KR102153912B1 - 인공지능 기반의 보험금 부당청구 및 부당패턴 탐지 장치 및 방법 - Google Patents

Abstract

본원의 일 실시예에 따른 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 장치는, 보험청구 내역 데이터를 정형화하여 특질 변수를 도출하는 데이터 전처리부, 상기 특질 변수를 입력으로 하는 이상 탐지 알고리즘에 기초하여 탐지된 이상 군집으로부터 정상 패턴 및 부당 패턴을 검출하는 이상치 탐지부, 상기 정상 패턴 및 부당 패턴을 입력으로 하는 비지도 학습을 수행하여, 부당청구의 신규 패턴을 탐지하는 신규 패턴 분류부, 상기 부당청구의 신규 패턴 및 기 분류된 보험 청구 패턴을 입력으로 하는 지도 학습 기반의 패턴 판별 모델을 구축하여 신규 부당청구의 패턴을 탐지하는 신규 패턴 탐지부 및 상기 특질 변수 및 정상 청구 데이터를 입력으로 하는 지도 학습 기반의 부당청구 탐지 모델을 구축하여 신규 보험청구 내역의 부당 여부를 판단하는 부당청구 판단부를 포함할 수 있다.

Description

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

본원은 인공지능 기반의 보험금 부당청구 및 부당패턴 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 목적하에 무한대의 조사비용을 지출할 수도 없다. 이에 보험회사는 보험사기로부터 누수보험금을 줄이는 한편 지나치게 많은 조사비용을 지출하지 않는 적정한 선에서 조사노력의 수준을 결정할 필요가 있다. 최근에는 인공지능 기반 학습 모델을 통해 보험사기를 분석하는 기술들이 개발된 바 있으나, 보험사기 분석 기술과 관련하여 그 개발 수준이 마땅치 않은 실정이다.

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

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 보험금 부당청구의 신규 패턴을 판별할 수 있는 판별 모델을 제공하는 인공지능 기반의 보험금 부당청구 및 부당패턴 탐지 장치 및 방법을 제공하는 것을 목적으로 한다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 부당청구 데이터를 학습하여 새로운 부당청구 패턴을 분석하고, 신규 청구건에 대한 청구 패턴 유형을 판별할 수 있는 인공지능 기반의 보험금 부당청구 및 부당패턴 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 및 부당패턴 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 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 장치는, 보험청구 내역 데이터를 정형화하여 특질 변수를 도출하는 데이터 전처리부, 상기 특질 변수를 입력으로 하는 이상 탐지 알고리즘에 기초하여 탐지된 이상 군집으로부터 정상 패턴 및 부당 패턴을 검출하는 이상치 탐지부, 상기 정상 패턴 및 부당 패턴을 입력으로 하는 비지도 학습을 수행하여, 부당청구의 신규 패턴을 탐지하는 신규 패턴 분류부, 상기 부당청구의 신규 패턴 및 기분류된 보험 청구 패턴을 입력으로 하는 지도 학습 기반의 패턴 판별 모델을 구축하여 신규 부당청구의 패턴을 탐지하는 신규 패턴 탐지부 및 상기 특질 변수 및 정상 청구 데이터를 입력으로 하는 지도 학습 기반의 부당청구 탐지 모델을 구축하여 신규 보험청구 내역의 부당 여부를 판단하는 부당청구 판단부를 포함할 수 있다.

본원의 일 실시예에 따르면, 상기 보험청구 내역 데이터, 상기 특질 변수 및 상기 신규 패턴 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 이상치 탐지부는, 상기 특질 변수를 입력으로 하는 이상 탐지 알고리즘에 기초하여, 보험 청구의 정상거래 및 부당거래 각각의 특질 변수의 정상치 및 이상치를 검출하고, 상기 이상치에 대응하는 특질 변수의 빈도에 기초하여 상기 이상 군집을 탐지할 수 있다.

본원의 일 실시예에 따르면, 상기 신규 패턴 분류부는, 군집 알고리즘에 기초하여 상기 정상 패턴 및 부당 패턴을 군집하고, 상기 정상 패턴 및 부당 패턴의 군집간 분리도에 기초하여 상기 부당청구의 신규 패턴을 검출할 수 있다.

본원의 일 실시예에 따르면, 상기 신규 패턴 탐지부는, 분류 알고리즘에 기초하여 상기 신규 부당청구의 패턴을 탐지할 수 있다.

