WO2020130171A1 - 뉴럴 네트워크를 이용한 언더라이팅 자동화 장치 및 방법 - Google Patents

뉴럴 네트워크를 이용한 언더라이팅 자동화 장치 및 방법 Download PDF

Info

Publication number
WO2020130171A1
WO2020130171A1 PCT/KR2018/016122 KR2018016122W WO2020130171A1 WO 2020130171 A1 WO2020130171 A1 WO 2020130171A1 KR 2018016122 W KR2018016122 W KR 2018016122W WO 2020130171 A1 WO2020130171 A1 WO 2020130171A1
Authority
WO
WIPO (PCT)
Prior art keywords
insurance
data
neural network
insured
information
Prior art date
Application number
PCT/KR2018/016122
Other languages
English (en)
French (fr)
Inventor
안기호
Original Assignee
(주)아크릴
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)아크릴 filed Critical (주)아크릴
Priority to PCT/KR2018/016122 priority Critical patent/WO2020130171A1/ko
Publication of WO2020130171A1 publication Critical patent/WO2020130171A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management

Definitions

  • the present invention relates to an underwriting automation apparatus and method using a neural network.
  • Insurance is not a profit generated by an insurance company, but a financial product that pays insurance premiums by insurance subscribers (ie, insured).
  • the insurance company must evaluate the various conditions of the insured and decide whether to accept the insurance contract.
  • insurance companies evaluate various risks of those who want to insured to determine whether or not to insured The decision-making process is called underwriting, and the people who perform these tasks are called underwriters.
  • Underwriting is an evaluation of the risks of insurance coverage based on the contents of the notification obligations and health checkup results in the subscription form prepared by the policyholder, and determines the acceptance and conditions of the insurance, and serves to equalize the customer's risk and maintain uncertainty in the risk. .
  • the insured's physical, environmental, moral and financial risks are comprehensively assessed.
  • physical risks include age, personality, physique, and medical history.
  • Environmental risks include occupational, driving experience, hobbies and professional sports performance, smoking and drinking, drug use, criminal records, civil and military flight. , Military service, overseas residence and travel, immigration and foreign citizenship.
  • Moral risks include the possibility of insurance crimes or insurance fraud
  • financial risks include financial information, such as income and property status, adequacy of insured profits, and early effective risks.
  • This embodiment has a main object to provide an apparatus and a method for automating underwriting using a neural network.
  • a method of automating underwriting using a neural network includes a process of merging insured information, insurance product information, and insurance application information to generate one data, and normalizing the generated one data. , Selecting a feature applied to the neural network among the normalized data, and determining whether to approve the insured by applying the selected characteristic to the neural network.
  • an apparatus for automating underwriting using a neural network includes a feature parser module that merges insured information, insurance product information, and insurance application information into one data and normalizes the generated one data.
  • An embedding layer module, a projection layer module for selecting a feature applied to the neural network among the normalized data, and a neural network module for determining whether or not the insured approves insurance coverage by applying the selected characteristic to the neural network Includes.
  • the process of merging insured information, insurance product information, and insurance application information to generate one data, normalizing the generated one data, and among the normalized data And a computer program stored in the recording medium to execute a process of selecting a feature applied to the neural network, and determining whether or not the insured approves insurance coverage by applying the selected characteristic to the neural network.
  • underwriters can not only produce more reliable results, but can also be used to calculate premiums.
  • FIG. 1 is a view showing the configuration of an apparatus for automating underwriting using a neural network according to the present disclosure
  • FIG. 2 is a diagram showing an example of a neural network according to the present disclosure.
  • FIG. 3 is a view showing a flowchart of an underwriting automation device using a neural network according to the present disclosure.
  • FIG. 1 is a view showing the configuration of an apparatus for automating underwriting using a neural network according to the present disclosure.
  • insured information 110 For underwriting, insured information 110, insurance product information 120, insurance application information 130, and the like are required.
  • the insured information 110 is the most basic information about the insured person who is insured, and may be a name, resident number, date of birth, address, age, gender, and the like.
  • the insurance product information 120 refers to information on insurance products operated by an insurance company. Although some types of insurance products are the same regardless of the insurance company, such as auto insurance, insurance companies generally operate different types of insurance products. In addition, even in the case of the same insurance product, there are various items that the insured can select as an option, and depending on the option, whether or not the insured approves the insurance may be changed. Therefore, in determining whether or not the insured is approved for insurance, insurance product information 120 such as an insurance subscription period, insurance type, and insurance type is required.
  • the insurance application information 130 generally refers to information that an insured person writes on an insurance application in a certain form in order to be insured. Specifically, accident history, illness history, personal credit rating, compensation history, crime history, etc. are insured. It can be application information 130. Further, the insurance application information 130 may include information other than the information that the insured person fills out in the insurance application, and may include information inquired according to the consent of the insured personal information inquiry as necessary.
  • the feature parser module 140 merges the insured information 110, the insurance product information 120, and the insurance application information 130 into one data for underwriting.
  • the above information is stored separately.
  • the feature parser module 140 uses one or more of the above information as at least one of the insured information 110 such as the insured person's name and resident number, and the ID of the insured person as a primary key and a reference key. Merge into data. At this time, there may be several pieces of information such as the accident history and the disease history of the insured. In the present disclosure, it is necessary to adjust the length to use fixed length data (for example, vectors). Specifically, the accident history of the insured person is set to N, and the accident history exceeding this can be removed in the order of the latest date or in the order of low importance. If the number of accident histories is less than N, the length of the accident histories is adjusted by filling the dummy data.
