KR102310451B1 - 보험 문서 분석 방법을 제공하기 위한 컴퓨터 프로그램 - Google Patents

Abstract

전술한 과제를 해결하기 위한 본 개시의 일 실시예에서, 하나 이상의 프로세서들에 의해 실행 가능한 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에 의해 실행되는 경우, 문서를 분석하기 위한 이하의 동작들을 수행하도록 하며 상기 동작들은: 사용자 단말의 챗봇 인터페이스를 통해 수신되는 사용자의 채팅 기록에 기초하여 보험 관련 절차의 개시 여부를 결정하는 동작; 상기 사용자 단말로부터 상기 챗봇 인터페이스를 통해 입력되는 보험 문서를 수신하는 동작; 상기 보험 문서를 문서 분석 모델에 입력시켜 상기 문서 분석 모델을 이용하여 상기 보험 문서를 분석하는 동작; 및 상기 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정하는 동작;을 포함할 수 있다.

Description

보험 문서 분석 방법을 제공하기 위한 컴퓨터 프로그램{COMPUTER PROGRAM FOR PROVIDING A METHOD TO ANALYSIS INSURANCE DOCUMENTS}

본 개시는 컴퓨터를 이용한 정보처리를 제공하기 위한 컴퓨터 프로그램에 관한 것으로, 보다 구체적으로, 문서에 대한 분석 방법을 제공하기 위한 컴퓨터 프로그램에 관한 것이다.

최근 개인 단말기를 통해 보험 관련 상담이 급증하고 있는 가운데, 상담 처리 과정 및 시간을 효율적으로 감소시키기 위해 챗봇을 이용한 보험 상담 방법이 개발되었다.

하지만, 현재 챗봇을 통한 자동화 시스템은 보험 관련 상담 및 접수 과정에만 관여하고, 보험 상품의 종류가 다양해지면서 다양한 수요에 따른 처리 속도를 더 줄일 필요가 있다. 이에 따라, 상담뿐 아니라 보험 가입 및 보험금 청구에 대한 심사 과정을 간편화 할 수 있도록, 사용자 단말을 통해 접수된 보험금 청구에 대한 문서를 판독하여 심사 과정을 처리할 수 있는 자동화 시스템이 필요하다.

한국 공개 특허 KR10-2019-0051904

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 보험금 청구에 대한 문서 분석 방법을 제공하기 위한 컴퓨터 프로그램을 제공할 수 있다.

전술한 과제를 해결하기 위한 본 개시의 일 실시예에서, 하나 이상의 프로세서들에 의해 실행 가능한 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에 의해 실행되는 경우, 문서를 분석하기 위한 이하의 동작들을 수행하도록 하며 상기 동작들은: 사용자 단말의 챗봇 인터페이스를 통해 수신되는 사용자의 채팅 기록에 기초하여 보험 관련 절차의 개시 여부를 결정하는 동작; 상기 사용자 단말로부터 상기 챗봇 인터페이스를 통해 입력되는 보험 문서를 수신하는 동작; 상기 보험 문서를 문서 분석 모델에 입력시켜 상기 문서 분석 모델을 이용하여 상기 보험 문서를 분석하는 동작; 및 상기 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정하는 동작;을 포함할 수 있다.

대안적으로, 상기 보험 문서는, 보험금 청구에 관련한 서류에 대한 이미지를 포함할 수 있다.

대안적으로, 상기 사용자 단말로부터 상기 챗봇 인터페이스를 통해 입력되는 보험 문서를 수신하는 동작은 상기 사용자 단말에 제공되는 챗봇 인터페이스에 대한 사용자의 상기 보험 문서에 대한 업로드 입력에 기초하여 상기 보험 문서를 수신하는 동작을 포함할 수 있다.

대안적으로, 상기 보험 문서를 문서 분석 모델에 입력시켜 상기 문서 분석 모델을 이용하여 상기 보험 문서를 분석하는 동작은, 상기 문서 분석 모델을 이용하여 상기 보험 문서에 포함된 하나 이상의 문자들을 식별하는 동작; 및 상기 문서 분석 모델을 이용하여 상기 하나 이상의 문자들에 대한 자연어 처리를 수행하여 상기 보험 문서의 구조를 판독하는 동작;을 포함할 수 있다.

대안적으로, 상기 문서 분석 모델을 이용하여 상기 하나 이상의 문자들에 대한 자연어 처리를 수행하여 상기 보험 문서의 구조를 판독하는 동작은, 상기 보험 문서에 대한 자연어 처리 결과에 기초하여 상기 보험 문서에 포함된 하나 이상의 항목을 식별하는 동작; 및 상기 하나 이상의 항목에 대한 컨텍스트(Context) 분석 결과에 기초하여 상기 보험 문서의 구조를 판독하는 동작;을 포함할 수 있다.

대안적으로, 상기 하나 이상의 항목에 대한 컨텍스트 분석 결과에 기초하여 상기 보험 문서의 구조를 판독하는 동작은, 상기 컨텍스트 분석 결과를 기존 보험 문서 구조와 비교하여 상기 보험 문서의 구조를 판독하는 동작; 또는 상기 컨텍스트 분석 결과를 구조 분석 서브모델에 입력시켜 상기 보험 문서의 구조를 판독하는 동작; 중 적어도 하나의 동작을 포함할 수 있다.

대안적으로, 상기 구조 분석 서브모델은 이미지화된 보험 문서의 분석 결과에 기초하여 학습되며, 선택된 필수 문서에 포함된 구조 정보와 이미지화된 보험 문서의 구조 정보의 비교 결과를 정책 네트워크를 이용하여 처리함으로써 다른 필수 문서를 선택할지 여부를 결정하고, 다른 필수 문서에 포함된 구조 정보와 이미지화된 보험 문서의 구조 정보에 기초하여 리워드(Reward)를 연산하고, 상기 리워드를 최대화할 수 있는 다른 필수 문서를 선택하도록 학습될 수 있다.

대안적으로, 상기 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정하는 동작은 상기 사용자 단말로부터 획득된 제 1 사용자 정보 또는 상기 보험 문서로부터 획득된 제 2 사용자 정보 중 적어도 하나에 기초하여 상기 보험금의 지급 대상을 결정하는 동작을 포함할 수 있다.

대안적으로, 상기 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정하는 동작은, 상기 보험 문서에서 보험금 지급의 면책 범위를 결정하는 동작을 포함할 수 있다.

대안적으로, 상기 보험금 지급의 면책 범위를 결정하는 동작 이후에, 상기 보험 문서에 대하여 상기 면책 범위를 사용자에게 고지하기 위한 정보를 생성하는 동작을 더 포함할 수 있다.

대안적으로, 상기 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정하는 동작은 상기 사용자 단말로부터 획득된 제 1 사용자 정보 또는 상기 보험 문서로부터 획득된 제 2 사용자 정보 중 적어도 하나에 기초하여 보험 사기 여부를 결정하는 동작을 포함할 수 있다.

대안적으로, 상기 사용자 단말로부터 획득된 제 1 사용자 정보 또는 상기 보험 문서로부터 획득된 제 2 사용자 정보 중 적어도 하나에 기초하여 보험 사기 여부를 결정하는 동작은, 상기 제 1 사용자 정보 또는 상기 제 2 사용자 정보 중 적어도 하나로부터 사용자의 이전 청구 기록을 획득하는 동작; 및 상기 이전 청구 기록과 상기 보험 문서를 비교하여 보험 사기 여부를 결정하는 동작을 포함할 수 있다.

대안적으로, 상기 사용자 단말에 보험금 지급 관련 알림을 전송하는 동작을 더 포함할 수 있다.

본 개시의 다른 실시예에 따른 보험 문서 분석 방법을 제공하기 위한 방법이 개시된다. 상기 방법은, 사용자 단말의 챗봇 인터페이스를 통해 수신되는 사용자의 채팅 기록에 기초하여 보험 관련 절차의 개시 여부를 결정하는 단계; 상기 사용자 단말로부터 상기 챗봇 인터페이스를 통해 입력되는 보험 문서를 수신하는 단계; 상기 보험 문서를 문서 분석 모델에 입력시켜 상기 문서 분석 모델을 이용하여 상기 보험 문서를 분석하는 단계; 및 상기 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정하는 단계를 포함할 수 있다.

본 개시의 또 다른 실시예에 따른 보험 문서 분석 방법을 제공하기 위한 서버가 개시된다. 상기 서버는 하나 이상의 코어를 포함하는 프로세서; 메모리; 및 사용자 단말과 데이터를 송수신하는 네트워크부를 포함하고, 상기 프로세서는 사용자 단말의 챗봇 인터페이스를 통해 수신되는 사용자의 채팅 기록에 기초하여 보험 관련 절차의 개시 여부를 결정하고, 상기 사용자 단말로부터 상기 챗봇 인터페이스를 통해 입력되는 보험 문서를 수신하고, 상기 보험 문서를 문서 분석 모델에 입력시켜 상기 문서 분석 모델을 이용하여 상기 보험 문서를 분석하고, 상기 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정할 수 있다.

본 개시는 문서 분석 모델을 이용하여 보다 효율적으로 보험금 청구에 대한 문서 분석 방법을 제공하기 위한 컴퓨터 프로그램을 제공할 수 있다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 보험금 지급에 대한 문서 분석 방법을 제공하기 위한 서버의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.
도 2는 본 개시의 일 실시예와 관련된 보험 문서 분석 방법을 제공하기 위한 서버의 블록 구성도를 도시한다.
도 3은 본 개시의 일 실시예에 따라 문서의 구조를 결정하기 위한 구조 분석 모델의 기반이 되는 네트워크 함수를 나타낸 개략도이다.
도 4는 본 개시의 일 실시예에 따라 보험금 청구에 대한 보험 문서 분석 방법을 예시적으로 도시한 도면이다.
도 5는 본 개시의 일 실시예에 따라 사용자 단말(10)에 제공된 챗봇 인터페이스를 통해 보험금 청구와 관련된 정보를 요청한 경우에 대한 사용자 단말(10)의 예시도이다.
도 6은 본 개시의 일 실시예와 관련된 보험 문서 분석 방법에 대한 순서도를 도시한다.
도 7은 본 개시의 일 실시예와 관련된 보험 문서 분석 방법을 구현하기 위한 로직을 도시한다.
도 8은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

본 개시내용의 청구범위에서의 동작들에 대한 권리범위는, 각 동작들에 기재된 기능 및 특징들에 의해 발생되는 것이지, 각각의 동작에서 그 순서의 선후관계를 명시하지 않는 이상, 청구범위에서의 각 동작들의 기재 순서에 영향을 받지 않는다. 예를 들어, A동작 및 B동작를 포함하는 동작으로 기재된 청구범위에서, A동작이 B동작 보다 먼저 기재되었다고 하더라도, A동작이 B동작에 선행되어야 한다는 것으로 권리범위가 제한되지는 않는다.

본 개시내용에서 네트워크 함수 및 신경망은 종종 상호교환 가능하게 사용될 수 있다.

도 1은 본 개시의 보험금 지급에 대한 방법을 제공하기 위한 서버의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.

본 개시의 실시예들에 따른 시스템은 문서 분석 서버(100), 사용자 단말(10), 외부 서버(20) 및 네트워크를 포함할 수 있다. 본 개시의 실시예들에 따른 문서 분석 서버(100), 사용자 단말(10) 및 외부 서버(20)는 네트워크를 통해, 본 개시의 일 실시예들에 따른 시스템을 위한 데이터를 상호 송수신할 수 있다.

본 개시의 실시예들에 따른 네트워크는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 여기서 제시되는 네트워크는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시의 실시예들에 따른 네트워크는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 개시의 일 실시예에 따르면, 문서 분석 서버(100)는 문서 분석 서버(100)의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 문서 분석 서버(100)는 임의의 형태의 장치는 모두 포함할 수 있다. 문서 분석 서버(100)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 문서 분석 서버(100)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 본 개시의 문서 분석 서버(100)의 구체적인 구성 및 해당 구성에 따른 효과들은 하기의 도 2를 참조하여 자세히 후술하도록 한다.