본원의 일 실시예에 따른 인공지능 기반 보험금 부당청구 탐지 방법은, (a) 보험청구 내역 데이터를 정형화하여 특질 변수를 도출하는 단계, (b) 상기 특질 변수를 입력으로 하는 이상 탐지 알고리즘에 기초하여 탐지된 이상 군집으로부터 정상 패턴 및 부당 패턴을 검출하는 단계, (c) 상기 정상 패턴 및 부당 패턴을 입력으로 하는 비지도 학습을 수행하여, 부당청구의 신규 패턴을 탐지하는 단계, (d) 상기 부당청구의 신규 패턴 및 기 분류된 보험 청구 패턴을 입력으로 하는 지도 학습 기반의 패턴 판별 모델을 구축하여 신규 부당청구의 패턴을 탐지하는 단계 및 (e) 상기 특질 변수 및 정상 청구 데이터를 입력으로 하는 지도 학습 기반의 부당청구 탐지 모델을 구축하여 신규 보험청구 내역의 부당 여부를 판단하는 단계를 포함할 수 있다.

본원의 일 실시예에 따르면, 인공지능 기반 보험금 부당청구 탐지 방법은 상기 보험청구 내역 데이터, 상기 특질 변수 및 상기 신규 패턴 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 (b)단계는, 상기 특질 변수를 입력으로 하는 이상 탐지 알고리즘에 기초하여, 보험 청구의 정상거래 및 부당거래 각각의 특질 변수의 정상치 및 이상치를 검출하고, 상기 이상치에 대응하는 특질 변수의 빈도에 기초하여 상기 이상 군집을 탐지할 수 있다.

본원의 일 실시예에 따르면, 상기 (c)단계는, 군집 알고리즘에 기초하여 상기 정상 패턴 및 부당 패턴을 군집하고, 상기 정상 패턴 및 부당 패턴의 군집간 분리도에 기초하여 상기 부당청구의 신규 패턴을 검출할 수 있다.

본원의 일 실시예에 따르면, 상기 (d)단계는, 분류 알고리즘에 기초하여 상기 신규 부당청구의 패턴을 탐지할 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 부당청구의 신규 패턴을 판별할 수 있는 판별 모델을 제공하는 인공지능 기반의 보험금 부당청구 및 부당패턴 탐지 장치 및 방법을 제공할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 부당청구 데이터를 학습하여 새로운 부당청구 패턴을 분석하고, 신규 청구건에 대한 청구 패턴 유형을 판별할 수 있는 인공지능 기반의 보험금 부당청구 및 부당패턴 탐지 장치 및 방법을 제공할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 보험금 청구 관련 데이터를 학습하여 신규 청구건에 대한 부당을 판별하는 인공지능 기반의 보험금 부당청구 및 부당패턴 탐지 장치 및 방법을 제공할 수 있다.

도 1은 본원의 일 실시예에 따른 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 장치의 구성을 도시한 도면이다.
도 2는 본원의 일 실시예에 따른 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 장치의 특질변수의 예를 도시한 도면이다.
도 3은 본원의 일 실시예에 따른 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 장치의 이상 탐지 알고리즘에 의해 분류된 패턴을 도시한 도면이다.
도 4는 본원의 일 실시예에 따른 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 장치의 이상 탐지 알고리즘의 탐지 결과를 도시한 도면이다.
도 5는 본원의 일 실시예에 따른 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 장치의 부당청구 탐지 모델의 알고리즘별 정확도를 도시한 도면이다.
도 6은 본원의 일 실시예에 따른 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 방법의 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 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 장치의 구성을 도시한 도면이다.

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

도 2는 본원의 일 실시예에 따른 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 장치의 특질변수의 예를 도시한 도면이다.

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, 하루 최대 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.

도 3은 본원의 일 실시예에 따른 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 장치의 이상 탐지 알고리즘에 의해 분류된 패턴을 도시한 도면이다.