  • the final output data 180 of the feature parser module 140 has the same structure regardless of the insured person's history, and the size thereof is also the same
  • the embedding layer module 150 converts the final output data 180 of the feature parser module into a vector form.
  • the final output data 180 of the feature parser module has a raw value.
  • the insured's age, previous claims, credit ratings, etc. are all integer data, but they have different domains, and there is also date data, such as the insurance start date.
  • the normalization work is largely divided into three types according to data types. First, normalization of numeric data is normalized based on a standard normal distribution. Second, normalization for date-type data is converted to UTC (Universal Time Coordinated) by date unit, and normalization is performed for categorical data. Finally, one-hot encoding is performed for normalization for categorical data.
  • the projection layer module 160 selects a feature to be used for the neural network module 170 among the normalized data output from the embedding layer module 150. Tuning is necessary because the nature of data may differ for each insurance company and the required data may differ for each insurance product.
  • the projection layer module 160 performs repetition through the learning process of the neural network module 170 and analyzes and selects characteristics affecting the final result.
  • a feedforward deep learning neural network model may be used, and other models may also be used.
  • the neural network module 170 uses the data output from the projection layer module 160 to output data on whether to approve the final insurance.
  • the data on whether or not to approve the final insurance is required for'approval' to approve the insured,'disapproval' to deny the insured, and currently input information of the insured is insufficient to determine whether to approve the insurance.
  • One of the'supplementary' and'conditional approval' to approve insurance coverage only when a specific condition is recognized may be the result of the neural network module 170.
  • Data output through the neural network module 170 is provided to an underwriter, and the underwriter can make a final decision on whether to approve insurance by referring to this.
  • the output data of the neural network module 170 may be used to calculate insurance premiums.
  • FIG. 2 is a diagram illustrating an example of a neural network according to the present disclosure.
  • Neural networks are generally composed of multi-layers. Typically, it is composed of an input layer (Input Layer) 210, a hidden layer (Hidden Layer) 220, and an output layer (Output Layer) 230.
  • the hidden layer 220 is illustrated in FIG. 2 as one layer, it may be composed of multiple layers. Also, each layer is composed of at least one node.
  • nodes of the input layer 210 are merged into one, and are nodes into which normalized data is input, and nodes of the output layer 230 may be nodes that output approval, disapproval, supplement, and conditional approval.
  • all nodes of the hidden layer 220 perform the same operation. At this time, the operation performed is merged into one input value and is modeled as normalized data and weight.
  • weights are initialized to the same value, and in the subsequent learning process, the weights are changed so that the correct output values for input values (one of approval, disapproval, supplementation, and conditional approval) can be exported.
  • the weight is changed by increasing the number of learning times for various inputs.
  • the neural network after the learning process is used is used for underwriting automation.
  • FIG. 3 is a view showing a flowchart of an underwriting automation device using a neural network according to the present disclosure.
  • the underwriting automation device using the neural network merges insured information, insurance product information, and insurance application information to generate a single data (310).
  • the insured information includes the insured person's name, social security number, date of birth, address, age, gender, etc.
  • the insurance product information includes the period of insurance coverage, type of coverage, type of insurance, etc.
  • the insurance application information includes the accident history, It may include compensation history, criminal history, credit rating, and disease history.
  • the underwriting automation device normalizes the generated one data (320). Since the generated data has a raw value, it has different domains and cannot be used immediately. Therefore, normalization is required. Specifically, real data is normalized based on a standard normal distribution, date data is converted to UTC to perform normalization, and categorical data is subjected to one-hot encoding.
  • the underwriting automation device selects a feature to be applied to the neural network from the normalized data (330). Since the nature of the data entered by each insurance company may be different, and the required data may be different for each insurance product, it is necessary to select only the necessary characteristics. This process may be accomplished through a neural network learning process.
  • the underwriting automation device applies the selected characteristic to the neural network to determine whether or not the insured is approved for insurance (340).
  • the determined insured person's approval for insurance is'approved' to approve the insured,'disapproved' to deny the insured, and the currently entered information of the insured is insufficient to determine whether to approve the insurance. It can be either'supplementary' asking for or'conditional approval' to approve insurance only if certain conditions are recognized.
  • the underwriter may make a final decision based on whether the determined insured person approves the insurance.
  • FIG. 3 it is described that the processes 310 to 340 are sequentially executed, but this is merely illustrative of the technical idea of an embodiment of the present invention.
  • a person having ordinary knowledge in the technical field to which one embodiment of the present invention pertains may execute or change the order described in FIG. 3 without departing from the essential characteristics of one embodiment of the present invention, or one of steps 310 to 340 Since the above process can be applied in various modifications and variations by executing in parallel, FIG. 3 is not limited to the time series order.
  • the processes illustrated in FIG. 3 may be implemented as computer readable codes on a computer readable recording medium.
  • the computer-readable recording medium includes all kinds of recording devices in which data readable by a computer system is stored. That is, the computer-readable recording medium includes magnetic storage media (eg, ROM, floppy disk, hard disk, etc.), optical reading media (eg, CD-ROM, DVD, etc.) and carrier waves (eg, the Internet). Storage).
  • the computer-readable recording medium can be distributed over network coupled computer systems so that the computer-readable code is stored and executed in a distributed fashion.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