본 개시의 일 실시예에 따르면, 사용자 단말(10)은 문서 분석 서버(100)와의 정보 교환을 통해 사용자의 계약 또는 서비스 안내를 수행할 수 있는 단말로, 사용자가 소지한 단말을 의미할 수 있다. 이러한 사용자 단말(10)은, 사용자 단말(10)(UE), 모바일, 무선 통신이 가능한 PC, 핸드폰, 키오스크, 셀룰러 폰, 셀룰러, 셀룰러 단말, 가입자 유닛, 가입자국, 이동국, 단말, 원격국, PDA, 원격 단말, 엑세스 단말, 사용자 에이전트, 셀룰러 전화, 무선 전화, 세션 개시 프로토콜(SIP) 전화, 무선 로컬 루프(WLL) 국, 무선 접속 기능을 구비하는 휴대용 장치, 무선 모델과 같은, 무선 메커니즘을 사용할 수 있는 임의의 장치 등으로 지칭될 수 있으나, 이에 한정되지는 않는다.

또한, 사용자 단말(10)은, 유선 팩스, 유선 모델을 구비한 PC, 유선 전화, 유선 통신이 가능한 단말 등과 같은 유선 접속 메커니즘을 사용할 수 있는 임의의 장치 등으로 지칭될 수 있으나, 이들로 한정되지는 않는다.

즉, 사용자는 사용자 단말(10)에 제공되는 챗봇 인터페이스를 통해 보험금 청구에 대한 상담을 수행할 수 있고, 이에 따른 사용자의 보험 문서를 이미지로 업로드할 수 있다. 또한, 사용자 단말(10)로 입력된 보험 문서는 네트워크를 통해 문서 분석 서버(100) 및 외부 서버(20)로 전송될 수 있으며, 문서 분석 서버(100) 및 외부 서버(20)에 저장되어 관리될 수 있다.

본 개시의 일 실시예에 따르면, 외부 서버(20)는 사용자에 관한 정보 및 보험 문서에 대한 정보를 저장하고 있는 서버를 의미할 수 있으며, 문서 분석 서버(100)가 본 개시의 문서 분석 방법을 제공하도록 문서 분석 서버(100)로 사용자에 관한 정보 및 보험 문서에 대한 정보를 전송할 수 있다. 예컨대, 외부 서버(20)는 보험사 전산 서버로써, 해당 보험사에 가입한 사용자 또는 서비스 문의를 하는 다수의 사용자들에 관한 정보를 저장하고 있는 서버일 수 있다. 또한, 외부 서버(20)는 사용자가 가입중인 보험 종류에 기초하여 보험금 청구와 관련 적어도 하나 이상의 필수 문서의 종류와 필수 문서에 포함된 하나 이상의 필수적인 항목들에 대한 정보를 저장하고 있는 서버일 수 있다. 외부 서버(20)는 임의의 형태의 장치는 모두 포함할 수 있다. 외부 서버(20)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 외부 서버(20)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

도 2는 본 개시의 일 실시예와 관련된 보험 문서 분석 방법을 제공하기 위한 서버의 블록 구성도를 도시한다.

본 개시의 일 실시예에 따른 챗봇을 이용하여 문서 분석 방법을 제공하는 서버(100)는 개인 금융상품에 관련한 상담, 문의, 또는 고객 서비스 중 하나에 대한 사용자와의 일대일 대화에서 고객의 질의에 대응하기 위해 사용될 수 있다. 여기서 개인 금융상품은 보험, 대출, 연금, 펀드 등의 금융과 관련한 일반적인 상품을 의미할 수 있다.

본 개시의 일 실시예에 따른 챗봇을 이용하는 문서 분석 서버(100)는 네트워크부(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다.

본 개시의 일 실시예에 따라 네트워크부(110)는 사용자 단말(10) 및 외부 서버(20)와 정보를 송신하고 수신할 수 있다. 구체적으로, 네트워크부(110)는 사용자 단말(10)에 제공되는 챗봇 인터페이스를 통해 생성된 사용자의 채팅 기록을 수신할 수 있다. 네트워크부(110)는 프로세서(120)에 의해 사용자 단말(10)의 입력 신호에 기초하여 생성된 챗봇의 답변을 사용자 단말(10)로 전송할 수 있다. 이에 따라, 사용자는 사용자 단말(10)을 통해 챗봇과 대화형 상호작용이 가능하고, 이에 기초하여 사용자의 채팅 기록이 생성될 수 있다. 또한, 네트워크부(110)는 사용자 단말(10)로부터 사용자의 확인 신호를 수신할 수 있고, 외부 서버(20)로부터 사용자의 개인 정보를 수신할 수 있다. 또한, 네트워크부(110)는 사용자 단말(10)에 제공되는 챗봇 인터페이스를 통해 사용자의 보험 문서에 대한 업로드 입력에 기초하여 보험 문서를 수신할 수 있다. 보험 문서는 보험 상품 및 종류에 기초하여 미리 결정된 보험 과 관련된 하나 이상의 문서 및 서류를 포함할 수 있고, 사용자가 신청한 보험에 관련한 서류에 대한 이미지를 포함할 수 있다.

본 개시의 일 실시예에 따른 문서 분석 서버(100)는 사용자 단말(10)에 제공되는 챗봇의 답변을 생성할 수 있다. 사용자가 챗봇 인터페이스를 이용하는 것은 사용자 단말(10)을 통해 챗봇과 채팅을 하는 것을 포함할 수 있다.

프로세서(120)는 사용자 단말의 챗봇 인터페이스를 통해 수신되는 사용자의 채팅 기록에 기초하여 보험 관련 절차의 개시 여부를 결정할 수 있다. 프로세서(120)는 사용자의 채팅 기록에 기초하여 사용자가 단순한 챗봇 서비스를 원하는지 보험에 관련한 절차를 원하는지 판단할 수 있다. 프로세서(120)는 사용자가 보험에 관련한 절차를 원하는 것으로 판단되는 경우, 보험 관련 절차를 개시할 수 있다. 프로세서(120)는 사용자의 채팅 기록에 기초하여 보험과 관련한 절차 중 어떤 절차에 대한 개시를 원하는지를 판단할 수 있다. 프로세서(120)는 채팅 기록을 자연어 처리하여 채팅 기록의 컨텍스트를 파악할 수 있으며, 프로세서(120)는 채팅 기록의 컨텍스트에서 예를 들어, 사용자의 신상 변동에 대한 감지, 일상에 대한 기록 중 보험과의 연관성 탐색 등을 통해 사용자에 대한 어떤 보험 절차가 개시되어야 하는지 판단할 수 있다. 보험 관련 절차는 사용자의 보험에 대한 가입 절차, 청구 절차, 문의 절차 등을 포함할 수 있다. 예를 들어, 프로세서(120)는 사용자가 보험과 관련하여 유의미한 내용의 채팅을 입력하는 경우 보험과 관련한 절차가 챗봇 인터페이스 상에서 개시되도록 할 수 있다. 예를 들어, 사용자가 정형외과를 다녀왔다는 채팅 기록에 기초하여 프로세서(120)는 사용자에 대한 보험금 청구 절차, 보험 가입 절차, 보험 가입 유도 절차 등을 개시할 수 있다.

프로세서(120)는 챗봇 인터페이스를 이용하는 사용자의 개인 정보를 데이터 베이스로부터 조회할 수 있다. 프로세서(120)는 사용자에게 개인 정보에 대한 조회를 허용할 것을 요청하는 메시지(예를 들어, 동의 여부에 대한 선택지 제공)를 생성할 수 있다. 네트워크부(110)를 통해 사용자 단말(10)로 전달된 메시지는 챗봇 인터페이스를 통해 표시될 수 있다. 사용자의 개인 정보에 대한 조회를 허용하는 신호를 사용자 단말(10)로부터 수신한 경우, 프로세서(120)는 사용자의 개인 정보를 조회할 수 있다.

사용자의 개인 정보는 보험금의 청구와 관련한 정보를 포함할 수 있으며 예를 들어, 사용자의 결혼 상태, 자녀 유무, 직업 상태, 보험금 청구 조건 발생 여부(예를 들어, 진료 등) 등 현재 사용자의 상태에 대한 정보, 사용자 식별 정보, 보험 가입 이력 및 보험금 청구 이력을 포함할 수 있다. 사용자 개인 정보는 데이터 베이스에 사전 저장된 정보일 수 있다. 프로세서(120)는 사용자 식별 정보가 조회되지 않는 경우, 사용자 식별 정보를 입력하도록 요청하는 메시지를 생성할 수 있다. 생성된 요청 메시지는 사용자 단말(10)로 송신될 수 있고, 요청 메시지를 수신한 사용자 단말(10)의 입력 신호에 기초하여 사용자 식별 정보가 생성될 수 있다. 또한, 프로세서(120)는 사용자의 보험 가입 이력 및 보험금 청구 이력에 대해 사용자가 피보험자인 경우의 보험 가입 이력 및 보험금 청구 이력을 조회할 수 있다. 또한, 사용자 식별 정보에 기초하여 피보험자인 사용자가 미성년자일 경우, 프로세서(120)는 법정 대리인에 대한 정보를 요청하기 위한 메시지를 생성할 수 있다. 생성된 요청 메시지는 사용자 단말(10)로 송신되어 챗봇 인터페이스를 통해 표시될 수 있다.

본 개시의 일 실시예에 따른 프로세서(120)는 사용자의 개인 정보 및 채팅 기록에 기초하여 챗봇의 답변을 생성할 수 있다. 구체적으로, 프로세서(120)는 네트워크부(110)를 통해 데이터 베이스로부터 조회된 사용자의 개인 정보, 사용자의 챗봇 인터페이스를 이용한 채팅을 수신할 수 있다.

또한, 프로세서(120)는 수신한 채팅 기록에 기초하여 사용자의 보험금 청구 조건 발생 내용을 인식할 수 있다. 예를 들어, 채팅 기록 중에서 사용자의 병원 방문과 관련된 내용을 판별한 경우에, 프로세서(120)는 사용자의 보험금 청구 조건 발생이 있다고 인식할 수 있다. 이에 따라, 프로세서(120)는 사용자에게 개인 정보 변동과 관련하여 질문하는 챗봇의 답변을 생성할 수 있다. 생성된 답변은 네트워크부(110)를 통해 사용자 단말(10)로 전달될 수 있고, 챗봇 인터페이스를 통해 개인 정보와 관련된 질문으로 표시될 수 있다. 개인 정보와 관련된 질문에 대한 사용자의 답변은 사용자 단말(10)의 입력 신호에 기초하며, 네트워크부(110)를 통해 전달될 수 있다. 프로세서(120)는 사용자의 답변에 기초하여 사용자에 대한 개인 정보의 변경, 보험 관련 절차의 개시 여부를 판단할 수 있다. 프로세서(120)는 사용자의 개인 정보를 사용자의 답변에 기초하여 수정할 수도 있다.

이에 따라, 프로세서(120)는 사용자의 답변에 기초하여 사용자 개인 정보를 수정할 수 있다. 구체적으로, 개인 정보 변동과 관련된 질문에 대한 사용자의 답변은 긍정과 부정으로 먼저 구분될 수 있다. 긍정의 답변을 수신한 프로세서(120)는 챗봇 인터페이스를 통해 변동된 개인 정보에 대해 추가 입력을 요청하는 챗봇의 답변을 생성할 수 있다. 생성된 챗봇의 답변은 챗봇 인터페이스에 의해 표시될 수 있도록 네트워크부(110)로부터 사용자 단말(10)로 송신될 수 있다. 프로세서(120)는 사용자 단말(10)로부터 긍정의 답변과 추가 입력된 내용에 기초하여 개인 정보를 수정할 수 있다. 예를 들어, 사용자 단말(10)로부터 긍정의 답변과 병원 방문에 대한 변동 내용이 추가 입력된 경우, 프로세서(120)는 변동 내용에 기초하여 사용자 개인 정보의 병원 방문 이력, 건강 상태 정보 등을 수정할 수 있다. 전술한 사용자 개인 정보는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

프로세서(120)는 사용자의 채팅 기록 및 개인 정보 중 적어도 하나에 기초하여 보험에 대한 절차의 개시 여부를 결정할 수 있다. 프로세서(120)는 사용자의 채팅 기록에 기초하여 사용자가 보험금 청구를 수행하고자 함을 인식할 수 있으며, 사용자의 보험금 청구가 챗봇 인터페이스를 통해 간편하게 수행될 수 있는 것인지, 보험 회사 직원 등의 추가적인 심사가 필요한 것인지를 채팅 기록 및 개인 정보 중 적어도 하나에 기초하여 판단할 수 있다. 예를 들어, 프로세서(120)는 사용자가 정형외과를 다녀왔다는 채팅 기록과 사용자 정보에 실비 보험에 대한 가입 정보가 있는 경우, 정형외과의 치료에 대한 보험금 청구 절차를 챗봇 인터페이스를 통해 수행할 것을 결정할 수 있다. 이 경우, 프로세서(120)는 보험금 청구 절차가 챗봇 인터페이스를 통해 수행할 수 있는 것인지 확인하기 위하여 사용자에게 추가적인 질문(예를 들어, 청구액이 일정 금액 이하인 단순 통증치료인지, 청구액이 일정 이상인 중증 장애에 대한 청구인지에 대한 확인 질문 등)을 수행할 수 도 있다.