이상치 탐지부(120)는 상기 특질 변수를 입력으로 하는 이상 탐지 알고리즘에 기초하여 탐지된 이상 군집으로부터 정상 패턴 및 부당 패턴을 검출할 수 있다. 상기 이상 탐지 알고리즘은 전체 데이터 즉, 보험청구 내역 데이터의 평균적인 특성에 맞지 않는 소수의 이상 데이터를 탐지하는 알고리즘을 의미한다. 구체적으로, 이상치 탐지부(120)는 특질 변수를 입력으로 하는 이상 탐지 알고리즘에 기초하여, 보험 청구의 정상거래 및 부당거래 각각의 특질 변수의 정상치 및 이상치를 검출하고, 상기 이상치에 대응하는 특질 변수의 빈도에 기초하여 상기 이상 군집을 탐지할 수 있다. 예시적으로, 이상 탐지 알고리즘은 아이솔레이션 포레스트(Isolation Forest) 알고리즘을 포함할 수 있으며, 아이솔레이션 포레스트 알고리즘은 트리기반으로 이상 데이터를 고립시킴으로써 이상 군집을 탐지할 수 있다.

이상치 탐지부(120)는 이상 탐지 알고리즘에 의해 탐지된 소수의 군집을 이상 군집으로 검출할 수 있다. 보험청구의 경우, 부당청구의 비율이 정상청구의 비율보다 작기 때문에 상기 알고리즘을 통해 이상 데이터를 고립시킬 수 있다. 즉, 이상치 탐지부(120)는 이상 군집을 부당 패턴으로 검출하고, 이상 군집에 속하지 않은 군집을 정상 패턴으로 검출할 수 있다. 도 3을 참조하면, 이상치 탐지부(120)는 아이솔레이션 포레스트 알고리즘에 의한 고립도에 따라, 정상 패턴, 주의 패턴, 의심 패턴, 이상 패턴으로 분류할 수 있다. 주의 및 의심 패턴은 부당청구의 가능성이 있으나, 부당으로 판별되지 않은 패턴으로 정상의 범주에 속할 수 있다.

도 4는 본원의 일 실시예에 따른 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 장치의 이상 탐지 알고리즘의 탐지 결과를 도시한 도면이다.

도 4를 참조하면, 이상치 탐지부(120)는, 상기 이상 탐지 알고리즘을 통해 보험금 청구의 정상 거래와 부당 거래 각각의 정상치와 이상치를 탐지할 수 있다. 보험금 청구의 부당 거래는 기존의 부당 거래 패턴일 경우 정상치로 탐지될 수 있는 반면, 부당 거래의 이상치는 부당 거래의 새로운 패턴일 가능성이 높다. 예시적으로, 아이솔레이션 포레스트 알고리즘을 이용한 정상치 및 이상치 탐지의 정확도는 87%의 성능을 나타낸다.

신규 패턴 분류부(130)는 정상 패턴 및 부당 패턴을 입력으로 하는 비지도 학습을 수행하여, 부당청구의 신규 패턴 즉, 부당패턴을 탐지할 수 있다. 비지도 학습이란 학습용 데이터를 구축하는 것이 아닌 데이터 자체를 분석하거나 군집하면서 학습하는 알고리즘을 의미한다. 이는 공지된 사항이므로 구체적인 설명은 생략한다. 신규 패턴 분류부(130)는 군집 알고리즘에 기초하여 상기 정상 패턴 및 부당 패턴을 군집하고, 상기 정상 패턴 및 부당 패턴의 군집간 분리도에 기초하여 상기 부당청구의 신규 패턴(부당패턴)을 검출할 수 있다.

예시적으로 상기 비지도 학습을 위한 군집 알고리즘에는 로지스틱 회귀 알고리즘, 랜덤 포레스트 알고리즘, SVM(Support Vector Machine)알고리즘, 의사결정 알고리즘 및 군집 알고리즘이 이용될 수 있다. 또한, 신규 패턴 분류부(130)는 상술한 알고리즘 외에도 Extra Tree알고리즘, XG Boost알고리즘 및 Deep Learning 알고리즘, K-means 클러스터링 알고리즘, SOM(Self-Organizing-Maps) 알고리즘 EM & Canopy 알고리즘과 같은 군집 알고리즘을 통해 비지도 학습을 수행할 수 있다. Random Forest알고리즘은 수많은 Decision Tree들이 Forest를 구성하여 각각의 예측결과를 하나의 결과변수로 평균화하는 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. 또한, K-means 클러스터링 알고리즘은 전통적인 분류기법으로 대상집단을 거리의 평균값(유사도)을 기준으로 K개의 군집으로 반복 세분화하는 기법이고, SOM알고리즘은 인공신경망을 기반으로 훈련집합의 입력 패턴을 가중치로 학습하여 군집화하는 기법이다. 또한, EMI & Canopy 알고리즘은 주어진 초기값으로 가능성이 최대인 것부터 반복 과정을 통해 파라미터 값을 갱신하여 군집화 하는 기법을 의미한다.