뉴럴 네트워크를 이용한 언더라이팅 자동화 장치 및 방법을 개시한다. 본 실시예의 일 측면에 의하면, 뉴럴 네트워크를 이용해 언더라이팅을 자동화하는 방법은, 피보험자 정보, 보험 상품 정보, 보험 신청서 정보를 병합하여 하나의 데이터로 생성하는 과정, 상기 생성된 하나의 데이터를 정규화하는 과정, 상기 정규화된 데이터 중에서 뉴럴 네트워크에 적용한 특성(feature)을 선정하는 과정, 및 상기 선정된 특성을 상기 뉴럴 네트워크에 적용해 피보험자의 보험 가입 승인 여부를 결정하는 과정을 포함한다.

Description

뉴럴 네트워크를 이용한 언더라이팅 자동화 장치 및 방법
본 발명은 뉴럴 네트워크를 이용한 언더라이팅 자동화 장치 및 방법에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 발명에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
보험은 보험회사가 발생시킨 수익이 아니라 보험가입자(즉, 피보험자)들이 납입하는 보험료로 보험금을 지급하는 금융상품이다. 이런 점에서 보험회사는 보험가입자의 여러 가지 상황을 평가하여 보험계약의 승낙여부를 결정하여야 한다. 보험가입자들간에 형평성을 유지하고, 역선택으로 인한 보험금 등의 지급증가로 선의의 보험가입자가 손해보는 것을 방지하지 위하여, 보험회사가 보험가입을 원하는 사람의 여러 가지 위험을 평가하여 보험가입 여부를 결정하는 절차를 언더라이팅(underwriting, 인수심사)이라 하고, 이러한 작업을 수행하는 사람들을 언더라이터(underwriter)라 한다.
언더라이팅은 보험가입자가 작성한 청약서상의 고지의무 내용이나 건강진단 결과 등을 토대로 보험가입 대상의 위험을 평가하여 인수여부 및 조건을 결정하는 것으로, 고객의 위험을 균등화하고 위험에 불확실성을 유지하는 역할을 한다. 언더라이팅 시, 보험가입자의 신체적, 환경적, 도덕적, 재정적 위험을 종합적으로 평가한다. 구체적으로, 신체적 위험으로는 연령, 성격, 체격, 병력 등이 포함되며, 환경적 위험으로는 직업, 운전경력, 취미 및 전문적 스포츠 수행 여부, 흡연 및 음주, 약물복용, 범죄기록, 민간 및 군사비행, 병역관계, 해외거주 및 여행, 이민자 및 외국 시민권자 관련사항 등이 포함된다. 도덕적 위험으로는 보험 범죄나 보험 사기행위의 발생가능성 등이 포함되며, 재정적 위험으로는 소득 및 재산 상황 등의 재무정보, 피보험 이익의 적절성, 조기실효 리스크 등이 포함된다.
이러한 언더라이팅은 보험사기를 미연에 방지할 뿐만 아니라, 과다한 보험료로 인해 재정적 부담을 느낀 보험가입자의 보험료 미납으로 보험이 실효되는 피해를 최소화시키기 위한 안전장치 효과도 크다. 보험계약 특성상 조기에 해약하면 납입한 보험료를 거의 돌려받지 못하는 경우가 발생할 수도 있기 때문이다.
하지만 국내 보험영업 현실에서는 보험가입자가 재정 능력을 보험설계사에게 구체적으로 고지하고 언더라이팅을 거쳐 가입하는 것이 쉬운 일은 아니다. 언더라이팅은 보험산업의 건전성 확보와 선의의 보험계약자를 보호하기 위한 필수적인 절차인 만큼, 선진국처럼 정확하고 합리적인 언더라이팅이 필요하다.
본 실시예는, 뉴럴 네트워크를 이용하여 언더라이팅을 자동화한 장치 및 그 방법을 제공하는 데 주된 목적이 있다.
본 실시예의 일 측면에 의하면, 뉴럴 네트워크를 이용해 언더라이팅을 자동화하는 방법은, 피보험자 정보, 보험 상품 정보, 보험 신청서 정보를 병합하여 하나의 데이터로 생성하는 과정, 상기 생성된 하나의 데이터를 정규화하는 과정, 상기 정규화된 데이터 중에서 뉴럴 네트워크에 적용한 특성(feature)을 선정하는 과정, 및 상기 선정된 특성을 상기 뉴럴 네트워크에 적용해 피보험자의 보험 가입 승인 여부를 결정하는 과정을 포함한다.
본 실시예의 다른 측면에 의하면, 뉴럴 네트워크를 이용해 언더라이팅을 자동화하는 장치는, 피보험자 정보, 보험 상품 정보, 보험 신청서 정보를 병합하여 하나의 데이터로 생성하는 피처 파서 모듈, 상기 생성된 하나의 데이터를 정규화하는 임베딩 레이어 모듈, 상기 정규화된 데이터 중에서 뉴럴 네트워크에 적용한 특성(feature)을 선정하는 프로젝션 레이어 모듈, 및 상기 선정된 특성을 상기 뉴럴 네트워크에 적용해 피보험자의 보험 가입 승인 여부를 결정하는 뉴럴 네트워크 모듈을 포함한다.
