부(142)는 특질 변수의 중요도를 고려함으로써 보다 정확한 신규 패턴 판별 모형을 구축할 수 있다.

단계 S1040에서 신규 패턴 판별부(143)는 상기 신규 패턴 판별 모형에 기초하여 신규 청구의 패턴 유형을 판별할 수 있다. 신규 패턴 판별부(143)는 신규 패턴 판별 규칙에 기초하여 상기 신규 청구가 정상 청구 패턴, 부당청구 패턴 및 신규 패턴 중 어떠한 패턴 유형인지 판별할 수 있다. 다시 말해, 구축된 신규 패턴 판별 모형에 신규 청구의 특질 변수를 입력하여, 정상으로 판단된 청구 패턴인지 부당청구로 판단된 패턴인지 새로운 부당청구의 신규 패턴인지 패턴의 유형을 판별할 수 있다. 또한, 상기 신규 청구가 부당청구로 판단된 패턴 및 부당청구의 신규 패턴으로 판단된 경우, 부당청구 판단의 요인(즉, 특질 변수)으로 작용한 특질 변수를 검출할 수 있다.

본원의 일 실시 예에 따른, 보험금 부당청구 탐지 방법은, 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.

100: 보험금 부당청구 탐지 장치
110: 데이터 전처리부
120: 부당청구 탐지부
130: 부당청구 판단부
140: 신규 패턴 분석부
141: 부당청구 패턴 분류부
142: 판별 모형 구축부
143: 신규 패턴 판별부
150: 데이터베이스

Claims (19)