신규 패턴 분류부(130)는 상기 군집 알고리즘을 통해 상기 정상 패턴 및 부당 패턴을 복수개 패턴 군집으로 군집할 수 있다. 즉 패턴 군집은 동질성 있는 특질 변수들의 군집일 수 있다. 또한, 패턴 군집의 군집간 분리도 즉 군집간 거리에 기초하여 상기 부당청구의 신규 패턴을 검출할 수 있다. 신규 패턴 분류부(130)는 유사한 정상 패턴과 부당 패턴을 군집할 수 있으며, 유사하지 않은 패턴을 신규 패턴으로 분류하되, 신규 패턴의 특질 변수에 기초하여 정상 청구의 패턴인 것으로 판단되면, 정상 패턴으로 분류하고, 상기 신규 패턴이 부당 패턴인 것으로 판단되면, 부당청구의 신규 패턴으로 검출될 수 있다. 구체적으로, 정상 패턴 또는 부당 패턴에 속한 특질 변수들의 빈도가 유사한 경우, 유사한 특질 변수끼리 동일 내지 유사한 패터닝(또는 식별자)가 부여될 수 있다. 즉 패턴 상호간 패터닝이 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 패턴의 경우, 상기 라벨링과 다른 라벨링으로 구분될 수 있다. 이러한 패턴은 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, 신규 패턴 분류부(130)에 의해 검출될 수 있다. 부당청구의 신규 패턴을 검출하는 것은 인적자원이 한정된 상황에서도, 새롭게 등장하는 부당청구를 검출하기 위한 중요한 요소이다. 이러한 신규 패턴을 누적함으로써, 부당청구 검출의 신뢰도가 향상될 수 있고, 향후 등장할 알려지지 않은 미지의 부당청구에 대해서도 누적된 패턴 데이터에 기초하여 검출할 수 있는 기반을 마련할 수 있다.

신규 패턴 탐지부(140)는 부당청구의 신규 패턴 및 기 분류된 보험 청구 패턴을 입력으로 하는 지도 학습 기반의 패턴 판별 모델을 구축하여 신규 부당청구의 패턴을 탐지할 수 있다. 지도 학습이란, 미리 구축된 학습용 데이터(training data)를 활용하여 모델을 학습하는 것을 의미한다. 또한, 신규 패턴 탐지부(140)는 분류 알고리즘에 기초하여 상기 신규 부당청구의 패턴을 탐지할 수 있다. 상기 분류 알고리즘은 의사결정 알고리즘을 포함하며 의사 결정 알고리즘은 예를 들어 Decision Tree알고리즘일 수 있으나, 이에 한정되는 것은 아니다. 신규 패턴 탐지부(140)는 부당청구의 신규 패턴 및 기 분류된 보험 청구 패턴을 입력으로 하는 의사결정 알고리즘에 기초하여 신규 패턴 판별 규칙을 학습할 수 있다. 또한, 신규 패턴 탐지부(140)는 신규 패턴 판별 규칙을 포함하는 신규 부당청구의 패턴 판별 모델을 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 신규 부당청구의 패턴 판별 모델로 구축될 수 있다. 예시적으로, 상기 도 4를 참조하면, 정상 거래인 경우에도 이상치가 탐지될 수 있으며, 부당청구의 신규패턴일 가능성이 없다고 할 수 없다. 따라서, 부당청구의 신규 패턴 및 기분류된 보험청구 패턴을 포함하는 모든 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 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. 즉, 신규 패턴 탐지부(140)는 특질 변수의 중요도를 고려함으로써 보다 정확한 신규 부당청구의 패턴 판별 모델을 구축할 수 있다.

도 5는 본원의 일 실시예에 따른 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 장치의 부당청구 탐지 모델의 알고리즘별 정확도를 도시한 도면이다.