본 실시예의 다른 측면에 의하면, 하드웨어와 결합되어, 피보험자 정보, 보험 상품 정보, 보험 신청서 정보를 병합하여 하나의 데이터로 생성하는 과정, 상기 생성된 하나의 데이터를 정규화하는 과정, 상기 정규화된 데이터 중에서 뉴럴 네트워크에 적용한 특성(feature)을 선정하는 과정, 및 상기 선정된 특성을 상기 뉴럴 네트워크에 적용해 피보험자의 보험 가입 승인 여부를 결정하는 과정을 실행시키기 위하여 기록매체에 저장된 컴퓨터 프로그램을 포함한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 언더라이팅을 뉴럴 네트워크를 이용해 수행함으로써 사람에 의해 발생할 수 있는 오류를 줄일 수 있다. 또한, 뉴럴 네트워크를 이용하여 자동화한 언더라이팅 결과를 이용함으로써 언더라이터들은 보다 신뢰성이 높은 결과를 도출할 수 있을 뿐만 아니라, 보험료 산정에도 이용할 수 있다.
도 1은 본 개시에 따른 뉴럴 네트워크를 이용하여 언더라이팅을 자동화하는 장치의 구성도를 나타낸 도면,
도 2는 본 개시에 따른 뉴럴 네트워크의 일예를 나타낸 도면, 및
도 3은 본 개시에 따른 뉴럴 네트워크를 이용한 언더라이팅 자동화 장치의 순서도를 나타낸 도면이다.
이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 '포함', '구비'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 '…부', '모듈' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 1은 본 개시에 따른 뉴럴 네트워크를 이용하여 언더라이팅을 자동화하는 장치의 구성도를 나타낸 도면이다.
도 1에서는 다수의 구성으로 나누어 설명하나 여러 개의 구성이 하나의 구성으로 통합되어 구현될 수 있으며 또는 하나의 구성이 여러 개의 구성으로 나누어 구현될 수도 있다.
언더라이팅을 위해 피보험자 정보(110), 보험 상품 정보(120), 보험 신청서 정보(130) 등이 필요하다.
피보험자 정보(110)는 보험을 가입하는 당사자인 피보험자에 대한 가장 기본적인 정보로 이름, 주민번호, 생년월일, 주소, 나이, 성별 등이 될 수 있다.
보험 상품 정보(120)는 보험회사가 운용하는 보험 상품의 정보를 의미한다. 자동차 보험과 같이 보험 상품의 종류가 보험회사에 관계없이 동일한 것도 있지만 일반적으로 보험회사들은 각기 다른 다양한 종류의 보험 상품을 운용한다. 뿐만 아니라, 같은 보험 상품이라 하더라도 피보험자가 옵션으로 선택할 수 있는 항목 또한 다양하고, 옵션에 따라서 피보험자의 보험 가입 승인 여부 등이 달라질 수 있다. 따라서, 피보험자의 보험 가입 승인 여부를 결정함에 있어 보험 가입 기간, 보험 종류, 보장 종류 등과 같은 보험 상품 정보(120)가 필요하다.
보험 신청서 정보(130)는 일반적으로 피보험자가 보험에 가입하기 위해 일정한 양식인 보험 신청서에 적는 정보를 의미한다, 구체적으로, 사고이력, 질병이력을 비롯하여 개인 신용등급, 보상이력, 범죄이력 등이 보험 신청서 정보(130)가 될 수 있다. 또한, 보험 신청서 정보(130)는 상기 피보험자가 보험 신청서에 작성하는 정보 이외의 것도 포함할 수 있으며, 필요에 따라 상기 피보험자의 개인 정보 조회 동의에 따라 조회된 정보도 포함할 수 있다.