프로세서(120)는 사용자가 교통사고 때문에 정형외과를 다녀왔다는 채팅 기록이 있으나, 사용자가 중증 장애를 얻었다는 채팅 기록이 수신되는 경우 보험금 청구 절차를 챗봇 인터페이스를 통해 수행할 수 없으며, 보험회사 직원 등에 의한 추가적인 심사 및 절자 친행에 대한 안내 메시지를 생성하여 사용자 단말의 챗봇 인터페이스에 전송할 수 있다.

또한, 프로세서(120)는 사용자의 보험금 청구 이력에 기초하여 보험금 청구가 불가능한 보험에 대해 챗봇의 답변으로 생성할 수 있다. 구체적으로, 프로세서(120)는 사용자의 이전 보험금 청구 이력에 기초하여 보험금 청구가 중복될 수 있는 보험에 대한 안내 정보를 챗봇의 답변으로 생성할 수 있다. 생성된 챗봇의 답변은 사용자 단말(10)로 전달될 수 있고, 챗봇 인터페이스를 통해 표시될 수 있다.

또한, 프로세서(120)는 사용자의 보험 가입 이력에 기초하여 보험금 청구가 불가능한 보험에 대한 안내 정보를 챗봇의 답변으로 생성할 수 있다. 예를 들어, 사용자가 가입한 이력이 있는 보험들 중 계약 기간이 정해진 정기 보험에 대해 계약 기간이 만료될 수 있다. 이에 따라, 프로세서(120)는 계약 기간에 기초하여 보험금 청구가 가능한지 판단하고 이에 대한 안내 정보를 챗봇의 답변으로 생성할 수 있다. 생성된 챗봇의 답변은 사용자 단말(10)로 전달되어 챗봇 인터페이스를 통해 표시될 수 있다. 이를 통해, 사용자는 사전에 챗봇을 통해 보험금을 청구할 수 없는 보험에 대한 안내를 받고, 불필요한 보험금 청구 과정을 진행하지 않을 수 있다.

또한, 프로세서(120)는 다중으로 가입한 보험에 대한 보험금 청구에 대해 챗봇의 답변으로 생성할 수 있다. 예를 들어, 보험 가입 이력에 2개의 보험회사에 실손의료보험을 가입한 사용자에 대해 실제 부담한 의료비에 기초하여 2개의 보험회사로부터 각각 받을 수 있는 보험금에 대한 안내 정보를 챗봇의 답변으로 생성할 수 있다. 생성된 챗봇의 답변은 사용자 단말(10)로 전달되어 챗봇 인터페이스를 통해 표시될 수 있다.

본 개시의 일 실시예에 따른 프로세서(120)는 채팅 기록에 기초하여 사용자의 보험 가입 이력이 있는 보험 상품에 대해 보험금 청구와 관련된 챗봇의 답변을 생성할 수 있다. 예를 들어, 프로세서(120)는 자동차 사고 보험에 대한 보험 가입 이력이 있는 사용자와 병원을 방문한 채팅 기록에 기초하여 사용자에게 병원 방문의 이유를 질문하는 챗봇의 답변을 생성할 수 있다. 생성된 챗봇의 답변은 사용자 단말(10)로 전달되어 챗봇 인터페이스를 통해 표시될 수 있다. 또한, 사용자 단말(10)의 입력 신호에 기초하여 사용자의 병원 방문 이유로 자동차 사고가 선택된 경우에, 프로세서(140)는 자동차 사고 보험에 대한 보험금 청구에 대한 질문을 챗봇의 답변으로 생성할 수 있다. 생성된 챗봇의 답변은 사용자 단말(10)로 전달되어 챗봇 인터페이스를 통해 표시될 수 있고, 사용자는 챗봇을 통해 보험금을 받을 수 있는 보험에 대해 알 수 있다.

본 개시의 일 실시예에 따라 프로세서(120)는 사용자 단말(10)로 가입 이력이 있는 보험 정보를 포함하는 보험 정보를 네트워크부(110)를 통해 전달할 수 있다. 프로세서(120)는 사용자의 채팅 기록에 기초하여 사용자에게 보험 정보를 제공할 수 있으며, 이때, 사용자가 가입한 보험과 사용자가 챗봇을 이용하여 개시하려는 보험 관련 절차에 관련한 정보를 챗봇 인터페이스를 통해 전달할 수 있다. 프로세서(120)는 예를 들어, 사용자의 채팅 기록에서 정형외과 진료가 인식되는 경우, 실비 보험의 청구에 관련한 정보를 챗봇 인터페이스를 통해 사용자에게 전달할 수 있다.

본 개시의 일 실시예에 따라 프로세서(120)는 보험 정보에 대한 사용자 의도를 파악하여 추가 동작을 수행할 수 있다. 예를 들어, 보험 정보에 대한 사용자 의도는 보험 정보 제공 이후에 챗봇 인터페이스를 통해 입력되는 사용자의 채팅 기록에 기초하여 판단될 수 있다. 프로세서(120)는 보험 정보 제공 이후에 챗봇 인터페이스를 통해 입력되는 사용자의 채팅 기록에 기초하여 보험 정보에 대한 사용자 의도를 판단할 수 있다. 보험 정보에 대한 사용자 의도는 예를 들어, 보험 정보에 대한 보험 관련 절차의 개시, 보험 정보에 대한 추가 정보 요청, 다른 보험 정보 요청 등을 포함할 수 있다.

본 개시의 일 실시예에 따라 보험 정보를 전송한 후 프로세서(120)는 가입 이력이 있는 보험 정보를 포함하는 보험 정보에 대한 사용자의 의도를 파악하기 위한 질문을 추가적으로 사용자 단말에 전송되도록 할 수 있다. 보험 정보에 대한 사용자 의도 파악을 위한 질문은 사용자 단말(10)의 챗봇 인터페이스를 통해 표시될 수 있고, 프로세서(120)는 사용자의 챗봇 인터페이스에 대한 입력에 기초하여 사용자의 의견을 수신할 수 있다. 예를 들어, 실비 보험에 가입한 사용자에게 실비 보험 정보를 전송한 프로세서(120)는 사용자의 보험금 청구 의도를 파악하기 위해 챗봇의 메시지로 “가입하신 실비 보험의 보험금 청구를 진행할까요?”를 생성할 수 있다. 이 경우, 생성되는 챗봇의 메시지는 사용자의 자연어 입력을 요구하는 형태 일 수도 있으나, 사용자가 챗봇 인터페이스에서 챗봇 메시지가 제안하는 선택지를 선택하도록 하는 형태일 수도 있다. 전술한 챗봇의 답변은 예시일 뿐, 본 개시는 이에 제한되지 않는다. 이에 따라, 프로세서(120)는 사용자 단말(10)로부터 수신한 사용자 답변으로부터 사용자의 의도를 파악하고 새로운 챗봇의 답변을 생성할 수 있다.

구체적으로, 프로세서(120)는 보험금 청구에 대해 정보를 요청하는 의도의 사용자의 답변을 수신할 수 있다. 예를 들어, 프로세서(120)는 사용자가 가입한 보험인 실비 보험에 대해 청구 서류와 관련된 질문을 사용자 단말(10)을 통해 수신한 경우, 사용자가 정보를 요청하는 의도로 판단할 수 있다. 이에 따라, 프로세서(120)는 실비 보험의 청구 서류와 관련된 정보를 포함하는 답변을 생성하여 챗봇 인터페이스를 통해 표시되도록 사용자 단말(10)로 전송할 수 있다.

본 개시의 일 실시예에 따른 프로세서(120)는 사용자의 보험 관련 절차 개시의사를 채팅 기록에 기초하여 판단할 수 있다. 이 경우 프로세서(120)는 사용자가 챗봇 인터페이스를 통해 처리하고자 하는 보험 관련 절차가 무엇인지 채팅 기록, 사용자 정보 등에 기초하여 판단할 수 있다. 프로세서(120)는 사용자가 챗봇 인터페이스를 통해 처리하고자 하는 보험 관련 절차가 챗봇 인터페이스를 통해 처리될 수 있는 것인지, 관리자에 의하여 처리되어야 하는 절차인지를 판단할 수 있다. 예를 들어, 프로세서(120)는 사용자의 채팅 기록에 기초하여 사용자가 여행자 보험에 대한 보험금 청구를 원하는 경우, 보험금 청구 절차를 개시할 것을 결정할 수 있다. 프로세서(120)는 이 경우, 사용자가 개시하고자 하는 보험 관련 절차의 종류에 따라서, 해당 절차는 챗봇 인터페이스를 통한 상담으로 처리될 수 있음을 결정할 수 있다. 즉, 사용자가 처리하고자 하는 절차가 보험사의 사전결정된 기준으로 주의도가 낮은 경우(예를 들어, 보험금 청구 금액이 사전설정된 금액보다 낮거나, 사전설정된 보험금 청구 서류의 종류 및 개수 등), 프로세서(120)는 이를 챗봇 인터페이스를 통해 처리할 수 있는 절차로 판단하여 보험 관련 절차의 챗봇 인터페이스를 통한 처리 개시를 결정할 수 있다.

또한, 프로세서(120)는 사용자가 처리하고자 하는 절차가 보험사의 사전결정된 기준으로 주의도가 높은 경우, 관리자를 통해 보험금 청구를 진행할 것을 요청하는 챗봇의 답변을 생성할 수 있다. 생성된 챗봇의 답변은 사용자 단말(10)로 전송되어 챗봇 인터페이스를 통해 표시될 수 있다. 또한, 프로세서(120)는 사용자 단말(10)의 입력 신호에 기초하여 사용자가 요청을 수락하는 신호를 수신한 경우에, 보험금 청구를 요청한 보험의 종류에 기초하여 관리자의 단말기를 선택할 수 있다. 프로세서(120)는 선택된 관리자의 단말기로 사용자 단말(10)로부터 수신한 보험금 청구에 대한 요청을 전송할 수 있다. 예를 들어, 프로세서(120)가 사용자 단말(10)로부터 수신한 입력 신호 및 채팅기록을 통해 1억원의 사망 보험금 청구에 대한 절차 개시의사를 판단할 수 있다. 보험사의 사전설정된 금액이 1000만원인 경우, 프로세서(120)는 사망 보험을 담당하는 관리자와 상담을 통해 보험금 청구를 진행할 것을 요청하는 챗봇의 답변을 생성할 수 있다. 예를 들어, 챗봇의 답변은 “보험금을 청구하신 해당 사망 보험은 담당자의 상담이 필요합니다.” 및 ”사망 보험 담당자와 연결해드릴까요?” 등이 될 수 있다. 또한, 이 경우에도 프로세서(120)는 관리자의 상담 전에 관련 서류들은 챗봇 인터페이스를 통해 업로드 될 수 있음을 사용자에게 전달할 수 있다. 예를 들어, 챗봇의 답변은 “사망 진단서를 업로드 해 주시면 관리자가 연락 드릴거에요” 등이 될 수 있다. 전술한 챗봇의 답변은 예시일 뿐 본 개시는 이에 제한되지 않는다.

생성된 답변은 사용자 단말(10)의 챗봇 인터페이스를 통해 표시될 수 있고, 프로세서(120)는 사용자 단말(10)로부터 요청을 수락하는 신호를 입력 받은 경우, 보험금 청구에 대한 요청을 사망 보험을 담당하는 관리자의 단말기로 전송할 수 있다. 관리자의 단말기로 보험금 청구에 대한 요청을 전송한 프로세서(120)는 사용자 단말(10)의 챗봇 인터페이스를 통해 표시될 수 있는 알림 정보를 생성할 수 있다. 이 경우, 알림 정보는 관리자의 연락처, 이름 등을 포함하는 관리자와 관련된 정보를 포함할 수 있다.