부당청구 판단부(150)는 특질 변수 및 정상 청구 데이터를 입력으로 하는 지도 학습 기반의 부당청구 탐지 모델을 구축하여 신규 보험청구 내역의 부당 여부를 판단할 수 있다. 상기 부당청구 탐지 모델은 상기 특질 변수 및 정상 청구 데이터를 입력으로 하여 부당청구 탐지 결과를 출력할 수 있다. 부당청구 판단부(150)는 지도 학습 기반의 분류/예측 알고리즘에 기초하여 상기 부당청구 탐지 모델을 구축할 수 있다. 상기 분류/예측 알고리즘에는 전술한 군집 알고리즘에서 설명한 알고리즘일 수 있으므로 중복되는 설명은 생략한다.

상기 부당청구 탐지 모델은 상기 특질 변수 및 정상 청구 데이터를 입력으로 하여 새로운 보험청구 내역에 대해 부당청구 탐지 결과를 출력할 수 있다. 예시적으로, 부당청구 탐지 모델은 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. 부당청구 판단부(150)는 입력에 의한 출력의 도출을 반복적으로 수행함으로써 부당청구 탐지 모델의 정확도를 향상시킬 수 있다.

부당청구 판단부(150)는 부당청구 탐지 모델에 기초하여 신규 보험청구 내역의 부당 여부를 판단할 수 있다. 부당청구 판단부(150)는 상기 구축된 부당청구 탐지 모델에 새로운 신규 보험청구 내역이 입력되면, 전술한 바와 같이 유사도에 기초하여 신규 보험청구 내역의 부당 여부가 판단될 수 있다. 이때, 신규 패턴 탐지부(140)에 의해 구축된 패턴 판별 모델에도 신규 보험청구 내역이 입력됨으로써, 신규 보험청구 내역이 부당청구인지 아닌지의 여부와, 해당 신규 보험청구의 패턴을 파악할 뿐만 아니라, 신규 보험청구가 부당청구인 경우, 부당청구의 신규패턴 여부까지 판별할 수 있다.

본원의 일 실시예에 따르면, 인공지능 기반 보험금 부당청구 탐지 장치(100)는 데이터베이스를 더 포함할 수 있으며, 데이터베이스는 보험청구 내역 데이터, 상기 특질 변수 및 상기 신규 패턴 중 적어도 하나를 기록할 수 있다.

도 6은 본원의 일 실시예에 따른 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 방법의 흐름을 도시한 도면이다.

도 6에 도시된 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 방법은 앞선 도 1 내지 도 5를 통해 설명된 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 장치에 의하여 수행될 수 있다. 따라서 이하 생략된 내용이라고 하더라도 도 1 내지 도 5를 통해 신규 부당 청구 패턴 분석 장치에 대하여 설명된 내용은 도 6에도 동일하게 적용될 수 있다.

도 6을 참조하면, 단계 S610에서 데이터 전처리부(110)는 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, 하루 최대 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.

단계 S620에서 이상치 탐지부(120)는 상기 특질 변수를 입력으로 하는 이상 탐지 알고리즘에 기초하여 탐지된 이상 군집으로부터 정상 패턴 및 부당 패턴을 검출할 수 있다. 상기 이상 탐지 알고리즘은 전체 데이터 즉, 보험청구 내역 데이터의 평균적인 특성에 맞지 않는 소수의 이상 데이터를 탐지하는 알고리즘을 의미한다. 구체적으로, 이상치 탐지부(120)는 특질 변수를 입력으로 하는 이상 탐지 알고리즘에 기초하여, 보험 청구의 정상거래 및 부당거래 각각의 특질 변수의 정상치 및 이상치를 검출하고, 상기 이상치에 대응하는 특질 변수의 빈도에 기초하여 상기 이상 군집을 탐지할 수 있다. 예시적으로, 이상 탐지 알고리즘은 아이솔레이션 포레스트(Isolation Forest) 알고리즘을 포함할 수 있으며, 아이솔레이션 포레스트 알고리즘은 트리기반으로 이상 데이터를 고립시킴으로써 이상 군집을 탐지할 수 있다. 이상치 탐지부(120)는 이상 탐지 알고리즘에 의해 탐지된 소수의 군집을 이상 군집으로 검출할 수 있다. 보험청구의 경우, 부당청구의 비율이 정상청구의 비율보다 작기 때문에 상기 알고리즘을 통해 이상 데이터를 고립시킬 수 있다. 즉, 이상치 탐지부(120)는 이상 군집을 부당 패턴으로 검출하고, 이상 군집에 속하지 않은 군집을 정상 패턴으로 검출할 수 있다.