피처 파서 모듈(Feature Parser module)(140)은 언더라이팅을 위해 피보험자 정보(110), 보험 상품 정보(120), 및 보험 신청서 정보(130)를 하나의 데이터로 병합한다. 일반적으로 상기 정보들은 따로 분리되어 저장되어 있다. 피처 파서 모듈(140)은 상기 정보들 중 피보험자의 이름, 주민번호 등의 피보험자 정보(110), 피보험자의 ID 중 적어도 하나 이상을 기본키(primary key)와 참조키(foreign key)로 하여 하나의 데이터로 병합한다. 이때, 피보험자의 사고이력, 질병이력 등의 정보는 여러 개일 수 있는데 본 개시에서는 고정 길이의 데이터(예를 들어, 벡터)를 사용하기 위해 길이를 맞춰주는 작업이 필요하다. 구체적으로, 피보험자의 사고이력은 최대 N개로 정하고, 이를 넘는 사고이력은 최신 날짜 순으로 제거하거나, 중요도가 낮은 순으로 제거할 수 있다. 만약 사고이력이 N개보다 부족하다면 더미(dummy) 데이터를 채워 사고이력의 길이를 맞춘다. 피처 파서 모듈(140)의 최종 출력 데이터(180)는 피보험자의 이력에 관계없이 모두 같은 구조(structure)를 가지며, 그 크기(size) 또한 동일하다.
임베딩 레이어 모듈(Embedding Layer Module)(150)은 피처 파서 모듈의 최종 출력 데이터(180)를 벡터 형태로 변환한다. 피처 파서 모듈의 최종 출력 데이터(180)는 원시의 값을 가진다. 즉, 피보험자의 나이, 이전 보험 청구 금액, 신용등급 등은 모두 정수형 데이터이지만 각기 다른 도메인을 가지며, 보험 시작 날짜와 같이 날짜형 데이터도 존재한다. 뿐만 아니라, 성별, 주소 등과 같이 전혀 다른 형태의 데이터도 존재한다. 이와 같이 각기 다른 단위를 가지는 데이터들을 비슷한 범위의 실수형 데이터로 변환하여 정규화하는 작업이 필요하고, 이는 임베딩 레이어 모듈(150)에서 수행된다. 구체적으로 상기 정규화 작업은 데이터의 종류에 따라 크게 세 가지로 구분된다. 첫 번째로, 수치형 데이터에 대한 정규화 작업은 표준 정규분포에 기반하여 정규화를 수행한다. 두 번째로, 날짜형 데이터에 대한 정규화 작업은 날짜 단위로 UTC(Universal Time Coordinated)로 변환하여 정규화를 수행하고, 마지막으로 범주형 데이터에 대한 정규화 작업은 one-hot 인코딩을 수행한다.
프로젝션 레이어 모듈(Projection Layer Module)(160)은 임베딩 레이어 모듈(150)에서 출력된 상기 정규화된 데이터 중 뉴럴 네트워크 모듈(170)에 이용할 특성(feature)을 선정한다. 보험회사마다 데이터의 성격이 다를 수 있고, 보험 상품마다 필요한 데이터가 다를 수 있기 때문에 튜닝 작업이 필요하다. 프로젝션 레이어 모듈(160)은 뉴럴 네트워크 모듈(170)의 학습과정을 통해 반복 수행하면서 최종 결과에 영향을 끼치는 특성을 분석하여 선정하는 작업을 수행한다.
뉴럴 네트워크 모듈(Neural Network Module)(170)은 구체적으로는 피드포워드 딥러닝(Feedforward Deep learning) 뉴럴 네트워크 모델이 이용될 수 있으며, 그 외의 다른 모델이 이용될 수도 있다. 뉴럴 네트워크 모듈(170)은 프로젝션 레이어 모듈(160)로부터 출력된 데이터를 이용해 최종 보험 가입 승인 여부에 대한 데이터를 출력한다. 상기 최종 보험 가입 승인 여부에 대한 데이터는 피보험자의 가입을 승인하는 '승인', 피보험자의 가입을 거부하는 '불승인', 현재 입력된 피보험자의 정보만으로는 보험 가입 승인 여부를 판단하기에 부족해 추가 정보를 요구하는 '보완', 특정 조건이 인정되는 경우에 한해 보험 가입을 승인하는 '조건부 승인' 중 어느 하나가 뉴럴 네트워크 모듈(170)의 결과가 될 수 있다.
뉴럴 네트워크 모듈(170)을 통해 출력된 데이터는 언더라이터에게 제공되고, 상기 언더라이터는 이를 참고하여 보험 가입 승인 여부에 대해 최종 결정을 내릴 수 있다. 또한, 뉴럴 네트워크 모듈(170)의 출력 데이터는 보험료 산정에도 이용될 수 있다.
도 2는 본 개시에 따른 뉴럴 네트워크의 일예를 나타낸 도면이다.