1. 보험금 부당청구 탐지 장치에 있어서,
   보험청구 내역 데이터를 정형화하여 특질 변수를 도출하는 데이터 전처리부;
   상기 특질 변수 및 정상 청구 데이터를 입력으로 하는 지도 학습 기반의 부당청구 탐지 모형을 구축하는 부당청구 탐지부;
   상기 부당청구 탐지 모형에 기초하여 신규 보험청구 내역의 부당 여부를 판단하는 부당청구 판단부; 및
   상기 특질 변수를 입력으로 하는 비지도 학습 기반의 군집 알고리즘에 기초하여 부당청구의 신규 패턴을 분류하는 부당청구 패턴 분류부, 지도 학습 기반의 의사결정 알고리즘에 기초하여 신규 패턴 판별 모형을 구축하는 판별 모형 구축부 및 상기 신규 패턴 판별 모형에 기초하여 신규 청구의 패턴 유형을 판별하는 신규 패턴 판별부를 포함하는 신규패턴 분류부를 포함하고,
   상기 부당청구 탐지부는,
   상기 지도 학습 기반의 분류/예측 알고리즘에 기초하여 상기 부당청구 탐지 모형을 구축하고,
   상기 부당청구 패턴 분류부는,
   상기 특질 변수의 빈도에 기초하여 상기 군집 알고리즘을 통해 상기 특질 변수를 복수개의 청구 패턴으로 군집하고,
   상기 청구 패턴의 군집간 분리도에 기초하여 상기 신규 패턴을 검출하고,
   상기 신규 패턴 상호간의 유사도에 기초하여 상기 신규 패턴을 복수개의 유사 패턴 그룹으로 분류하고,
   상기 신규 패턴 각각과 연계된 특질 변수 중 상기 특질 변수 각각에 미리 설정된 임계값 이상의 특질 변수의 수에 기초하여 상기 패턴 그룹의 위험 수준을 설정 하고,
   상기 특질 변수는 보험금 청구와 관련되어 수치화된 값을 가질 수 있는 변수이되, 상기 특질 변수는 동일 병명으로 중복 신청한 개수 및 고객이 신청한 질병 사유의 개수를 포함하는 것인, 보험금 부당청구 탐지 장치.
2. 제1항에 있어서,
   상기 보험청구 내역 데이터, 상기 특질 변수 및 상기 정상 청구 데이터 중 적어도 하나를 기록하는 데이터베이스를 더 포함하고,
   상기 보험청구 내역 데이터는 청구 데이터, 계약 데이터, 지급 데이터, 보험설계사 데이터, 고객 데이터 중 적어도 하나를 포함하는 것인, 보험금 부당청구 탐지 장치.
3. 삭제
4. 삭제
5. 삭제
6. 삭제
7. 삭제
8. 제1항에 있어서,
   상기 판별 모형 구축부는,
   상기 위험 수준별로 상기 패턴 그룹에 포함된 상기 신규 패턴을 입력으로 하는 의사결정 알고리즘에 기초하여 신규 패턴 판별 규칙을 학습하고, 상기 신규 패턴 판별 규칙을 포함하는 상기 신규 패턴 판별 모형을 구축하는 것인, 보험금 부당청구 탐지 장치.
9. 제8항에 있어서,
   상기 신규 패턴 판별부는,
   상기 신규 패턴 판별 규칙에 기초하여 상기 신규 청구가 정상 청구 패턴, 부당청구 패턴 및 신규 패턴 중 어떠한 패턴 유형인지 판별하는 것인, 보험금 부당청구 탐지 장치.
10. 보험금 부당청구 탐지 방법에 있어서,
    데이터 전처리부가 보험청구 내역 데이터를 정형화하여 특질 변수를 도출하는 단계;
    부당청구 탐지부가 상기 특질 변수 및 정상 청구 데이터를 입력으로 하는 지도 학습 기반의 부당청구 탐지 모형을 구축하는 단계;
    부당청구 판단부가 상기 부당청구 탐지 모형에 기초하여 신규 보험청구 내역의 부당 여부를 판단하는 단계; 및
    신규 패턴 분석부가 상기 특질 변수를 입력으로 하는 비지도 학습 기반의 군집 알고리즘에 기초하여 부당청구의 신규 패턴을 분류하고, 지도 학습 기반의 의사결정 알고리즘에 기초하여 신규 패턴 판별 모형을 구축하고, 상기 신규 패턴 판별 모형에 기초하여 신규 청구의 패턴 유형을 판별하는 단계를 포함하고,
    상기 부당청구 탐지 모형을 구축하는 단계는,
    상기 지도 학습 기반의 분류/예측 알고리즘에 기초하여 상기 부당청구 탐지 모형을 구축하고,
    상기 신규 청구의 패턴 유형을 판별하는 단계는,
    상기 특질 변수의 빈도에 기초하여 상기 군집 알고리즘을 통해 상기 특질 변수를 복수개의 청구 패턴으로 군집하고,
    상기 청구 패턴의 군집간 분리도에 기초하여 상기 신규 패턴을 검출하고,
    상기 신규 패턴 상호간의 유사도에 기초하여 상기 신규 패턴을 복수개의 유사 패턴 그룹으로 분류하고,
    상기 신규 패턴 각각과 연계된 특질 변수 중 상기 특질 변수 각각에 미리 설정된 임계값 이상의 특질 변수의 수에 기초하여 상기 패턴 그룹의 위험 수준을 설정하고,
    상기 특질 변수는 보험금 청구와 관련되어 수치화된 값을 가질 수 있는 변수이되, 상기 특질 변수는 동일 병명으로 중복 신청한 개수 및 고객이 신청한 질병 사유의 개수를 포함하는 것인, 보험금 부당청구 탐지 방법.
11. 제10항에 있어서,
    데이터베이스가 상기 보험청구 내역 데이터, 상기 특질 변수 및 상기 정상 청구 데이터 중 적어도 하나를 기록하는 단계를 더 포함하고,
    상기 보험청구 내역 데이터는 청구 데이터, 계약 데이터, 지급 데이터, 보험설계사 데이터, 고객 데이터 중 적어도 하나를 포함하는 것인, 보험금 부당청구 탐지 방법.
12. 삭제
13. 삭제
14. 삭제
15. 삭제
16. 삭제
17. 제10항에 있어서,
    상기 신규 패턴 판별 모형을 구축하는 단계는,
    상기 위험 수준별로 상기 패턴 그룹에 포함된 상기 신규 패턴을 입력으로 하는 의사결정 알고리즘에 기초하여 신규 패턴 판별 규칙을 학습하고, 상기 신규 패턴 판별 규칙을 포함하는 상기 신규 패턴 판별 모형을 구축하는 것인, 보험금 부당청구 탐지 방법.
18. 제17항에 있어서,
    상기 패턴 유형을 판별하는 단계는,
    상기 신규 패턴 판별 규칙에 기초하여 상기 신규 청구가 정상 청구 패턴, 부당청구 패턴 및 신규 패턴 중 어떠한 패턴 유형인지 판별하는 것인, 보험금 부당청구 탐지 방법.
19. 제10항, 제11항, 제17항 및 제18항 중 어느 한 항의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터에서 판독 가능한 기록매체.

Images