단계 S630에서 신규 패턴 분류부(130)는 정상 패턴 및 부당 패턴을 입력으로 하는 비지도 학습을 수행하여, 부당청구의 신규 패턴을 탐지할 수 있다. 비지도 학습이란 학습용 데이터를 구축하는 것이 아닌 데이터 자체를 분석하거나 군집하면서 학습하는 알고리즘을 의미한다. 이는 공지된 사항이므로 구체적인 설명은 생략한다. 신규 패턴 분류부(130)는 군집 알고리즘에 기초하여 상기 정상 패턴 및 부당 패턴을 군집하고, 상기 정상 패턴 및 부당 패턴의 군집간 분리도에 기초하여 상기 부당청구의 신규 패턴을 검출할 수 있다.

신규 패턴 분류부(130)는 상기 군집 알고리즘을 통해 상기 정상 패턴 및 부당 패턴을 복수개 패턴 군집으로 군집할 수 있다. 즉 패턴 군집은 동질성 있는 특질 변수들의 군집일 수 있다. 또한, 패턴 군집의 군집간 분리도 즉 군집간 거리에 기초하여 상기 부당청구의 신규 패턴을 검출할 수 있다. 신규 패턴 분류부(130)는 유사한 정상 패턴과 부당 패턴을 군집할 수 있으며, 유사하지 않은 패턴을 신규 패턴으로 분류하되, 신규 패턴의 특질 변수에 기초하여 정상 청구의 패턴인 것으로 판단되면, 정상 패턴으로 분류하고, 상기 신규 패턴이 부당 패턴인 것으로 판단되면, 부당청구의 신규 패턴으로 검출될 수 있다. 구체적으로, 정상 패턴 또는 부당 패턴에 속한 특질 변수들의 빈도가 유사한 경우, 유사한 특질 변수끼리 동일 내지 유사한 패터닝(또는 식별자)가 부여될 수 있다. 즉 패턴 상호간 패터닝이 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.

단계 S640에서 신규 패턴 탐지부(140)는 부당청구의 신규 패턴 및 기 분류된 보험 청구 패턴을 입력으로 하는 지도 학습 기반의 패턴 판별 모델을 구축하여 신규 부당청구의 패턴을 탐지할 수 있다. 지도 학습이란, 미리 구축된 학습용 데이터(training data)를 활용하여 모델을 학습하는 것을 의미한다. 또한, 신규 패턴 탐지부(140)는 분류 알고리즘에 기초하여 상기 신규 부당청구의 패턴을 탐지할 수 있다. 상기 분류 알고리즘은 의사결정 알고리즘을 포함하며 의사 결정 알고리즘은 예를 들어 Decision Tree알고리즘일 수 있으나, 이에 한정되는 것은 아니다. 신규 패턴 탐지부(140)는 부당청구의 신규 패턴 및 기 분류된 보험 청구 패턴을 입력으로 하는 의사결정 알고리즘에 기초하여 신규 패턴 판별 규칙을 학습할 수 있다. 또한, 신규 패턴 탐지부(140)는 신규 패턴 판별 규칙을 포함하는 신규 부당청구의 패턴 판별 모델을 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 신규 부당청구의 패턴 판별 모델로 구축될 수 있다. 예시적으로, 정상 거래인 경우에도 이상치가 탐지될 수 있으며, 부당청구의 신규패턴일 가능성이 없다고 할 수 없다. 따라서, 부당청구의 신규 패턴 및 기분류된 보험청구 패턴을 포함하는 모든 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 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. 즉, 신규 패턴 탐지부(140)는 특질 변수의 중요도를 고려함으로써 보다 정확한 신규 부당청구의 패턴 판별 모델을 구축할 수 있다

단계 S650에서 부당청구 판단부(150)는 특질 변수 및 정상 청구 데이터를 입력으로 하는 지도 학습 기반의 부당청구 탐지 모델을 구축하여 신규 보험청구 내역의 부당 여부를 판단할 수 있다. 상기 부당청구 탐지 모델은 상기 특질 변수 및 정상 청구 데이터를 입력으로 하여 부당청구 탐지 결과를 출력할 수 있다. 부당청구 판단부(150)는 지도 학습 기반의 분류/예측 알고리즘에 기초하여 상기 부당청구 탐지 모델을 구축할 수 있다. 상기 분류/예측 알고리즘에는 전술한 군집 알고리즘에서 설명한 알고리즘일 수 있으므로 중복되는 설명은 생략한다.