뉴럴 네트워크는 일반적으로 다층(multi-layer)으로 구성된다. 대표적으로는, 입력층(Input Layer)(210), 은닉층(Hidden Layer)(220), 출력층(Output Layer)(230)으로 구성된다. 도 2에서는 은닉층(220)을 하나의 층(layer)으로 도시하고 있으나 다수의 층으로 구성될 수도 있다. 또한, 각 층은 적어도 하나 이상의 노드(node)로 구성되어 있다. 본 개시에서 입력층(210)의 노드는 하나로 병합되어 정규화된 데이터가 입력되는 노드이며, 출력층(230)의 노드는 승인, 불승인, 보완, 조건부 승인을 출력하는 노드가 될 수 있다. 여기서 은닉층(220)의 모든 노드는 동일한 연산을 수행한다. 이때 수행하는 연산은 입력값인 하나로 병합되어 정규화된 데이터와 가중치(weight)로 모델링된다. 처음에는 가중치를 모두 동일한 값으로 초기화하고, 이후 학습과정에서, 입력값에 대한 올바른 출력값(승인, 불승인, 보완, 조건부 승인 중 하나)을 내보낼 수 있도록 상기 가중치를 변경한다. 다양한 입력에 대하여 학습 횟수를 늘림으로 인해 상기 가중치는 변화하게 된다. 상기 학습과정이 종료된 뉴럴 네트워크는 언더라이팅 자동화에 이용된다.
도 3은 본 개시에 따른 뉴럴 네트워크를 이용한 언더라이팅 자동화 장치의 순서도를 나타낸 도면이다.
뉴럴 네트워크를 이용한 언더라이팅 자동화 장치(이하 '언더라이팅 자동화 장치')는 피보험자 정보, 보험 상품 정보, 보험 신청서 정보를 병합하여 하나의 데이터로 생성한다(310). 상기 피보험자 정보는 피보험자의 이름, 주민번호, 생년월일, 주소, 나이, 성별 등을 포함하고, 상기 보험 상품 정보는 보험 가입 기간, 보장 종류, 보험 종류 등을 포함하고, 상기 보험 신청서 정보는 사고이력, 보상이력, 범죄이력, 신용등급, 질병이력 등을 포함할 수 있다.
상기 언더라이팅 자동화 장치는 상기 생성된 하나의 데이터를 정규화한다(320). 상기 생성된 하나의 데이터는 원시의 값을 가지고 있기 때문에 각기 다른 도메인을 가지고 있어 바로 이용할 수는 없다. 따라서, 정규화 작업이 필요하다. 구체적으로, 실수형 데이터는 표준 정규분포에 기반하여 정규화를 수행하고, 날짜형 데이터는 UTC로 변환하여 정규화를 수행하고, 범주형 데이터는 one-hot 인코딩을 수행한다.
상기 언더라이팅 자동화 장치는 상기 정규화된 데이터 중에서 뉴럴 네트워크에 적용할 특성(feature)을 선정한다(330). 보험회사마다 입력하는 데이터의 성격이 다를 수 있고, 보험 상품마다 필요한 데이터가 다를 수 있기 때문에 필요한 특성만을 선정하는 과정이 필요하다. 이 과정은 뉴럴 네트워크 학습 과정을 통해 이루어질 수도 있다.
상기 언더라이팅 자동화 장치는 상기 선정된 특성을 상기 뉴럴 네트워크에 적용해 피보험자의 보험 가입 승인 여부를 결정한다(340). 상기 결정된 피보험자의 보험 가입 승인 여부는 상기 피보험자의 가입을 승인하는 '승인', 상기 피보험자의 가입을 거부하는 '불승인', 현재 입력된 상기 피보험자의 정보만으로는 보험 가입 승인 여부를 판단하기에 부족해 추가 정보를 요구하는 '보완', 특정 조건이 인정되는 경우에 한해 보험 가입을 승인하는 '조건부 승인' 중 어느 하나일 수 있다.
이후, 언더라이터는 상기 결정된 피보험자의 보험 가입 승인 여부를 기초로 최종 결정할 수 있다.
도 3에서는 과정 310 내지 과정 340을 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 발명의 일 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것이다. 다시 말해, 본 발명의 일 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 일 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 3에 기재된 순서를 변경하여 실행하거나 과정 310 내지 과정 340 중 하나 이상의 과정을 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 도 3은 시계열적인 순서로 한정되는 것은 아니다.
한편, 도 3에 도시된 과정들은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 즉, 컴퓨터가 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등) 및 캐리어 웨이브(예를 들면, 인터넷을 통한 전송)와 같은 저장매체를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (6)