이와 같이 본 개시의 일 실시예에 따른 챗봇 인터페이스를 통해 사용자는 편리하게 보험에 대하여 문의할 수 있으며, 챗봇은 24시간 대응이 가능하여 사용 편의성이 향상될 수 있다. 또한, 전화나 대면 상담 등을 꺼리는 세대에 대해서도 친숙한 챗봇 인터페이스를 통해 보험 관련 정보가 손쉽게 제공될 수 있으므로 사용성이 향상될 수 있다.

본 개시의 일 실시예에 따른 프로세서(120)는 사용자가 챗봇 인터페이스를 통해 보험금 청구 절차를 신청한 보험에 대해 보험금 청구 절차를 시작할 수 있다. 구체적으로, 프로세서(120)는 사용자 단말(10)로부터 보험금 청구 의사가 있다는 의견을 수신한 경우, 보험금 청구 의사와 관련된 보험을 선정할 수 있다. 또한 프로세서(120)는 사용자에게 보험 정보를 제공한 후, 보험 정보에 대한 사용자의 챗봇 인터페이스에 대한 입력에 치고하여 보험금 청구 의사와 관련된 보험을 결정할 수 있다. 프로세서(120)는 챗봇 인터페이스 상에서 보험금 청구 절차를 수행하기 위한 메시지를 생성하여 챗봇 인터페이스로 전달되도록 할 수 있다.

본 개시의 일 실시예에 따른 프로세서(120)는 가입 절차를 개시할 보험과 관련하여 보험금 청구 절차에 필요한 하나 이상의 필수서류에 대해 사용자에게 알리기 위한 챗봇의 답변을 생성할 수 있다. 예를 들어, 프로세서(120)는 보험금 청구에 필요한 서류들의 종류에 대한 챗봇의 답변을 생성할 수 있다. 예를 들어, 프로세서(120)는 보험금 청구를 위해서는 진단서와 입퇴원 확인서가 필요함을 챗봇 메시지로 생성하여 챗봇 인터페이스를 통해 사용자에게 전달할 수 있다. 전술한 챗봇의 답변은 하나의 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 프로세서(120)는 보험 절차에 대한 필수서류의 업로드를 위한 챗봇의 메시지를 챗봇 인터페이스에 전달할 수 있다. 프로세서(120)는 하나 이상의 필수서류의 업로드 방법에 대해 사용자에게 고지하기 위한 챗봇의 답변을 생성할 수 있다. 예를 들어, 프로세서(120)는 필수 서류 별로 업데이트 위치를 지정하여 챗봇 메시지로 생성하여 챗봇 인터페이스에 전달되게 할 수 있다. 예를 들어, 사용자는 챗봇의 메시지를 클릭하여 서류 업로드 인터페이스에 접근할 수 있으며, 서류 업로드 인터페이스에 서류들을 업로드 할 수 있다. 또한 프로세서(120)는 사용자에게 요청할 서류를 지정하는 메시지를 챗봇 인터페이스를 통해 전달하고, 서류를 지정하는 메시지 이후에 사전결정된 시간 범위, 메시지 범위 내에 수신되는 파일(예를 들어, 이미지, pdf 파일 등)을 해당 서류에 대한 업로드로 판단할 수 있다. 프로세서(120)는 사용자에게 요청 서류를 채팅 메시지 형태로 챗봇 인터페이스로 전달하고, 사용자로부터 업로드된 파일과 챗봇의 요청 서류에 대한 채팅 메시지를 연관시켜 사용자로부터 업로드된 파일의 서류의 종류를 파악할 수도 있다. 예를 들어, 프로세서(120)는 진단서를 요청하는 메시지를 사용자에게 챗봇 인터페이스를 통해 전달할 수 있고, 사용자는 챗봇 인터페이스에서 제공되는 파일 공유 인터페이스를 통해 진단서와 관련한 파일을 업로드 할 수 있다. 프로세서(120)는 사용자가 업로드한 파일과 시간 범위 또는 메시지 범위 내의 챗봇의 메시지의 연관성을 판단하여 해당 파일이 진단서임을 판단할 수 있다.

이하에서는 본 개시의 일 실시예에 따른 보험금 청구와 관련된 보험 문서 분석 방법에 관하여 설명하도록 한다.

본 개시의 일 실시예에 따르면, 프로세서(120)는 사용자 단말로부터 보험 문서를 수신할 수 있다. 구체적으로, 프로세서(120)는 사용자 단말(10)에 제공되는 챗봇 인터페이스에 대해 사용자는 보험금 청구에 대한 상담 및 신청을 요청하는 신호를 수신할 수 있다. 이에 따라 프로세서(120)는 사용자 단말에 제공되는 챗봇 인터페이스에 대한 사용자의 보험금 청구에 대한 문서 업로드 입력에 기초하여 보험 문서를 수신할 수 있다. 수신된 보험 문서는 이미지화된 보험 문서를 포함할 수 있다. 예를 들어, 보험 청구와 관련된 문서(예컨데, 진단서)의 촬영 이미지 일 수 있다. 사용자 단말(10)에 제공되는 챗봇 인터페이스를 통해 획득될 수 있는 보험금 청구에 대한 보험의 종류에 기초하여 외부 서버(20)로부터 하나 이상의 필수 문서에 대한 정보를 획득할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(120)는 보험 문서를 문서 분석 모델에 입력시켜 문서 분석 모델을 이용하여 보험 문서를 분석할 수 있다. 구체적으로, 프로세서(120)는 사용자 단말(10)로부터 수신한 이미지화된 보험 문서를 문서 분석 모델을 이용하여 이미지화된 보험 문서에 포함된 하나 이상의 문자들을 식별할 수 있다. 예를 들어, 문서 분석 모델은 광학 문자 인식(OCR, Optical character recognition) 기술을 이용하여 이미지화된 보험 문서에 포함된 하나 이상의 문자들을 식별할 수 있다. 보험 문서에 포함된 하나 이상의 문자들은 사용자 혹은 피보험자에 의해 기재된 문자 혹은 기호를 포함할 수 있다. 구체적으로, 보험 문서에 포함된 하나 이상의 문자들은 사용자 혹은 피보험자의 수기에 의해 보험 문서에 기록된 문자 혹은 기호를 포함할 수 있다.

또한, 문서 분석 모델은 식별된 하나 이상의 문자들에 대한 자연어 처리를 수행하여 보험 문서의 구조를 판독할 수 있다. 보험 문서에 대한 자연어 처리 결과에 기초하여 보험 문서에 포함된 하나 이상의 항목을 식별하고, 하나 이상의 항목에 대한 컨텍스트 분석을 수행할 수 있다. 또한, 하나 이상의 항목에 대한 컨텍스트 분석 결과에 기초하여 보험 문서의 구조 정보를 판독할 수 있다. 문서 분석 모델은 컨텍스트 분석 결과를 기존 보험 문서 구조와 비교하거나, 컨텍스트 분석 결과를 구조 분석 서브모델에 입력시켜 상기 보험 문서의 구조를 판독할 수 있다. 보험 문서의 구조 정보는 보험 문서에 포함된 하나 이상의 항목에 대한 정보를 포함하며, 각 항목별로 컨텍스트(Context) 분석을 통해 추출되는 항목별 명칭에 대한 정보 및 보험 문서에서 항목별 각 위치에 대한 정보를 포함할 수 있다. 구체적으로, 이미지화된 보험 문서가 입퇴원 확인서일 경우, 문서 분석 모델은 광학 문자 인식을 통해 식별된 하나 이상의 문자들에 대해 자연어 처리를 수행하여 제목 및 내용을 1차적으로 구분할 수 있다. 예를 들어, 문서 분석 모델은 보험 문서의 내용에 대해 컨텍스트 분석을 통해 보험 문서의 제목에 기초하여 보험 문서를 “입퇴원 확인서”로 판단할 수 있다. 또한, 문서 분석 모델은 보험 문서의 내용에서 환자의 식별 정보를 나타내는 “환자명”, “주민등록번호” 등의 명칭 및 “퇴원 일자” 등의 명칭을 포함하는 하나 이상의 항목들을 판별할 수 있다. 또한, 문서 분석 모델은 이미지화된 보험 문서의 구조에 대한 정보로써 하나 이상의 항목들에 대한 위치 정보를 추출하고, 위치 정보를 판별된 각 항목별 명칭 정보와 대응시킬 수 있다. 하나 이상의 항목들에 대한 위치 정보는 항목 간의 위치 관계 및 문서 내에서의 각 항목들의 위치에 대한 정보를 포함할 수 있다.

본 개시의 일 실시예에 따른 프로세서(120)는 사용자 단말을 통해 신청된 보험금 청구에 관련된 보험의 정보에 기초하여 외부 서버(20)로부터 기존 저장된 데이터베이스의 필수 문서에 대한 정보를 외부 서버(20)를 통해 획득할 수 있다. 필수 문서는 피보험자의 보험에 기초하여 보험금 청구 시에 필요한 필수항목을 하나 이상 포함하는 보험 문서이며, 하나 이상의 종류에 기초하는 필수 문서가 각각 적어도 하나 이상 데이터베이스에 포함될 수 있다. 필수 문서에 대한 정보는 필수 문서의 구조에 대한 정보를 포함하며, 필수 문서의 구조 정보는 하나 이상의 필수항목에 대한 명칭 및 위치 정보를 포함할 수 있다.

또한, 프로세서(120)는 외부 서버(20)로부터 획득한 하나 이상의 필수 문서의 종류에 기초하여 사용자로부터 수신한 보험 문서의 종류와 적어도 하나 이상 대응되지 않는 경우에, 이에 대한 피드백 정보를 생성할 수 있다. 구체적으로, 보험의 종류에 기초한 필수 문서가 3개이고, 사용자로부터 수신한 보험 문서가 3개가 아니거나 대응되는 종류의 보험 문서가 하나라도 없을 경우에 사용자에게 수정을 요청하기 위한 피드백 정보를 생성할 수 있다. 사용자로부터 수신한 보험 문서의 종류는 문서 분석 모델을 통해 판별될 수 있다. 또한, 프로세서(120)는 문서 분석 모델을 통해 생성된 보험 문서의 구조 정보에 대응되는 문자 및 기호의 식별 여부에 기초하여 피드백 정보를 생성할 수 있다.

본 개시의 일실시예에 따른 프로세서(120)는 보험 문서의 구조 정보를 분석하기 위한 필수 문서에 대한 정보를 네트워크부(110)를 통해 획득하고, 보험 문서의 항목들에 대한 구조 정보는 메모리(130)에 저장될 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(120)는 문서 분석 모델의 컨텍스트 분석 결과를 기존 보험 문서인 필수 문서의 구조와 비교하여 보험 문서의 구조를 판독하거나 구조 분석 서브모델을 통해 보험 문서의 구조를 판독할 수 있다. 프로세서(120)는 강화학습 방식을 이용하여 학습된 구조 분석 서브모델을 통해 보험 문서의 구조를 효율적으로 판단하기 위한 필수 문서를 검색할 수 있다. 구조 분석 서브모델은 정책 네트워크(Policy network) 및 가치 네트워크(Value network)를 사용한 강화 학습 모델일 수 있다.

구조 분석 서브모델은 이미지화된 보험 문서의 분석 결과에 기초하여 학습된다. 구조 분석 서브모델은 선택된 필수 문서에 포함된 구조 정보와 이미지화된 보험 문서의 구조 정보의 비교 결과를 정책 네트워크를 이용하여 처리함으로써 다른 필수 문서를 선택할지 여부를 결정하고, 다른 필수 문서에 포함된 구조 정보와 이미지화된 보험 문서의 구조 정보에 기초하여 리워드를 연산하고, 리워드를 최대화할 수 있는 다른 필수 문서를 선택하도록 학습될 수 있다.