상기 부당청구 탐지 모델은 상기 특질 변수 및 정상 청구 데이터를 입력으로 하여 새로운 보험청구 내역에 대해 부당청구 탐지 결과를 출력할 수 있다. 예시적으로, 부당청구 탐지 모델은 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.

부당청구 판단부(150)는 부당청구 탐지 모델에 기초하여 신규 보험청구 내역의 부당 여부를 판단할 수 있다. 부당청구 판단부(150)는 상기 구축된 부당청구 탐지 모델에 새로운 신규 보험청구 내역이 입력되면, 전술한 바와 같이 유사도에 기초하여 신규 보험청구 내역의 부당 여부가 판단될 수 있다. 이때, 신규 패턴 탐지부(140)에 의해 구축된 패턴 판별 모델에도 신규 보험청구 내역이 입력됨으로써, 신규 보험청구 내역이 부당청구인지 아닌지의 여부와, 해당 신규 보험청구의 패턴을 파악할 뿐만 아니라, 신규 보험청구가 부당청구인 경우, 부당청구의 신규패턴 여부까지 판별할 수 있다.

본원의 일 실시예에 따르면, 인공지능 기반 보험금 부당청구 탐지 방법은, 보험청구 내역 데이터, 상기 특질 변수 및 상기 신규 패턴 중 적어도 하나를 기록하는 단계를 더 포함할 수 있다.

본원의 일 실시 예에 따른, 인공지능 기반 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: 인공지능 기반 보험금 부당청구 탐지 장치
110: 데이터 전처리부
120: 이상치 탐지부
130: 신규 패턴 분류부
140: 신규 패턴 탐지부
150: 부당 청구 판단부

Claims (5)