  1. 뉴럴 네트워크를 이용해 언더라이팅을 자동화하는 방법에 있어서,
    피보험자 정보, 보험 상품 정보, 보험 신청서 정보를 병합하여 하나의 데이터로 생성하는 과정,
    상기 생성된 하나의 데이터를 정규화하는 과정,
    상기 정규화된 데이터 중에서 뉴럴 네트워크에 적용한 특성(feature)을 선정하는 과정, 및
    상기 선정된 특성을 상기 뉴럴 네트워크에 적용해 피보험자의 보험 가입 승인 여부를 결정하는 과정을 포함하는 언더라이팅 자동화 방법.
  2. 제1항에 있어서,
    상기 선정된 특성을 상기 뉴럴 네트워크에 적용해 피보험자의 보험 가입 승인 여부를 결정하는 과정은,
    승인, 불승인, 보완, 및 조건부 승인 중 어느 하나로 결정됨을 특징으로 하는 언더라이팅 자동화 방법.
  3. 제1항에 있어서,
    상기 생성된 하나의 데이터를 정규화하는 과정은,
    실수형 데이터는 표준 정규분포에 기반하여 정규화를 수행하고, 날짜형 데이터는 UTC(Universal Time Coordinated)로 변환하여 정규화를 수행하고, 범주형 데이터는 one-hot 인코딩을 수행함을 특징으로 하는 언더라이팅 자동화 방법.
  4. 제1항에 있어서,
    상기 피보험자 정보는 피보험자의 주민번호, 생년월일, 주소, 나이, 성별을 포함하고, 상기 보험 상품 정보는 보험 가입 기간, 보장 종류, 보험 종류를 포함하고, 상기 보험 신청서 정보는 사고이력, 보상이력, 범죄이력, 신용등급, 질병이력을 포함함을 특징으로 하는 언더라이팅 자동화 방법.
  5. 뉴럴 네트워크를 이용해 언더라이팅을 자동화하는 장치에 있어서,
    피보험자 정보, 보험 상품 정보, 보험 신청서 정보를 병합하여 하나의 데이터로 생성하는 피처 파서 모듈,
    상기 생성된 하나의 데이터를 정규화하는 임베딩 레이어 모듈,
    상기 정규화된 데이터 중에서 뉴럴 네트워크에 적용한 특성(feature)을 선정하는 프로젝션 레이어 모듈, 및
    상기 선정된 특성을 상기 뉴럴 네트워크에 적용해 피보험자의 보험 가입 승인 여부를 결정하는 뉴럴 네트워크 모듈을 포함하는 언더라이팅 자동화 장치.
  6. 하드웨어와 결합되어,
    피보험자 정보, 보험 상품 정보, 보험 신청서 정보를 병합하여 하나의 데이터로 생성하는 과정,
    상기 생성된 하나의 데이터를 정규화하는 과정,
    상기 정규화된 데이터 중에서 뉴럴 네트워크에 적용한 특성(feature)을 선정하는 과정, 및
    상기 선정된 특성을 상기 뉴럴 네트워크에 적용해 피보험자의 보험 가입 승인 여부를 결정하는 과정
    을 실행시키기 위하여 기록매체에 저장된 컴퓨터 프로그램.
PCT/KR2018/016122 2018-12-18 2018-12-18 뉴럴 네트워크를 이용한 언더라이팅 자동화 장치 및 방법 WO2020130171A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2018/016122 WO2020130171A1 (ko) 2018-12-18 2018-12-18 뉴럴 네트워크를 이용한 언더라이팅 자동화 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2018/016122 WO2020130171A1 (ko) 2018-12-18 2018-12-18 뉴럴 네트워크를 이용한 언더라이팅 자동화 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2020130171A1 true WO2020130171A1 (ko) 2020-06-25