구체적으로, 문서 분석 모델을 통해 보험 문서에 포함된 하나 이상의 항목에 대한 구조 정보를 입력 받은 구조 분석 서브모델은 입력된 구조 정보와 유사한 구조를 가지는 필수 문서를 탐색할 수 있다. 구조 분석 서브모델은 탐색된 필수 문서를 하나의 상태(state)로 가지고, 문서 탐색을 동작(action)으로 하며, 탐색된 필수 문서와 입력된 보험 문서의 구조 정보의 비교 결과에 기초한 리워드(reward)를 산출할 수 있다. 구조 분석 서브모델은 필수 문서와 구조 정보에 기초하여 리워드를 산출할 수 있다. 구조 분석 서브모델은 탐색된 필수 문서에 대하여 구조 정보와의 비교 결과에 기초하여 새로운 문서를 탐색할지 여부를 결정할 수 있다. 구조 분석 서브모델은 새로운 문서를 탐색할지 여부, 또는 어떠한 새로운 문서를 탐색할지 중 적어도 하나를 정책 네트워크를 이용하여 탐색된 필수 문서 및 구조 정보를 처리함으로써 결정할 수 있다. 프로세서(120)는 구조 분석 서브모델을 이용하여 새로운 문서의 탐색 여부 또는 어떤 새로운 문서를 탐색할 것인지에 관한 결정을 수행할 수 있다. 구조 분석 서브모델은 리워드가 최대화되도록 새로운 문서를 탐색할 수 있다. 구조 분석 서브모델의 가치 네트워크는 어떤 새로운 문서를 탐색하는 것이 리워드를 최대화 할 것인지에 관하여 학습될 수 있다. 구조 분석 서브모델은 새롭게 탐색된 문서와 구조 정보에 기초하여 리워드를 결정할 수 있다. 리워드는 탐색된 문서와 구조 정보와의 비교 결과에 기초하여 결정될 수 있으며, 탐색된 문서와 구조 정보와의 유사도에 관련한 척도가 될 수 있다. 프로세서(120)는 이러한 강화학습 방법론을 이용하여 학습된 구조 분석 서브모델을 이용하여 보험 문서와 가장 유사한 구조를 가지는 필수 문서를 탐색할 수 있다.

구조 분석 서브모델의 정책 네트워크는 새로운 필수 문서의 탐색 여부 또는 어떠한 새로운 문서를 탐색할 것인지 여부를 결정하도록 할 수 있다. 어떠한 새로운 문서를 탐색할 것인지는 예를 들어, 새롭게 탐색될 문서의 종류, 새롭게 탐색될 문서가 속하는 그룹에서 무엇을 기준으로 다음 상태의 문서를 선택할 것인지에 관한 기준을 포함할 수 있다. 예를 들어, 현재 탐색된 필수 문서와 구조 정보의 대응도가 높은 경우, 정책 네트워크는 새로운 필수 문서의 탐색이 불필요한 것으로 결정하도록 학습될 수 있다. 또한, 예를 들어, 현재 탐색된 필수 문서와 구조 정보의 대응도가 낮은 경우 정책 네트워크는 새로운 문서의 탐색이 필요한 것으로 결정하도록 학습될 수 있다. 이 경우, 정책 네트워크는 구조 정보에 기초하여 식별된 보험 문서의 종류에 기초하여 새롭게 문서를 탐색할 필수 문서의 클러스터를 결정할 수 있다. 예를 들어, 보험 문서가 입퇴원 확인서인 경우, 정책 네트워크는 새로운 필수 문서 탐색이 필요한 경우, 식별된 보험 문서의 종류와 대응되는 군에 속하는 필수 문서의 탐색을 결정하도록 학습될 수 있다.

구체적으로, 프로세서(120)의 문서 분석 모델을 통해 사용자로부터 수신한 보험 문서의 종류 및 구조 정보를 생성하고, 문서 분석 모델은 수신한 보험 문서의 종류 및 항목에 대한 구조 정보를 구조 분석 서브모델에 입력할 수 있다. 구조 분석 서브모델은 문서 분석 모델을 통해 미리 결정된 보험 문서의 종류와 대응되는 하나 이상의 필수 문서들의 클러스터(cluster)를 데이터베이스에서 발견할 수 있도록 학습된다. 구조 분석 서브모델은 보험 문서의 구조를 판단하기 위한 최적의 필수 문서를 선택하기 위해, 어느 한 필수 문서에 포함된 하나 이상의 필수 항목에 대한 검색을 수행한다. 검색의 목적은 보험 문서에 포함된 하나 이상의 항목과 가장 유사한 필수항목을 가장 많이 포함하는 필수 문서를 찾는 것이 된다. 이에 따라, 각 필수 문서는 상태(state)로 정의될 수 있고, 다른 필수 문서를 선택하는 것을 행동(action)으로 정의될 수 있다. 구조 분석 서브모델은 필수 문서와 보험 문서의 구조 정보에 대한 유사도에 따른 리워드를 결정하고, 프로세서(120)가 다른 필수 문서를 검색하는 행동을 취하면 이 행동을 통해 새롭게 검색된 다른 필수 문서가 현재 필수 문서보다 더 유사한 구조 정보의 필수항목을 더 많이 포함하고 있는지를 가치함수를 통해서 평가할 수 있도록 학습될 수 있다. 예를 들어, 프로세서(120)는 사용자 단말(10)로부터 수신한 보험 문서를 입퇴원 확인서로 판단하는 경우, 보험 문서에 포함된 각 항목별 명칭에 대한 정보를 구조 분석 서브모델에 입력시킬 수 있다. 구조 분석 서브모델은 데이터베이스로부터 미리 결정된 입퇴원 확인서와 대응되는 필수 문서들의 클러스터를 발견하도록 학습된 모델일 수 있다. 이에 따라, 프로세서(120)는 구조 분석 서브모델을 이용하여 필수 문서들의 클러스터에서 선택된 임의의 한 필수 문서가, 입퇴원 확인서로 판단된 보험 문서(즉, 사용자 단말로부터 수신된 보험 문서)의 각 항목에 대한 명칭과 가장 유사한 필수항목을 얼마나 포함에 기초하여 리워드(reward)를 계산한다. 구체적으로, 프로세서(120)는 구조 분석 서브모델을 이용하여 필수 문서들의 클러스터에서 임의로 선택된 제 1 입퇴원 확인서에 포함된 필수항목들이 수신된 입퇴원 확인서의 항목들을 모두 포함하며, 클러스터의 다른 필수 문서인 제 2 입퇴원 확인서에 포함된 필수항목들은 입원일자만 포함하는 경우에, 제 1 입퇴원 확인서의 리워드가 제 2 입퇴원 확인서의 리워드보다 높은 것으로 판단할 수 있다. 이 경우, 프로세서(120)는 구조 분석 모델을 이용하여 제 1 입퇴원 확인서를 선택하고 이에 대한 리워드를 계산한다. 이에 따라 강화 학습을 이용한 구조 분석 서브모델은 판단대상 문서에 대한 각각의 필수 문서들과의 비교 결과에 기초하여 리워드를 결정하고, 각각의 필수 문서에 대한 리워드를 서로 비교하여 리워드가 더 큰 필수 문서를 선택하는 경향을 보이게 된다. 많은 학습을 시킨 후에 수신한 보험 문서에 포함된 항목의 명칭과 유사한 필수항목들을 가장 많이 포함하는 필수 문서를 찾을 수 있다. 또한, 강화 학습을 이용하여 보험 문서에 포함된 항목을 가장 많이 포함하는 필수 문서를 검색할 경우에 다른 기계 학습에 비해 빠른 속도로 검색할 수 있다.

빠른 검색을 위해 강화 학습을 이용한 정보검색에 관련한 구체적인 내용에 대한 설명은 본 개시에서 전체가 참조로서 통합되는 한국정보과학회 논문 강화학습을 이용한 정보 검색(공개일: 2002년 2월, 작성자: 정태진, 장병탁)에서 구체적으로 논의된다.

본 개시의 일 실시예에 따른 프로세서(120)는 구조 분석 서브모델을 통해 보험 문서의 항목들의 명칭을 가장 많이 포함하여 최종 선택된 필수 문서에 기초하여 보험 문서의 구조를 판단할 수 있다. 수신한 보험 문서의 모든 항목에 대해 완전히 대응되는 구조가 아닐 수도 있다. 즉, 최종 선택된 필수 문서의 필수항목과 수신한 보험 문서에 포함된 항목의 위치 및 명칭이 서로 대응되지 않을 수도 있다. 예를 들어, 구조 분석 서브모델을 통해 데이터베이스에서 보험 문서와 가장 유사한 필수 문서가 최종 선택되고, 필수 문서에 포함된 필수 항목이 4개일 경우에, 보험 문서에 포함된 항목은 4개가 아닐 수도 있다. 또는, 필수 항목이 환자의 식별 정보, 입원일자 및 퇴원일자 사항이지만, 보험 문서에 포함된 항목은 환자의 식별 정보 및 퇴원일자 사항만 포함하고 있을 수도 있다. 또는, 필수 항목들의 각 위치와 보험 문서에 포함된 항목들의 각 위치가 서로 대응되지 않을 수도 있다.

본 개시의 일 실시예에 따른 프로세서(120)는 구조 분석 서브모델에 의해 최종 선택된 필수 문서에 기초하여, 필수 항목의 개수와 보험 문서의 항목의 개수가 대응되지 않거나, 적어도 하나의 필수 항목에 대한 명칭이 보험 문서의 항목의 명칭과 대응되지 않을 경우에 사용자에게 대응되지 않은 필수 항목에 대한 정보를 사용자에게 알리기 위한 피드백 정보를 생성할 수 있다. 예를 들어, 구조 분석 서브모델에 의해 최종 선택된 제 1 입퇴원 확인서에 발급번호, 입원일자 및 퇴원일자 항목이 포함되고, 사용자로부터 수신한 입퇴원 확인서에는 발급번호 및 입원일자 항목만 포함하고 있는 경우에, 프로세서(120)는 선택된 제 1 입퇴원 확인서의 필수 항목과 대응되지 않는 제 1 입퇴원 확인서의 퇴원일자 항목에 대한 정보를 피드백 정보로써 생성할 수 있다.

또한, 프로세서(120)는 최종 선택된 필수 문서에 기초하여 수신한 보험 문서에 포함된 항목들의 위치 정보를 비교하고, 위치 정보가 상이한 경우에, 프로세서(120)는 대응되지 않은 항목에 대한 구조 정보를 새로운 구조 정보로 생성할 수 있다. 구체적으로, 프로세서(120)는 구조 분석 서브모델을 이용하여 수신한 보험 문서의 항목들이 필수 문서에 포함된 필수항목들과 대응되는지 판별할 수 있다. 프로세서(120)는 구조 분석 서브모델을 이용하여 필수항목들의 위치 정보에 기초하여, 문서 분석 모델로부터 입력 받은 보험 문서의 항목들의 위치 정보를 비교할 수 있다. 적어도 하나의 항목에 대한 위치 정보가 필수 항목에 대한 위치 정보와 대응되지 않을 경우에, 프로세서(120)는 대응되지 않는 항목을 포함하는 보험 문서의 구조 정보를 새로운 구조 정보로써 생성할 수 있다. 보험 문서의 구조 정보는 문서 분석 모델을 통해 분석된 결과에 기초하고, 보험 문서에 포함된 하나 이상의 항목들에 대한 구조 정보가 포함될 수 있다. 예를 들어, 수신한 입퇴원 확인서에 포함된 발급번호 항목의 위치가 입퇴원 확인서의 상단이지만, 필수 문서인 제 1 입퇴원 확인서의 발급번호 필수항목의 위치는 하단일 수도 있다. 이에 따라, 프로세서(120)는 구조 분석 서브 모델을 이용하여 필수 문서의 필수항목의 위치와 상이한 발급번호 항목을 입퇴원 확인서의 새로운 구조 정보로써 인식하고, 상단에 위치한 발급번호 항목을 포함하는 입퇴원 확인서의 전체 구조 정보를 새로운 구조 정보로 생성할 수 있다. 이에 따라, 프로세서(120)의 구조 분석 서브 모델은 수신한 보험 문서의 각 항목별 명칭 및 위치를 서로 대응시킨 새로운 구조 정보를 외부 서버(20)로 전송할 수 있다. 이에 따라, 새로운 구조 정보는 필수 문서의 구조 정보로써 외부 서버(20)의 데이터베이스에 저장되고, 문서 분석 서버(100)로 전송될 수 있다. 전송된 새로운 구조 정보는 프로세서(120)가 보험 문서의 구조를 파악하는데 이용될 수 있다.