1. 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 장치에 있어서,
   보험청구 내역 데이터를 정형화하여 특질 변수를 도출하는 데이터 전처리부;
   상기 특질 변수를 입력으로 하는 이상 탐지 알고리즘에 기초하여 탐지된 이상 군집으로부터 정상 패턴 및 부당 패턴을 검출하는 이상치 탐지부;
   상기 정상 패턴 및 부당 패턴을 입력으로 하는 비지도 학습을 수행하여, 부당청구의 신규 패턴을 탐지하는 신규 패턴 분류부;
   상기 부당청구의 신규 패턴 및 기 분류된 보험 청구 패턴을 입력으로 하는 지도 학습 기반의 패턴 판별 모델을 구축하여 신규 부당청구의 패턴을 탐지하는 신규 패턴 탐지부; 및
   상기 특질 변수 및 정상 청구 데이터를 입력으로 하는 지도 학습 기반의 부당청구 탐지 모델을 구축하여 신규 보험청구 내역의 부당 여부를 판단하는 부당청구 판단부,
   를 포함하되,
   상기 이상치 탐지부는,
   상기 특질 변수를 입력으로 하는 이상 탐지 알고리즘에 기초하여, 보험 청구의 정상거래 및 부당거래 각각의 특질 변수의 정상치 및 이상치를 검출하고, 상기 이상치에 대응하는 특질 변수의 빈도에 기초하여 상기 이상 군집을 탐지하고,
   상기 신규 패턴 분류부는,
   군집 알고리즘에 기초하여 상기 정상 패턴 및 부당 패턴을 군집하고, 상기 정상 패턴의 군집과 상기 부당 패턴의 군집에 속하지 않는 상기 부당청구의 신규 패턴을 검출하고,
   상기 신규 패턴 탐지부는,
   상기 정상 패턴, 상기 부당 패턴 및 상기 신규 패턴을 입력으로 하는 의사결정 알고리즘에 기초하여 상기 신규 패턴의 복수의 특질 변수 각각의 중요도가 반영되도록 신규 패턴 판별 규칙을 학습하고, 상기 신규 패턴 판별 규칙을 포함하는 지도 학습 기반의 패턴 판별 모델을 구축하여 신규 부당청구의 패턴을 탐지하되, 상기 신규 패턴의 복수의 특질 변수 중 어느 하나의 특질 변수의 중요도는 상기 복수의 특질 변수 중 다른 하나의 특질 변수의 중요도보다 높은 것이고,
   상기 신규 보험청구 내역은,
   상기 신규 패턴 탐지부에 의해 구축된 패턴 판별 모델에도 입력되도록 함으로써, 상기 신규 보험청구가 신규 패턴인지 여부가 판단되도록 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 개수, 유효 입/통원 총 일수 및 진료 과목 개수 중 적어도 어느 하나를 포함하고, 상기 특질 변수의 수치화된 값이 부당 청구의 위험성이 높은 경우 높은 중요도를 갖는 것인, 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 장치.
2. 제1항에 있어서,
   상기 보험청구 내역 데이터, 상기 특질 변수 및 상기 신규 패턴 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, 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 장치.
3. 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 방법에 있어서,
   (a) 데이터 전처리부가 보험청구 내역 데이터를 정형화하여 특질 변수를 도출하는 단계;
   (b) 이상치 탐지부가 상기 특질 변수를 입력으로 하는 이상 탐지 알고리즘에 기초하여 탐지된 이상 군집으로부터 정상 패턴 및 부당 패턴을 검출 하는 단계;
   (c) 신규 패턴 분류부가 상기 정상 패턴 및 부당 패턴을 입력으로 하는 비지도 학습을 수행하여, 부당청구의 신규 패턴을 탐지하는 단계;
   (d) 신규 패턴 탐지부가 상기 부당청구의 신규 패턴 및 기 분류된 보험 청구 패턴을 입력으로 하는 지도 학습 기반의 패턴 판별 모델을 구축하여 신규 부당청구의 패턴을 탐지하는 단계; 및
   (e) 부당청구 판단부가 상기 특질 변수 및 정상 청구 데이터를 입력으로 하는 지도 학습 기반의 부당청구 탐지 모델을 구축하여 신규 보험청구 내역의 부당 여부를 판단하는 단계,
   를 포함하고,
   상기 (b)단계는,
   상기 특질 변수를 입력으로 하는 이상 탐지 알고리즘에 기초하여, 보험 청구의 정상거래 및 부당거래 각각의 특질 변수의 정상치 및 이상치를 검출하고, 상기 이상치에 대응하는 특질 변수의 빈도에 기초하여 상기 이상 군집을 탐지하고,
   상기 (c)단계는,
   군집 알고리즘에 기초하여 상기 정상 패턴 및 부당 패턴을 군집하고, 상기 정상 패턴의 군집과 상기 부당 패턴의 군집에 속하지 않는 상기 부당청구의 신규 패턴을 검출하고,
   상기 (d)단계는,
   상기 정상 패턴, 상기 부당 패턴 및 상기 신규 패턴을 입력으로 하는 의사결정 알고리즘에 기초하여 상기 신규 패턴의 복수의 특질 변수 각각의 중요도가 반영되도록 신규 패턴 판별 규칙을 학습하고, 상기 신규 패턴 판별 규칙을 포함하는 지도 학습 기반의 패턴 판별 모델을 구축하여 신규 부당청구의 패턴을 탐지하되, 상기 신규 패턴의 복수의 특질 변수 중 어느 하나의 특질 변수의 중요도는 상기 복수의 특질 변수 중 다른 하나의 특질 변수의 중요도보다 높은 것이고,
   상기 (e)단계는,
   상기 신규 보험청구 내역을 상기 신규 패턴 탐지부에 의해 구축된 패턴 판별 모델에도 입력되도록 함으로써, 상기 신규 보험청구가 신규 패턴인지 여부가 판단되도록 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 개수, 유효 입/통원 총 일수 및 진료 과목 개수 중 적어도 어느 하나를 포함하고, 상기 특질 변수의 수치화된 값이 부당 청구의 위험성이 높은 경우 높은 중요도를 갖는 것인, 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 방법.
4. 제3항에 있어서,
   데이터베이스가 상기 인공지능 기반 보험금 부당청구 탐지 방법은 상기 보험청구 내역 데이터, 상기 특질 변수 및 상기 신규 패턴 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, 인공지능 기반 보험금 부당청구 및 부당패턴 탐지 방법.
5. 제3항 및 제4항 중 어느 한 항의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터에서 판독 가능한 기록매체.

Images