Family

ID=71101399

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/016122 WO2020130171A1 (ko) 2018-12-18 2018-12-18 뉴럴 네트워크를 이용한 언더라이팅 자동화 장치 및 방법

Country Status (1)

Country Link
WO (1) WO2020130171A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040236611A1 (en) * 2003-04-30 2004-11-25 Ge Financial Assurance Holdings, Inc. System and process for a neural network classification for insurance underwriting suitable for use by an automated system
JP2006522376A (ja) * 2003-09-10 2006-09-28 スイス リインシュアランス カンパニー 自動的な経験料率の設定、及び／又は、損失積立のためのシステム、及び、方法
KR20180001605A (ko) * 2016-06-09 2018-01-05 주식회사 웰그램 암호화된 디지털청약서류를 이용한 사무자동화 구현방법
JP2018025963A (ja) * 2016-08-10 2018-02-15 太陽生命保険株式会社 保険の加入に関する審査に用いられる装置、方法及びコンピュータプログラム
KR20180036229A (ko) * 2016-09-30 2018-04-09 주식회사 셀바스에이아이 질병에 대한 발병 확률 예측 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040236611A1 (en) * 2003-04-30 2004-11-25 Ge Financial Assurance Holdings, Inc. System and process for a neural network classification for insurance underwriting suitable for use by an automated system
JP2006522376A (ja) * 2003-09-10 2006-09-28 スイス リインシュアランス カンパニー 自動的な経験料率の設定、及び／又は、損失積立のためのシステム、及び、方法
KR20180001605A (ko) * 2016-06-09 2018-01-05 주식회사 웰그램 암호화된 디지털청약서류를 이용한 사무자동화 구현방법
JP2018025963A (ja) * 2016-08-10 2018-02-15 太陽生命保険株式会社 保険の加入に関する審査に用いられる装置、方法及びコンピュータプログラム
KR20180036229A (ko) * 2016-09-30 2018-04-09 주식회사 셀바스에이아이 질병에 대한 발병 확률 예측 방법 및 장치

Similar Documents

Publication Publication Date Title
Biener et al. Insurability of cyber risk: An empirical analysis
Chen et al. The determinants of financial health of Asian insurance companies
US8666884B2 (en) Methods of monitoring behavior/activity of an individual associated with an organization
Button et al. The ‘fraud justice network’and the infra-structure of support for individual fraud victims in England and Wales
Wheaton et al. Economics of human trafficking
Cunningham Too big to fail: moral hazard in auditing and the need to restructure the industry before it unravels
JP2024105277A (ja) 個人情報保護システム
US8458082B2 (en) Automated loan risk assessment system and method
Aviram Regulation by networks
WO2007146906A2 (en) Methods of deterring fraud and other improper behaviors within an organization
US20080086342A1 (en) Methods of assessing fraud risk, and deterring, detecting, and mitigating fraud, within an organization
Chitimira et al. Towards ingenious technology and the robust enforcement of financial markets laws to curb money laundering in Zimbabwe
Kostruba et al. Designing of legal model of legal relations cessations
Zhu et al. Deterrence of punitive measures on collusive bidding in the construction sector
Mostaghim Constructing the yellow brick road: preventing discrimination in financial services against the LGBTQ+ community
Hilgenstock et al. Using the financial system to enforce export controls
Passas Corruption in the procurement process/outsourcing government functions: Issues, case studies, implications
Brockett et al. Kidnap and ransom insurance: A strategically useful, often undiscussed, marketplace tool for international operations
WO2020130171A1 (ko) 뉴럴 네트워크를 이용한 언더라이팅 자동화 장치 및 방법
Yap et al. A Legal Framework for Artificial Intelligence Fairness Reporting
Wang et al. Information-led policing: non-profit organization’s terrorist financing
Bednarz et al. Keeping the (good) faith: Implications of emerging technologies for consumer insurance contracts
Kajwang Challenges facing insurance brokers in Kenya
Chummun How can Artificial Intelligence reduce fraud in the inclusive cover niche: a case of developing African countries
Woodbury Continuous Evaluation and Credit Reports: Ensuring Fairness in Current Security Clearance Reforms

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18944083

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18944083

Country of ref document: EP

Kind code of ref document: A1