본 개시의 일 실시예에 따른 프로세서(120)는 문서 구조 분석 결과 및 피드백 정보를 챗봇의 답변으로 생성하여 전달할 수 있다. 구체적으로, 프로세서(120)는 문서 구조 분석 결과에 기초하여 사용자 단말(10)로부터 수신한 보험 문서의 오타가 있는 부분 또는 인식되지 않은 부분에 대한 정보를 챗봇의 답변으로 생성할 수 있다. 예를 들어, 프로세서(120)가 문서 구조 분석 결과에 기초하여 이름이 인식되지 않았다고 판단한 경우, 이에 대한 챗봇의 답변을 “문서에 이름이 인식되지 않아요.” 로 생성할 수 있다. 전술한 챗봇의 답변은 하나의 예시일 뿐, 본 개시는 이에 제한되지 않는다. 생성된 챗봇의 답변은 사용자 단말(10)의 챗봇 인터페이스를 통해 표시될 수 있고, 사용자 단말(10)의 입력 신호에 기초하여 수정 사항이 입력될 수 있다. 또한, 프로세서(120)는 문서 구조 분석 결과에 기초하여 챗봇을 통해 고지된 문서의 부분을 사용자가 챗봇 인터페이스를 통해 확인할 수 있도록, 사용자 단말(10)로 문서를 전송할 수 있다.

또한, 프로세서(120)는 인식되지 않은 문서의 부분에 대해 사용자 단말(10)을 통해 수정할 것을 요청하는 챗봇의 답변을 추가로 생성할 수 있다. 예를 들어, 이름이 인식되지 않은 문서에 대해 프로세서(120)는 챗봇의 답변으로 “문서에 이름이 인식되지 않아요. 이름을 여기에 입력해주세요.”를 생성할 수 있다. 이에 따라, 프로세서(120)는 챗봇의 답변에 대한 사용자 단말(10)의 입력 신호에 기초하여 문서의 부분을 수정할지 결정할 수 있다. 전술한 챗봇의 답변은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

이와 같이, 문서의 인식에 관하여 사용자 확인, 추가 입력등이 필요한 경우 챗봇 인터페이스를 통해 사용자에게 편리하게 답변을 요청할 수 있어 문서 인식의 정확도가 향상될 수 있으며, 사용자는 챗봇의 인식 결과에 대한 확인을 할 수 있어 사용자의 챗봇에 대한 신뢰도가 증가될 수 있으며, 사용성이 향상될 수 있다. 사용자는 챗봇과의 채팅을 통해 편리하게 문서에 대한 보완작업을 수행할 수 있어 채팅 등에 익숙한 세대에게 사용 편의성을 제공할 수 있으며, 보험사는 사용자에게 추가 입력을 요청함으로써 인식의 정확도를 향상시킬 수 있다.

또한 사용자에 의하여 추가 입력된 채팅 기록은 서버(100)에 저장되어 문서 인식에 대한 학습 데이터에 포함될 수 있다. 챗봇 인터페이스를 통해 사용자가 인식 결과를 확인해 준 문서의 경우는 사용자의 인식 결과 확인을 문서에 대한 라벨로 하여 새로운 학습 데이터를 생성할 수 있다.

본 개시의 일 실시예에 따른 프로세서(120)는 챗봇 인터페이스를 통해 수정된 부분에 대해 관리자 단말기로 확인 요청을 전송할 수 있다. 구체적으로 프로세서(120)는 사용자 단말(10)의 입력 신호에 기초하여 수정된 부분이 적용된 문서와 이에 대한 확인 요청을 관리자 단말기로 전송할 수 있다. 또한, 프로세서(120)는 관리자 단말기로부터 확인 신호를 수신하기 전에 관리자가 확인을 진행하고 있는 상태를 알리는 챗봇의 답변을 생성하여 사용자 단말(10)로 전송할 수 있다. 또한, 관리자 단말기로부터 문서 수정에 대한 확인 신호를 수신한 경우, 프로세서(120)는 관리자의 확인에 대해 알리는 챗봇의 답변을 생성하여 사용자 단말(10)로 전송할 수 있다. 프로세서(120)는 관리자 확인 신호에 기초하여 문서 구조 분석 결과에 반영할 수정된 항목 및 기재 내용을 결정할 수 있다. 이에 따라, 프로세서(120)는 문서 전체를 다시 업로드할 필요 없이 챗봇 인터페이스를 통해 문서의 오타 및 기재되지 않은 부분을 용이하게 수정할 수 있는 기능을 사용자에게 제공할 수 있다. 또한, 프로세서(120)는 문서 보완 정보에 기초하여 적어도 하나 이상의 누락된 문서에 대해 알리는 챗봇의 답변을 생성할 수 있다. 구체적으로, 프로세서(120)는 문서 보완 정보에 기초하여 누락된 문서에 대한 정보와 누락된 문서를 요청하기 위한 챗봇의 답변을 생성하여 사용자 단말(10)로 전송할 수 있다. 이러한 문서에 대한 챗봇 인터페이스를 통한 보정은 보험금 지급 심사가 관리자에 의한 승인이 필요한 경우에도 수행될 수 있다. 즉, 사망 보험 같이 보험금 액수가 큰 보험의 경우 챗봇 인터페이스를 통한 간편 지급은 불가능하지만, 관리자가 상담 이전에 사용자로부터 수신된 문서를 미리 확인하도록 하여, 관리자의 상담 효율성을 증가시킬 수도 있다. 이와 같이 사용자는 챗봇 인터페이스를 통해 진행 상황을 용이하게 파악할 수 있다. 보험회사의 경우 챗봇 인터페이스를 통한 채팅 기록이 서버(100)에 보유되므로, 추후 사용자에 대한 보험금 관련 문의 시에 자료로 활용할 수 있다.

본 개시의 일 실시예에 따른 프로세서(120)는 사용자의 확인 신호를 요청하기 위해 문서 분석 모델을 통해 분석이 완료된 문서를 사용자 단말(10)로 전송할 수 있다. 구체적으로, 프로세서(120)는 문서 분석 모델의 OCR을 통해 하나 이상의 텍스트로 표시된 문서를 사용자 단말(10)로 전송할 수 있다. 예를 들어 프로세서(120)는 인식된 문서를 html 문서 형식으로 챗봇 인터페이스에 전달할 수 있다. 사용자는 챗봇 인터페이스에서 인식된 문서가 올바르게 인식되었는지를 검토할 수 있다. 이때, 프로세서(120)는 하나 이상의 텍스트가 포함된 문서에서 특정 부분에 대해 강조 표시를 할 수 있다. 예를 들어, 프로세서(120)는 보험 문서에서 보험금 지급의 면책 범위를 결정하고, 보험 문서에 대하여 면책 범위와 관련된 부분을 강조 표시할 수 있다. 강조 표시를 포함하는 문서는 사용자 단말(10)로 전송되어 챗봇 인터페이스를 통해 표시될 수 있다. 이러한 문서 인식 기록은 챗봇 인터페이스를 통해 서버(100)에 보유될 수 있으므로, 사용자는 면책 범위에 있어 중요 부분을 보다 잘 살펴볼 수 있으며, 채팅 기록을 통해 언제든지 조회가 가능하여 사용자 측의 보험 문서에 대한 이해도를 높일 수 있다.

본 개시의 일 실시예에 따라 프로세서(120)는 사용자 단말(10)로부터 사용자의 확인 신호를 수신하고, 보험금 청구 내역을 포함하여 보험금 지급 내역을 생성하여 사용자 단말(10)로 전송할 수 있다. 보험금 지급 내역은 보험금이 지급되지 않은 내역과 관련된 내용을 포함할 수 있고, 사용자 단말(10)의 챗봇 인터페이스를 통해 표시될 수 있다. 보험금이 지급되지 않은 내역은 프로세서(120)에 의해 면책 범위에 기초하여 결정될 수 있고, 사용자의 보험 가입 이력에 기초하여 결정될 수 있다. 예를 들어. 2개의 보험 회사에 실손의료보험을 가입한 사용자가 실제 부담한 의료비가 1500만원인 경우에, 2개의 보험회사로부터 각각 1500만원을 청구할 수 있으나, 2개의 보험회사로부터 지급되는 돈은 1500만원보다 적은 돈일 수 있다. 이에 따라 1500만원의 보험금 청구 내역과 중복 가입으로 인해 지급된 보험금에 대한 안내 정보를 챗봇 답변으로 생성하여 사용자 단말(10)로 전송할 수 있다.

또한, 프로세서(120)는 사용자 단말로부터 획득된 제 1 사용자 정보 또는 보험 문서로부터 획득된 제 2 사용자 정보 중 적어도 하나에 기초하여 보험금의 지급 대상을 결정할 수 있다. 이에 따라, 사용자 단말(10)로부터 획득된 제 1 사용자 정보 또는 보험 문서로부터 획득된 제 2 사용자 정보 중 적어도 하나에 기초하여 보험 사기 여부를 결정할 수 있다. 구체적으로, 프로세서(120)는 제1 사용자 정보 또는 제 2 사용자 정보 중 적어도 하나로부터 사용자의 이전 청구 기록을 획득할 수 있다. 프로세서(120)는 이전 청구 기록과 보험 문서를 비교하여 보험 사기 여부를 결정할 수 있다. 이전 청구 기록은 보험금 청구 기록 및 보험금 지급 내역을 포함할 수 있다. 프로세서(120)는 제 1 사용자 정보 또는 제 2 사용자 정보 중 적어도 하나로부터 사용자의 보험 사기 여부에 기초하여 보험금 지급 여부를 결정할 수 있다. 프로세서(120)는 보험 사기 여부에 대한 알림을 생성하여 챗봇 인터페이스를 통해 표시하도록 사용자 단말(10)로 전송할 수 있다.

또한, 프로세서(120)는 사용자 단말(10)로 보험금 지급 관련 알림을 전송할 수 있다. 구체적으로, 프로세서(120)는 면책 범위 및 보험 사기 여부에 기초하여 보험금 지급 여부를 결정할 수 있다. 프로세서(120)는 보험금 지급 여부에 기초하여 보험금 청구 내역 및 보험금 지급 내역을 포함하는 알림을 생성할 수 있다. 예를 들어, 보험금 지급이 거절된 경우에, 프로세서(120)는 보험금 지급 내역에 대해 0원으로 표시할 수 있다. 생성된 알림은 사용자 단말(10)로 전송되어 챗봇 인터페이스를 통해 표시될 수 있다.

전술한 챗봇을 이용한 문서 분석 서버를 통해 보험금 지급에 대한 요청 및 심사를 휴일 및 24시간 처리할 수 있다. 특히 직장을 다니는 사용자가 주말 혹은 휴일에도 보험금을 청구할 수 있고, 빠른 시간내에 보험금 청구 심사가 진행될 수 있다. 사용자는 챗봇 인터페이스를 통해 편리하게 보험 관련 상담이 가능하며, 채팅에 파일을 공유하는 것처럼 편리한 방식으로 보험 관련 서류들을 전달할 수 있으며, 전달된 보험 서류들은 챗봇에서 OCR을 통해 인식하여 자동으로 처리될 수 있어 보험사에서는 비용을 절감할 수 있다. 또한, 사용자와 챗봇의 채팅 형식의 편리한 인터페이스를 통해 보험 관련 서류에 대한 인식 보충하거나, 추가적인 서류를 요청할 수 있으므로, 인식의 정확도가 향상될 수 있고, 보험과 관련한 처리의 정확도가 향상될 수 있다.

도 3은 본 개시의 일 실시예에 따라 문서의 구조를 결정하기 위한 구조 분석 모델의 기반이 되는 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 3의 예시에서는 차원 감소 레이어와 차원 복원 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

도 4는 본 개시의 일 실시예에 따라 보험금 청구에 대한 보험 문서 분석 방법을 예시적으로 도시한 도면이다.

본 개시의 일 실시예에 따르면, 문서 분석 서버(100)는 사용자 단말(10)로부터 이미지화된 보험 문서를 수신할 수 있다(201). 구체적으로, 보험 문서는 보험금 청구에 관련한 서류에 대한 이미지를 포함하며, 사용자 단말(10)에 제공되는 챗봇 인터페이스에 대한 사용자의 보험 문서에 대한 업로드 입력에 기초하여 보험 문서를 수신할 수 있다.

또한, 문서 분석 서버(100)는 사용자 정보 및 하나 이상의 필수 문서에 대한 정보를 획득할 수 있다(203). 구체적으로, 사용자 단말(10)로부터 획득 가능한 사용자의 보험금 청구에 대한 정보에 기초하여 외부 서버(20)로부터 하나 이상의 필수 문서에 대한 정보를 획득할 수 있다. 필수 문서에 대한 정보는 사용자의 보험금 청구에 대한 보험 종류에 기초하는 필수적인 문서를 하나 이상 포함할 수 있다. 예를 들어, 사망 보험금에 대한 청구의 경우에 사망자의 사망진단서 및 시체 검안서가 필수 문서에 대한 정보로써 문서 분석 서버(100)에 획득될 수 있다.

또한, 문서 분석 서버(100)는 문서 분석 모델을 통해 이미지화된 보험 문서를 분석할 수 있다(205). 구체적으로, 이미지화된 보험 문서에 대한 제목 및 명칭을 1차적으로 분류하도록 문서 분석 모델의 OCR 및 자연어 처리 과정을 통해 보험 문서에 포함된 문자들을 식별하고 구조를 판별할 수 있다. 보험 문서의 제목에 기초하여 보험 문서의 종류에 대해 식별하고, 컨텍스트 분석을 통해 명칭에 포함된 하나 이상의 항목들에 대한 구조 정보를 분석할 수 있다. 문서의 구조 정보는 항목들에 대한 구조를 포함하고, 항목들에 대한 구조 정보는 각 항목들의 위치에 대응되는 명칭 정보를 포함할 수 있다.

또한, 문서 분석 서버(100)는 구조 분석 서브모델을 통해 이미지화된 보험 문서의 구조를 판독할 수 있다(207). 구체적으로, 구조 분석 서브모델은 강화 학습을 통해 보험 문서의 구조를 판단하도록 문서 분석 모델에 의해 생성된 보험 문서의 구조 정보에 기초하여 최적의 필수 문서를 선택할 수 있다. 최적의 필수 문서는 구조 분석 서브모델을 통해 보험 문서에 포함된 하나 이상의 항목의 각각 명칭에 대해서 가장 유사한 명칭을 각각 포함하는 필수 항목을 가장 많이 포함한다고 판독된 필수 문서이다. 구조 분석 서브모델은 문서 분석 모델을 통해 분석된 보험 문서 종류에 기초하여 데이터베이스에서 하나 이상의 필수 문서들의 클러스터를 발견하도록 학습된다. 구조 분석 서브모델은 보험 문서에 포함된 하나 이상의 항목의 명칭과 가장 유사도가 높은 필수 항목을 가장 많이 포함하는 필수 문서를 찾기 위하여 어느 한 필수 문서에서 필수 항목의 명칭을 비교하게 된다. 이에 따라, 각 필수 문서는 상태(state)로 정의될 수 있고, 다른 필수 문서를 선택하는 것을 행동(action)으로 정의될 수 있다. 구조 분석 서브모델은 각 필수 문서에 포함된 하나 이상의 필수 항목의 명칭과 보험 문서에 포함된 항목의 명칭에 대한 유사도에 기초하여 리워드를 결정하고, 리워드가 가장 큰 필수 문서를 최종적으로 선택할 수 있다. 보험 문서의 항목들의 위치 정보에 대응되는 명칭이 필수 문서에 포함된 필수 항목들과 대응되지 않을 경우에, 보험 문서의 항목들에 대한 구조 정보는 새로운 구조 정보로써 외부 서버(20)를 통해 데이터베이스에 저장될 수 있다.

또한, 문서 분석 서버(100)는 구조 분석 서브모델을 통해 이미지화된 보험 문서에 대한 피드백 정보를 생성하고 사용자 단말(10)로 전송할 수 있다(209). 구체적으로, 구조 분석 서브모델에 의해 최종 선택된 필수 문서의 필수 항목의 개수와 보험 문서의 항목의 개수가 일치하지 않거나, 적어도 하나의 필수 항목에 대한 명칭이 보험 문서의 항목의 명칭과 대응되지 않을 경우에, 문서 분석 서버(100)는 보험 문서의 구조에서 필요한 항목이 누락되었다고 판단할 수 있다. 이에 따라, 사용자에게 수정을 요청하기 위해 필수 항목과 대응되지 않은 항목에 대해 피드백 정보를 생성하여 사용자 단말(10)로 전송할 수 있다. 또한, 문서 분석 서버(100)는 외부 서버(20)로부터 획득한 하나 이상의 필수 문서들 중 어느 한 종류의 필수 문서의 종류와 일치되는 종류의 보험 문서를 수신하지 못했을 경우에 이에 대한 피드백 정보를 생성할 수 있다. 예를 들어, 실손 의료비 보험 청구에서 필수 문서인 입퇴원 확인서가 사용자 단말(10)로부터 수신한 보험 문서의 종류와 대응되지 않을 경우, 사용자에게 입퇴원 확인서를 요청하기 위한 피드백 정보를 생성하여 사용자 단말(10)로 전송할 수 있다.

또한, 문서 분석 서버(100)는 사용자 단말(10)에 대한 정보 및 이미지화된 보험 문서에 대한 분석 결과에 기초하여 면책 범위 및 보험 사기 여부를 결정할 수 있다(211). 구체적으로, 보험금 지급을 위해, 사용자 단말(10)로부터 획득된 제 1 사용자 정보 또는 보험 문서로부터 획득된 제 2 사용자 정보 중 적어도 하나에 기초하여 보험금의 지급 대상을 결정할 수 있다. 또한, 제 1 사용자 정보 및 제 2 사용자 정보 중 적어도 하나에 기초하여 보험 사기 여부를 결정할 수 있다. 구체적으로, 제 1 사용자 정보 또는 제 2 사용자 정보 중 적어도 하나로부터 사용자의 이전 청구 기록을 획득할 수 있다. 예를 들어, 이전 청구 기록과 보험 문서의 정보에 포함된 병명, 치료 방법, 병원에 대한 정보 등을 비교하여 보험 사기 여부를 결정할 수 있다. 또한, 보험 문서에 대한 분석 결과로써, 보험 문서에 포함된 하나 이상의 항목들에 대해 보험금 지급의 면책 범위를 결정할 수 있다. 예를 들어, 보험금 청구 금액이 사전 계약된 보험 내용에 기초하는 일정 금액 이하인 경우, 일정 금액을 넘지 않는 금액은 면책 범위로 결정된다. 또한, 보험의 종류에 기초한 면책 항목에 대해서도 면책 범위를 결정할 수 있다. 예를 들어, 미용 관련 시술이 면책 항목에 해당되는 보험에 대한 청구를 요청했을 경우, 보험 문서에 미용 관련 시술에 대한 하나 이상의 항목은 면책 범위로 결정된다. 지급이 결정된 보험금의 총 금액은 이미지화된 보험 문서에 대한 분석 결과 및 면책 범위에 기초하여 책정될 수 있다.

또한, 문서 분석 서버(100)는 보험 사기 여부 및 면책 범위에 대해 사용자에 고지하기 위한 알림 정보를 사용자 단말(10)로 전송할 수 있다(213). 보험 문서에 대하여 결정된 하나 이상의 면책 범위를 사용자에게 고지하기 위한 정보를 생성하여 사용자 단말(10)로 전송할 수 있다. 사용자에게 고지하기 위한 정보는 사용자 단말(10)의 챗봇 인터페이스를 통해 사용자에게 전달될 수 있고, 이미지화된 보험 문서에 면책 항목에 대해 표시하여 사용자 단말(10)로 전송할 수도 있다.

또한, 문서 분석 서버(100)는 이미지화된 보험 문서에 대한 분석 결과 및 사기 여부에 기초하여 보험금 지급 여부를 결정할 수 있다(215). 구체적으로, 지급이 결정된 보험금의 총 금액은 이미지화된 보험 문서에 대한 분석 결과 및 면책 범위에 기초하여 책정될 수 있다.

또한, 문서 분석 서버(100)는 보험금 지급 여부를 결정하고 이에 대한 보험금 지급에 대한 정보를 외부 서버(20)로 전송할 수 있다(217).

또한, 문서 분석 서버(100)는 사용자 단말(10)로 보험금 지급에 관련된 알림을 전송할 수 있다. 구체적으로, 보험금 지급에 관련된 알림은 사용자 단말(10)의 챗봇 인터페이스를 통해 사용자에게 전달될 수 있다(219).

본 개시의 일 실시예에 따라 사용자는 챗봇 인터페이스를 통해 편리하게 채팅 메시지를 입력하여 보험과 관련 절차가 개시되도록 할 수 있고, 문서 분석 서버(100)와의 채팅을 통해 보험 관련 상담을 진행할 수 있으며, 문서 분석 서버(100)의 문서 요청에 따라 챗봇 인터페이스를 통해 편리하게 문서를 공유할 수 있다. 또한, 사용자는 챗봇 인터페이스를 통해 공유된 보험 관련 문서에 대하여 문서 분석 서버(100)와 채팅을 통해 내용을 보완할 수 있으며, 최종적으로 편리하게 보험금을 청구할 수 있다.

도 5는 본 개시의 일 실시예에 따라 사용자 단말(10)에 제공된 챗봇 인터페이스를 통해 보험금 청구와 관련된 정보를 요청한 경우에 대한 사용자 단말(10)의 예시도이다.

본 개시의 일 실시예에 따라 문서 분석 서버(100)는 사용자 단말(10)로부터 보험금 청구와 관련된 서류를 요청하는 채팅(11)을 포함하는 채팅 기록을 수신할 수 있다. 이에 따라, 문서 분석 서버(100)는 사용자 단말(10)에 제공되는 챗봇(12) 인터페이스의 챗봇(12)을 통해 보험금 청구와 관련된 보험의 종류에 대한 질문을 챗봇(12)의 답변으로 생성할 수 있다. 생성된 챗봇(12)의 답변은 사용자 단말(10)로 송신될 수 있고, 하나의 예시로 도 5에 도시된 바와 같이 표시될 수 있다. 이에 따라, 문서 분석 서버(100)는 사용자 단말(10)의 채팅 기록에 기초하여 보험의 종류를 결정하고 이에 대한 사용자의 보험 가입 이력을 조회할 수 있다. 도 5에 도시된 바와 같이 사용자 단말(10)의 입력 신호에 기초하여 “사고 보험금”이 입력된 경우에, 채팅 기록에 “사고 보험금”이 포함될 수 있다. 이에 따라, 문서 분석 서버(100)는 사용자의 보험 가입 이력에서 사고 보험금과 관련된 보험에 대해 조회할 수 있다. 사용자의 보험 가입 이력에서 사고 보험금과 관련하여 사망 보험, 실손 보험 등이 조회된 경우에, 문서 분석 서버(100)는 사용자의 보험금 청구에 대해 질문하는 챗봇의 답변을 생성할 수 있다. 또한, 문서 분석 서버(100)는 사용자가 가입한 하나 이상의 보험 종류에 대해서 보험금 청구를 선택할 수 있도록 선택지(13)를 생성할 수 있다. 생성된 챗봇의 답변 및 선택지(13)는 사용자 단말(10)로 전송되어 챗봇(12) 인터페이스를 통해 도 5에 도시된 바와 같이 표시될 수 있다. 선택지(13)는 사용자가 가입한 하나 이상의 보험들 중 사용자가 안내를 요청한 보험과 관련된 보험에 대한 이름을 포함할 수 있다. 또한, 선택지(13)는 처음 화면으로 돌아가기 위한 “뒤로” 선택지를 포함할 수 있다. 문서 분석 서버(100)는 선택지(13)에 대한 사용자 단말(10)의 입력 신호에 기초하여 사용자가 보험금 청구를 원하는 보험에 대해 파악할 수 있다.

도 6는 본 개시의 일 실시예와 관련된 보험 문서 분석 방법에 대한 순서도를 도시한다.

본 개시의 일 실시예에 따르면, 사용자 단말의 챗봇 인터페이스를 통해 수신되는 사용자의 채팅 기록에 기초하여 보험 관련 절차의 개시 여부를 결정할 수 있다(610).

본 개시의 일 실시예에 따르면, 사용자 단말로부터 챗봇 인터페이스를 통해 입력되는 보험 문서를 수신할 수 있다(620).

본 개시의 일 실시예에 따르면, 보험 문서를 문서 분석 모델에 입력시켜 문서 분석 모델을 이용하여 보험 문서를 분석할 수 있다(630).

본 개시의 일 실시예에 따르면, 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정할 수 있다(640).

전술한 도 6에 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 전술한 단계는 본 개시의 일 실시예에 불과할 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.

도 7은 본 개시의 일 실시예와 관련된 보험 문서 분석 방법을 구현하기 위한 로직을 도시한다.

본 개시의 일 실시예에 따르면 보험금 청구에 대한 보험 문서 분석 방법을 제공하기 위한 컴퓨터 프로그램은 다음과 같은 로직에 의해 구현될 수 있다.

컴퓨터 프로그램은, 사용자 단말의 챗봇 인터페이스를 통해 수신되는 사용자의 채팅 기록에 기초하여 보험 관련 절차의 개시 여부를 결정하기 위한 로직(710), 사용자 단말로부터 챗봇 인터페이스를 통해 입력되는 보험 문서를 수신하기 위한 로직(720), 보험 문서를 문서 분석 모델에 입력시켜 문서 분석 모델을 이용하여 보험 문서를 분석하기 위한 로직(730) 및 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정하기 위한 로직(740)을 포함할 수 있다.

대안적으로, 보험 문서는, 보험금 청구에 관련한 서류에 대한 이미지를 포함할 수 있다.

대안적으로, 사용자 단말로부터 챗봇 인터페이스를 통해 입력되는 보험 문서를 수신하는 로직은 사용자 단말에 제공되는 챗봇 인터페이스에 대한 사용자의 보험 문서에 대한 업로드 입력에 기초하여 보험 문서를 수신하는 로직을 포함할 수 있다.

대안적으로, 보험 문서를 문서 분석 모델에 입력시켜 문서 분석 모델을 이용하여 보험 문서를 분석하는 로직은, 문서 분석 모델을 이용하여 보험 문서에 포함된 하나 이상의 문자들을 식별하는 로직; 및 문서 분석 모델을 이용하여 하나 이상의 문자들에 대한 자연어 처리를 수행하여 보험 문서의 구조를 판독하는 로직;을 포함할 수 있다.

대안적으로, 문서 분석 모델을 이용하여 하나 이상의 문자들에 대한 자연어 처리를 수행하여 보험 문서의 구조를 판독하는 로직은, 보험 문서에 대한 자연어 처리 결과에 기초하여 보험 문서에 포함된 하나 이상의 항목을 식별하는 로직; 및 하나 이상의 항목에 대한 컨텍스트(Context) 분석 결과에 기초하여 보험 문서의 구조를 판독하는 로직;을 포함할 수 있다.

대안적으로, 하나 이상의 항목에 대한 컨텍스트 분석 결과에 기초하여 보험 문서의 구조를 판독하는 로직은, 컨텍스트 분석 결과를 기존 보험 문서 구조와 비교하여 보험 문서의 구조를 판독하는 로직; 또는 컨텍스트 분석 결과를 구조 분석 서브모델에 입력시켜 보험 문서의 구조를 판독하는 로직; 중 적어도 하나의 로직을 포함할 수 있다.

대안적으로, 구조 분석 서브모델은 이미지화된 보험 문서의 분석 결과에 기초하여 학습되며, 선택된 필수 문서에 포함된 구조 정보와 이미지화된 보험 문서의 구조 정보의 비교 결과를 정책 네트워크를 이용하여 처리함으로써 다른 필수 문서를 선택할지 여부를 결정하고, 다른 필수 문서에 포함된 구조 정보와 이미지화된 보험 문서의 구조 정보에 기초하여 리워드를 연산하고, 리워드를 최대화할 수 있는 다른 필수 문서를 선택하도록 학습될 수 있다.

대안적으로, 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정하는 로직은 사용자 단말로부터 획득된 제 1 사용자 정보 또는 보험 문서로부터 획득된 제 2 사용자 정보 중 적어도 하나에 기초하여 보험금의 지급 대상을 결정하는 로직을 포함할 수 있다.

대안적으로, 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정하는 로직은, 보험 문서에서 보험금 지급의 면책 범위를 결정하는 로직을 포함할 수 있다.

대안적으로, 보험금 지급의 면책 범위를 결정하는 로직 이후에, 보험 문서에 대하여 면책 범위를 사용자에게 고지하기 위한 정보를 생성하는 로직을 더 포함할 수 있다.

대안적으로, 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정하는 로직은 사용자 단말로부터 획득된 제 1 사용자 정보 또는 보험 문서로부터 획득된 제 2 사용자 정보 중 적어도 하나에 기초하여 보험 사기 여부를 결정하는 로직을 포함할 수 있다.

대안적으로, 사용자 단말로부터 획득된 제 1 사용자 정보 또는 보험 문서로부터 획득된 제 2 사용자 정보 중 적어도 하나에 기초하여 보험 사기 여부를 결정하는 로직은, 제 1 사용자 정보 또는 제 2 사용자 정보 중 적어도 하나로부터 사용자의 이전 청구 기록을 획득하는 로직; 및 이전 청구 기록과 보험 문서를 비교하여 보험 사기 여부를 결정하는 로직을 포함할 수 있다.

대안적으로, 사용자 단말에 보험금 지급 관련 알림을 전송하는 로직을 더 포함할 수 있다.

본 개시의 또 다른 실시예에 따르면, 컴퓨터 프로그램을 구현하기 위한 로직은, 컴퓨터 프로그램을 구현하기 위한 모듈, 회로 또는 수단에 의하여 구현될 수도 있다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

도 8은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)이 내장형 하드 디스크 드라이브(2114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음), 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용 가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (15)

1. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에 의해 실행되는 경우, 보험금 청구를 위한 이하의 동작들을 수행하도록 하며 상기 동작들은:
   사용자 단말의 챗봇 인터페이스를 통해 수신되는 사용자의 채팅 기록에 기초하여 보험 관련 절차의 개시 여부를 결정하는 동작;
   상기 사용자 단말로부터 상기 챗봇 인터페이스를 통해 입력되는 보험 문서를 수신하는 동작;
   문서 분석 모델을 이용하여 상기 보험 문서의 구조 정보를 생성하는 동작;
   상기 구조 정보에 포함된 컨텍스트(Context) 분석 결과를 강화 학습된 구조 분석 서브모델에 입력시켜 상기 보험 문서에 대응되는 필수 문서를 결정하는 동작; 및
   상기 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정하는 동작;
   을 포함하되,
   상기 구조 분석 서브모델은,
   상태(state)의 적어도 일부로서 탐색된 필수 문서에 관한 정보를 입력받고 행동(action)의 적어도 일부로서 다른 필수 문서의 탐색 여부를 결정하도록 강화 학습되는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
2. 제 1항에 있어서,
   상기 보험 문서는,
   보험금 청구에 관련한 서류에 대한 이미지를 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
3. 제 1항에 있어서,
   상기 사용자 단말로부터 상기 챗봇 인터페이스를 통해 입력되는 보험 문서를 수신하는 동작은,
   상기 사용자 단말에 제공되는 챗봇 인터페이스에 대한 사용자의 상기 보험 문서에 대한 업로드 입력에 기초하여 상기 보험 문서를 수신하는 동작;
   을 포함하는,
   컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.
   
4. 제 1항에 있어서,
   상기 구조 정보를 생성하는 동작은,
   상기 문서 분석 모델을 이용하여 상기 보험 문서에 포함된 하나 이상의 문자들을 식별하는 동작; 및
   상기 문서 분석 모델을 이용하여 상기 하나 이상의 문자들에 대한 자연어 처리를 수행하여 상기 보험 문서의 구조를 판독하는 동작;
   을 포함하는,
   컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.
   
5. 제 4항에 있어서,
   상기 문서 분석 모델을 이용하여 상기 하나 이상의 문자들에 대한 자연어 처리를 수행하여 상기 보험 문서의 구조를 판독하는 동작은,
   상기 보험 문서에 대한 자연어 처리 결과에 기초하여 상기 보험 문서에 포함된 하나 이상의 항목을 식별하는 동작; 및
   상기 하나 이상의 항목에 대한 컨텍스트(Context) 분석 결과에 기초하여 상기 보험 문서의 구조를 판독하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
6. 제 5 항에 있어서,
   상기 하나 이상의 항목에 대한 컨텍스트 분석 결과에 기초하여 상기 보험 문서의 구조를 판독하는 동작은,
   상기 컨텍스트 분석 결과를 기존 보험 문서 구조와 비교하여 상기 보험 문서의 구조를 판독하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
7. 제 1 항에 있어서,
   상기 구조 분석 서브모델은,
   이미지화된 보험 문서의 분석 결과에 기초하여 학습되며,
   선택된 필수 문서에 포함된 구조 정보와 이미지화된 보험 문서의 구조 정보의 비교 결과를 정책 네트워크를 이용하여 처리함으로써 다른 필수 문서를 선택할지 여부를 결정하고, 다른 필수 문서에 포함된 구조 정보와 이미지화된 보험 문서의 구조 정보에 기초하여 리워드를 연산하고, 상기 리워드를 최대화할 수 있는 다른 필수 문서를 선택하도록 학습되는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
8. 제 1 항에 있어서,
   상기 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정하는 동작은,
   상기 사용자 단말로부터 획득된 제 1 사용자 정보 또는 상기 보험 문서로부터 획득된 제 2 사용자 정보 중 적어도 하나에 기초하여 상기 보험금의 지급 대상을 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
9. 제 1 항에 있어서,
   상기 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정하는 동작은,
   상기 보험 문서에서 보험금 지급의 면책 범위를 결정하는 동작;
   을 포함하는,
   컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
   
10. 제 9 항에 있어서,
    상기 보험금 지급의 면책 범위를 결정하는 동작 이후에, 상기 보험 문서에 대하여 상기 면책 범위를 사용자에게 고지하기 위한 정보를 생성하는 동작;
    을 더 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
11. 제 1 항에 있어서,
    상기 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정하는 동작은,
    상기 사용자 단말로부터 획득된 제 1 사용자 정보 또는 상기 보험 문서로부터 획득된 제 2 사용자 정보 중 적어도 하나에 기초하여 보험 사기 여부를 결정하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
12. 제 11 항에 있어서,
    상기 사용자 단말로부터 획득된 제 1 사용자 정보 또는 상기 보험 문서로부터 획득된 제 2 사용자 정보 중 적어도 하나에 기초하여 보험 사기 여부를 결정하는 동작은,
    상기 제 1 사용자 정보 또는 상기 제 2 사용자 정보 중 적어도 하나로부터 사용자의 이전 청구 기록을 획득하는 동작; 및
    상기 이전 청구 기록과 상기 보험 문서를 비교하여 보험 사기 여부를 결정하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
13. 제 1 항에 있어서,
    상기 사용자 단말에 보험금 지급 관련 알림을 전송하는 동작;
    을 더 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
14. 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 보험 문서를 분석하기 위한 방법으로서,
    사용자 단말의 챗봇 인터페이스를 통해 수신되는 사용자의 채팅 기록에 기초하여 보험 관련 절차의 개시 여부를 결정하는 단계;
    상기 사용자 단말로부터 상기 챗봇 인터페이스를 통해 입력되는 보험 문서를 수신하는 단계;
    문서 분석 모델을 이용하여 상기 보험 문서의 구조 정보를 생성하는 단계;
    상기 구조 정보에 포함된 컨텍스트(Context) 분석 결과를 강화 학습된 구조 분석 서브모델에 입력시켜 상기 보험 문서에 대응되는 필수 문서를 결정하는 단계; 및
    상기 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정하는 단계;
    를 포함하되,
    상기 구조 분석 서브모델은,
    상태(state)의 적어도 일부로서 탐색된 필수 문서에 관한 정보를 입력받고 행동(action)의 적어도 일부로서 다른 필수 문서의 탐색 여부를 결정하도록 강화 학습되는,
    컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 문서 분석 방법.
    
15. 보험 문서 분석 방법을 위한 서버로서,
    하나 이상의 코어를 포함하는 프로세서;
    메모리; 및
    사용자 단말과 데이터를 송수신하는 네트워크부;
    를 포함하고,
    상기 프로세서는,
    사용자 단말의 챗봇 인터페이스를 통해 수신되는 사용자의 채팅 기록에 기초하여 보험 관련 절차의 개시 여부를 결정하고,
    상기 사용자 단말로부터 상기 챗봇 인터페이스를 통해 입력되는 보험 문서를 수신하고,
    문서 분석 모델을 이용하여 상기 보험 문서의 구조 정보를 생성하고,
    상기 구조 정보에 포함된 컨텍스트(Context) 분석 결과를 강화 학습된 구조 분석 서브모델에 입력시켜 상기 보험 문서에 대응되는 필수 문서를 결정하고, 그리고
    상기 보험 문서에 대한 분석 결과에 기초하여 보험금 지급 여부를 결정하되,
    상기 구조 분석 서브모델은,
    상태(state)의 적어도 일부로서 탐색된 필수 문서에 관한 정보를 입력받고 행동(action)의 적어도 일부로서 다른 필수 문서의 탐색 여부를 결정하도록 강화 학습되는,
    문서 분석 방법을 위한 서버.
    

Images